[发明专利]一种RGB显著性到RGBD显著性的转换方法

说明书

本发明公开了一种RGB显著性到RGBD显著性的转换方法，所述方法包括以下步骤：生成RGB显著性图，在所述RGB显著性图基础上通过多级RGBD显著性初始化得到初始RGBD显著性图；对初始RGBD显著性图进行深度信息引导的显著性修正，通过带深度约束的显著性优化模型生成最终的RGBD显著性图。本发明将现有RGB显著性检测算法生成的结果作为初始化，以直接和间接的形式挖掘深度信息，增强算法性能。

技术领域

本发明涉及图像处理、计算机视觉领域，尤其涉及一种RGB显著性到RGBD显著性的转换方法。

背景技术

为抢抓人工智能发展的重大战略机遇，构筑我国人工智能发展的先发优势，2017年7月国务院印发了《新一代人工智能发展规划》，并提出了六个方面的重点任务。其中，建立新一代人工智能基础理论体系的主旨版块要求突破应用基础理论瓶颈，进一步加强大数据智能、跨媒体感知计算、自主协同与决策、类脑智能计算理论等基础理论研究，并着重开展跨学科探索性研究，推动人工智能与神经科学、认知科学等相关基础学科的交叉融合。人类的视觉系统可在大范围、复杂的场景中快速定位出最吸引注意的内容。视觉显著性检测任务目的就是希望计算机也可以模拟人类的视觉注意机制，具备自动定位场景中显著性内容的能力，进而为后续处理提供有效的辅助信息。视觉显著性检测已经被广泛应用于检测、分割、裁剪、检索、编码、评价等诸多领域，具有十分广阔的市场发展和应用前景。

实际上，人眼是通过双目立体视觉方式来感知客观世界的。换言之，人眼获取的信息不是单纯的2D平面信息，而是包含景深/深度信息的立体信息。从某种程度上说，深度信息是对颜色信息的补充，可以有效增强检测、识别的效果。目前，已有一些学者致力于研究RGBD图像的显著性检测算法。Ju等人从深度信息出发，提出了一种各向异性中心-周围差异(ACSD)测度来建立深度数据与显著性的关系，以此实现了RGBD显著性检测；Cong等人考虑深度图质量对显著性检测的影响，提出了基于深度置信测度和多线索融合的立体显著性检测方法。Feng等人提出了一种局部背景围绕(LBE)度量，用于直接从深度图中捕获显著性目标结构，并量化了位于背景之前的目标边界的比例。Qu等人设计了一种卷积神经网络来自动学习低级线索和显著性结果之间的相互作用关系以实现RGBD显著性检测。该方法首先将局部对比度、全局对比度、背景先验和空间先验组合得到原始显著性特征向量，然后将其嵌入到CNN中生成初始显著性图，最后引入拉普拉斯传播以进一步细化初始显著性图并得到最终结果。

发明人在实现本发明的过程中，发现现有技术中至少存在以下缺点和不足：

现有方法关注点多集中于设计一个完整的方法，而忽略了已有RGB显著性检测算法的优势；现有算法对于深度信息的利用并不全面，导致从深度图中获取的有效信息十分有限，影响算法性能；现有算法在优化部分并未充分挖掘深度信息的作用，导致检测结果的一致性和均匀性较差。

发明内容

本发明提供了一种RGB显著性到RGBD显著性的转换方法，本发明将现有RGB显著性检测算法生成的结果作为初始化，以直接和间接的形式挖掘深度信息，增强算法性能，详见下文描述：

一种RGB显著性到RGBD显著性的转换方法，所述方法包括以下步骤：

生成RGB显著性图，在所述RGB显著性图基础上通过多级RGBD显著性初始化得到初始RGBD显著性图；

对初始RGBD显著性图进行深度信息引导的显著性修正，通过带深度约束的显著性优化模型生成最终的RGBD显著性图。

其中，所述多级RGBD显著性包括：

全局紧致显著性，用于结合颜色紧致性和深度紧致性，作为鲁棒全局表示；

局部测地线显著性，用于在图模型上计算测地线距离，作为局部显著性表示。