[发明专利]基于马尔可夫背景与前景吸收链的图像显著性检测方法

说明书

本发明涉及基于马尔可夫背景与前景吸收链的图像显著性检测方法，首先根据边界连通性，删除候选边界背景集B₀中背景概率值较低的超像素，得到边界背景集B₁；接着结合边界先验显著图S_bg1中各节点的显著值，在凸包H、边界背景集B₁以外的区域，增加背景种子，更新得到背景种子集B，再构建背景吸收马尔可夫链，生成背景吸收显著图S_bg2，融合显著图S_bg1与S_bg2，得到第一阶段的基于背景显著图S_bg；然后在凸包H的范围内，根据S_bg选择前景种子集F，再构建前景吸收马尔可夫链，得到第二阶段的前景吸收显著图S_fg；最后，将两阶段显著图S_bg、S_fg进行融合，得到组合显著图S，并通过平滑机制优化，得到最终显著图S^*，本发明与传统方法相比，性能有明显的提高，能更加准确地检测到显著性目标。

技术领域

本发明涉及基于马尔可夫背景与前景吸收链的图像显著性检测方法，属于图像检测技术领域。

背景技术

图像显著性检测，是计算图像中各个部分的显著性(吸引人们视觉注意的程度)，从而将最显著(吸引程度最高)的区域查找出来。

基于图的显著性传播机制，已成为显著性检测领域中常用的策略之一。研究者以图论为基础，为图像建立图模型，将图像分割成多个区域，一个区域对应图中的一个节点，而节点之间的边也随之定义。根据图像的一些先验知识，可将图像的部分节点标记为种子节点，然后设计传播模型传播种子节点的显著性，经过传播扩散，图中每个节点被赋予相应的显著值。常见的先验有背景先验、前景先验、中心先验、形状先验、颜色先验等；常见的传播模型有马尔可夫模型、流形排序模型、元胞自动机模型、随机游走模型等。

Jiang等发表的《Saliency Detection via Absorbing Markov Chain》论文中，提出了基于马尔可夫吸收链的图像显著性检测方法(简称MC方法)，该方法以边界节点为背景种子集，将其复制为虚拟的吸收节点，图像中所有的节点作为转移节点，从任意一个转移节点出发，进行随机游走，根据到达吸收节点的被吸收时间，来衡量转移节点的显著性。

MC方法不足之处在于：一是边界背景种子的选取不够准确，某些图像1～2个边界中，可能会出现显著目标；二是在背景种子样本空间中，边界背景种子只覆盖到其中一部分，在一定程度上会影响传播的效率；三是在传播过程中，对一些较特殊的图像，可能会有部分背景没有被很好地抑制，个别奇异节点的显著值会很大，显著性区域没有被有效突出；四是只考虑基于背景种子的吸收传播，传播方式单一化；五是显著图中前景和背景不够均匀，尚需进一步优化处理。

发明内容

本发明所要解决的技术问题是提供基于马尔可夫背景与前景吸收链的图像显著性检测方法，综合应用多种技术于一体，从背景与前景两个维度着手，能够显著提高图像显著性的检测效率。

本发明为了解决上述技术问题采用以下技术方案：本发明设计了基于马尔可夫背景与前景吸收链的图像显著性检测方法，用于实现目标图像中显著性目标的检测，包括如下步骤：

步骤A.获得目标图像中的显著特征点，构建凸包，然后进入步骤B；

步骤B.针对目标图像进行超像素分割处理，获得各个超像素，然后获得两两超像素之间的相似度，并进入步骤C；

步骤C.定义沿目标图像边缘一周宽度为d的区域为边界区域，根据若超像素中包含位于边界区域的像素点，则判定该超像素属于候选边界背景集B₀的规则，构建候选边界背景集B₀，然后进入步骤D；