[发明专利]一种基于尺度空间和子图的目标边界检测方法

权利要求书

1.一种基于尺度空间和子图的目标边界检测方法，其特征在于包括以下步骤：

步骤1：输入数字图像I；

步骤2：在数字图像I中设置掩膜窗口集合SW，掩膜窗口集合SW所包含的每个窗口的尺寸为L₁×L₂；

步骤3：基于数字图像I构建尺度空间SI；

步骤4：用掩膜窗口集合SW分解尺度空间SI包含的所有图像，得到子图集合SR；

步骤5：提取子图集合SR包含的子图SR_a中像素(x,y)的点特征gf_xy，由子图SR_a中所有像素的点特征构成子图SR_a的点特征向量GF_a，其中，1≤a≤A，A为子图集合SR中的子图数量，GF_a＝(gf₁,gf₂,gf₃,…,gf_(y-1)×L+x,…,gf_L1×L2)，其中，1≤x≤L₁，1≤y≤L₂，即GF_a为L₁×L₂维的行向量；

步骤6：通过下式计算子图SR_a的区域估计值V_SRa：

V_SRa＝GF_a·WT

式中，符号·表示内积运算，WT为子图的模板权值向量，其向量维度与GF_a一致；

步骤7：设定阈值V_T，当V_SRa大于V_T时，将子图SR_a保留为候选目标区域，否则，删除子图SR_a；

步骤8：迭代执行步骤5-7，直到遍历子图集合SR包含的所有子图SR_a，得到候选目标区域集合SC；

步骤9：对候选目标区域集合SC包含的区域SC_b进行分割，得到区域SC_b包含的分割区域集合SA，其中，1≤b≤B，B为候选目标区域集合SC中的区域数量；

步骤10：通过下式计算分割区域集合SA包含的分割区域SA_c的可信度CV_c，并将分割区域SA_c的可信度CV_c赋值给分割区域SA_c包含的每一个像素，其中，1≤c≤C，C为分割区域集合SA中的元素数量，

式中，SM(SA_c,SA_q)为分割区域SA_c和分割区域SA_q之间的灰度相似度，D_s(SA_c,SA_q)为分割区域SA_c和分割区域SA_q之间的邻近距离，定义为分割区域SA_c和分割区域SA_q两质心之间的欧氏距离，α为邻近距离D_s(SA_c,SA_q)的贡献度控制系数，取值越小，则邻近距离D_s(SA_c,SA_q)对可信度CV_c的贡献度越大，w_c为分割区域SA_c的像素数量占区域SC_b的像素数量的比值，用于衡量分割区域SA_c的大小；

步骤11：迭代执行步骤9-10，直到遍历分割区域集合SA包含的所有分割区域SA_c以及遍历候选目标区域集合SC包含的所有区域SC_b；

步骤12：对输入数字图像I进行超像素分割，得到超像素区块集合SSB；

步骤13：迭代计算超像素区块集合SSB包含的超像素区块SSB_d的平均可信度ACV_d，其中，1≤d≤D，D为超像素区块的数量；

步骤14：通过下式对超像素区块SSB_d的平均可信度ACV_d进行非线性变换处理，得到超像素区块SSB_d的变换平均可信度EACV_d：

并将超像素区块SSB_d的变换平均可信度EACV_d赋值给超像素区块SSB_d包含的每一个像素；

步骤15：迭代执行步骤13-14，直到遍历超像素区块集合SSB包含的所有超像素区块SSB_d，得到由取值为变换平均可信度的像素组成的变换图像Ic；

步骤16：对变换图像Ic进行二值化处理，并对二值化结果进行边界提取，得到边界集合S_edge；

步骤17：将边界集合S_edge叠加在原图作为输出结果。