[发明专利]基于各向异性扩散的显著度检测方法

权利要求书

1.基于各向异性扩散的显著度检测方法，其特征在于，包括以下步骤：

第一步：基于超像素分割的无向图表达

(1.1)采用线性迭代聚类SLIC算法对原始图像进行分割，得到形状规则、视觉均匀、大小一致紧凑的超像素块，每个超像素块由颜色或纹理特征相似的像素组成；

(1.2)以步骤(1.1)得到的超像素块作为无向图顶点，每个顶点都与其空间域内周围颜色特征最相似且位置最相近的近邻点之间有边连接，并将两顶点之间连接边的权重定义为特征空间中两点的特征差异，形成近邻图G(V,E)；其中，V表示顶点集合，E表示边的集合；

(1.3)在近邻图G(V,E)上通过提取和合并最小生成树MST构建k-边图模型；具体步骤为：将近邻图G(V,E)上的一棵MST的边移除；接着生成第二棵MST并将其边移除；以此类推，依次将生成的k个MST从近邻图G(V,E)上移除；再将k个MST进行合并得到k-边图；

第二步：基于各向异性扩散的边界连通显著性度量

(2.1)各向异性扩散模拟图像结构信息

在k-边图模型中，每个超像素节点有k个最近邻，即颜色相似且位置相近的节点，则每个超像素节点有k个扩散方向；对于一幅图像I(x,y)中的任意超像素节点i的各向异性扩散迭代方程如下：

其中，为t时刻稳定状态下超像素节点i的扩散值，x和y分别表示图像中超像素节点i的坐标，扩散参数是梯度算子，表示当前超像素节点在k个方向上的梯度，则相邻点之间的梯度如公式(2)所示；c₁,c₂,…,c_k分别表示k个方向的扩散传导系数，控制扩散的速率，如公式(3)所示；

其中，M为边缘灵敏度参数，且M＞0；

(2.2)边界连通性度量

以分布于图像四个边界上的超像素为背景节点，超像素节点i的边界连通性BC(i)为：

其中，N表示图像中超像素节点的数量，bnd为属于图像边界的超像素节点的集合；I_t(i)和I_t(j)分别表示超像素节点i和j的扩散值，σ为BC(i)的控制参数；

以边界连通性的高斯函数来计算超像素节点的边界连通性显著度值S^bc，使超像素节点的边界连通性越大时，其显著度值越低，得到超像素节点的边界连通性显著度值S^bc，公式如下：

其中，σ_bc为S^bc的控制参数；

第三步：外观对比显著性度量

首先定义围绕图像边界处[10,30]个像素的宽度为初始背景区域，并以此为基础计算图像外观对比的显著度；然后，在CIE-Lab颜色空间中通过k-means算法将初始背景区域的像素分为K类；接着，对于每一类背景区域中的所有像素，计算CIE-Lab颜色空间中的平均颜色值和协方差矩阵分别为和Q_K＝[q_ab]_3×3；对于图像中任意一个超像素节点，设颜色值为μ，则对比度定义为与每类背景像素分布之间的马氏距离，即

对比度经过归一化处理，得到[0,1]范围的外观对比度值；因此，将每个超像素节点的外观对比度定义为与K类背景的对比度之和的平均值，即对比度显著图的外观对比度为S^ac，公式如下：

第四步：显著图融合和优化

(4.1)显著图融合

将每个超像素的显著度值分配给该超像素所包含的所有像素，并将得到的边界连通显著图与对比度显著图以像素级的方式相融合，得到初始显著图，共同度量图像的显著度；初始显著图的显著度为S的计算公式如下：

S＝S^bc·S^ac (8)

(4.2)显著图优化

采用中心先验准则对初始显著图S进行优化和增强处理，即

其中，W和H分别为输入的初始显著图的宽度和高度，x和y分别为像素i的水平和垂直坐标，d_xy为像素i的显著性加权值；每个像素的显著度更新为S′，公式如下：

S′＝S·d_xy (10)

最后，采用优化函数来增强目标与背景的对比度，得到最终显著图结果：

其中，sgn(·)是阶跃函数，ε是基于Otsus二值化方法的自适应阈值，σ_enhance是控制对比度的预设参数；g(S′)表示经过中心先验和对比度增强两种后处理优化过程后的每个像素的最终显著度值。