[发明专利]基于加权低秩矩阵恢复模型的显著性目标检测方法与系统

说明书

本发明公开了一种基于加权低秩矩阵恢复模型的显著性目标检测方法与系统，为了提高图像中前景与背景分离的准确度，该方法通过运用图像的颜色、位置和边界联系等属性，预估一个高级背景先验图，然后将这个先验图组合成一个加权矩阵来估计图像每个区域属于背景的可能性。通过加权的低秩矩阵恢复，可以将背景和显著性目标进行有效的分离，即使是对于前景与背景的外观相似时，以及前景占据了大部分图像时，也能够很好的进行工作。

技术领域

本发明涉及计算机图形图像处理技术领域，尤其涉及一种通过加权低秩矩阵恢复的显著性目标检测方法与系统。

背景技术

显著性目标检测是为了在自然场景中检测并分割出重要的区域，这在过去的一个半世纪里已经变成了一个十分受欢迎的话题。它对很多应用都是有帮助的，例如目标检测与识别、图像分类和恢复、目标协同分割，和基于内容的图像编辑等。

在过去的几十年中，已经提出了很多成功的显著性目标检测模型，这些模型大致可以分为两类：从顶向下的方法和从下而上的方法。自顶向下方法是基于用户的任务或目标，通常需要人工标记真值进行监督学习。自下而上的方法利用低级的图像属性，如颜色、渐变、边缘去构造显著图，而并不考虑用户的内部状态。

在自下而上的显著目标检测模型中，一组代表性的方法是基于低阶矩阵恢复(LRR)理论的。这主要是因为在大多数情况下，图像的背景通常位于低维子空间中，而通常偏离该子空间的突出区域可以被认为是稀疏的噪声或错误。

值得注意的是，LRR模型可以直接用于在场景的背景不混乱且具有高对比度的情况下，以确保底层低秩矩阵和稀疏矩阵之间没有高度的一致性。然而，在实际操作中，许多背景都是凌乱的，前景可能与背景有相似的外观。另外，前景有时占据了大部分图像，而这并不能满足稀疏的假设。在这些情况下，以前的基于LRR的方法很难从背景中提取突出的对象。

发明内容

为了克服上述技术问题，本发明提出了一个背景优先级的低阶矩阵恢复模型(WLRR)，用于突出对象检测。应用背景加权矩阵，让LR模型知道每个图像区域属于背景的可能性。在F.Shang,Y.Liu,J.Cheng,和H.Cheng的论文“Robust principal componentanalysis with missing data”中就引入了一个类似的加权投影函数来从缺失和严重破坏的观测中恢复低阶和稀疏矩阵。

本发明解决其技术问题所采用的技术方案是：构造一种基于加权低秩矩阵恢复模型的图像显著性目标检测方法，包括以下步骤：

S1、对于给定的输入图像，运用超像素分割方法将它分割成N个不重叠的超像素区域p₁、p₂、K、p_N；N为大于1的正整数；

S2、对于每一个超像素区域p_i，提取出一个D维特征向量，表示为f_i∈R^D，然后通过集成所有的特征向量来获得图像特征矩阵F＝[f₁,f₂,Λf_N]∈R^D；其中， D为正整数；

S3、运用位置、颜色和边界连通性属性，将每个超像素区域p_i的位置、颜色和边界连通性属性融合在一起生成一个高级背景先验图，然后将所有的高级背景先验图一起转换成为一个加权矩阵W；

S4、将图像特征矩阵F分解成一个代表冗余的背景信息的低阶矩阵L和一个代表显著部分的稀疏矩阵S，分解时的目标函数为约束条件为：其中，||·||_*表示矩阵的核范数，它是秩函数的凸松弛，被定义为矩阵奇异值的和，||·||₁表示矩阵的l₁范数，表示两个矩阵的元素相乘，λ是平衡L和S的权衡参数，且大于零；