[发明专利]一种基于全局像素特征的显著图精细化方法

说明书

本发明公开了一种基于全局像素特征的显著图精细化方法，包括步骤：基于超像素提取深度特征和手工特征的显著性检测模型生成初始显著图；对输入图像进行预处理；通过全卷积神经网络提取图像全局像素的深度特征图；在全卷积神经网络的深处对初始显著图和深度特征图进行拼接，得到新特征；根据得到的新特征，通过全卷积神经网络进行分类得到最终的精细化显著图。本发明能够在复杂场景下快速、准确地完成大规模的图像显著性目标检测任务。

技术领域

本发明属于显著性目标检测技术领域，特别涉及了一种基于全局像素特征的显著图精细化方法。

背景技术

显著性目标检测是计算机视觉领域下的一个重要分支，在近几年已经成为热门的研究话题，它是指人类能够通过视觉系统从场景中提取出与其他区域相比更为显著的区域，这有助于剔除后续视觉任务中图像内无价值的区域。显著性目标检测能够从复杂的场景中快速准确地定位图像中最显著的目标或区域，识别后的显著性结果在视频目标跟踪、交通控制、图像检索、图像质量评估、场景理解等诸多计算机视觉领域中都有着广泛的应用。因此，研究显著性目标检测技术在其应用当中是非常有必要的。

目前，基于卷积网络的方法是基于超像素进行显著性目标检测，已经取得了不错的效果。然而这些方法不是基于像素的操作，生成的显著图很大程度上依赖于超像素块的分割结果，而作为无监督的超像素分割算法得到的图像块主要基于表观特征的相似性，而并没有基于图像的语义特征，所以并不能保证每个超像素内部标记的完全一致性，这种内部标记不一致的情况尤其出现在复杂场景下显著性目标边界区域的超像素块中。

发明内容

为了解决上述背景技术提出的技术问题，本发明旨在提供一种基于全局像素特征的显著图精细化方法，能够在复杂场景下快速、准确地完成大规模的图像显著性目标检测任务。

为了实现上述技术目的，本发明的技术方案为：

一种基于全局像素特征的显著图精细化方法，包括以下步骤：

(1)基于超像素提取深度特征和手工特征的显著性检测模型生成初始显著图；

(2)对输入图像进行预处理，包括图像均值化和RGB图像转换为BGR图像；

(3)通过全卷积神经网络提取图像全局像素的深度特征图；

(4)在全卷积神经网络的深处对步骤(1)生成的初始显著图和步骤(3)得到的深度特征图进行拼接，得到新特征；

(5)根据步骤(4)得到的新特征，通过全卷积神经网络进行分类得到最终的精细化显著图。

进一步地，步骤(1)的具体过程如下：

(11)对输入图像使用SLIC算法进行M个不同粒度的超像素分割，SLIC算法的距离度量公式如下：

其中，M为正整数，d_s为颜色距离与归一化的空间距离的和，d_lab为第j个聚类中心与第i个像素点的颜色距离，d_xy为第j个聚类中心与第i个像素点的空间距离，l_i、a_i、b_i分别为第i个像素点在Lab色彩空间中L、a、b的取值，l_j、a_j、b_j分别为第j个聚类中心在Lab色彩空间中L、a、b的取值的取值，x_i、y_i分别分别为第i个像素点在空间坐标轴中X轴、Y轴的取值，x_j、y_j分别分别为第j个聚类中心在空间坐标轴中X轴、Y轴的取值，m为用于权衡颜色相似度和空间临近性影响的参数，s为初始网格的步长；