[发明专利]一种基于多重颜色特征流形排序的图像显著区域提取方法

权利要求书

1.一种基于多重颜色特征流形排序的图像显著区域提取方法，其特征在于：包括以下步骤：

步骤1：图像预处理；对原图像进行颜色空间转换，将图像RGB颜色空间转换为CIELab颜色空间，并对转换后的图像进行超像素分割，得到处理后图像；采用SLIC算法对图像进行超像素分割，得到超像素块集合X＝{x₁、x₂、…、x_n},其中n是超像素块个数；

步骤2：图像特征提取；在步骤1得到的处理后图像上以超像素作为节点构造图模型，提取颜色均值特征和直方图特征，在图模型上分别以两种特征利用流形排序方法计算所有节点的显著性值f₁和f₂；

步骤3：显著图融合；将步骤2得到的f₁和f₂分别进行归一化，并将归一化后的数据进行等比例线性融合得到图像显著性值f′，并生成显著图S；

所述步骤2还包括如下步骤：

步骤2.1：以超像素作为节点构造图模型；在数据集X上定义一个图G＝(V，E)，图G的节点V由数据集X组成，两个节点之间边E权重为w_ij；

步骤2.2：获取处理后图像颜色均值特征和直方图特征；

步骤2.2.1：提取处理后图像CIELab颜色空间中所有超像素块的颜色均值特征集合C＝{c₁、c₂、…、c_n},其中c_n＝(lⁿ,aⁿ,bⁿ)^T代表超像素块n中所有像素点的颜色均值特征，lⁿ代表超像素块n中所有像素点l通道的颜色均值，aⁿ代表超像素块n中所有像素点a通道的颜色均值，bⁿ代表超像素块n中所有像素点b通道的颜色均值；

步骤2.2.2：提取处理后图像CIELab颜色直方图特征H；将每个超像素的l通道量化为o个柱,a通道量化为m个柱,b通道量化为z个柱，得到CIELab颜色直方图特征向量集合H＝{h₁、h₂、…、h_n},其中代表超像素块n组成的o+m+z维的CIELab颜色直方图特征向量；

步骤2.3：根据颜色均值特征采用流形排序方法计算前景显著性值f₁；

步骤2.3.1：采用背景先验，以处理后图像四周边界区域的超像素节点作为查询节点，分别得到上边界的前景显著图S1、下边界的前景显著图S2、左边界的前景显著图S3和右边界的前景显著图S4；

具体包括如下步骤：首先以处理后图像的上边界区域中超像素节点为查询节点，其他节点作为未被标记的节点，判断节点x_i是否为查询节点，若是，则y_i＝1，若否，则y_i＝0，得出指示向量Y＝[y₁,y₂，…，y_n]^T，根据权值计算出图模型关联矩阵W＝[w_ij]_n×n和图模型度矩阵D，其中，i,j∈V，n为节点个数，c_i和c_j表示节点i和节点j的颜色平均值，||·||表示欧式距离，δ是权重常数，用来控制c_i到c_j边的权重；度矩阵D＝diag{d₁₁,…,d_ii,…,d_nn},其中在图模型G上根据显著值公式f＝(D-αW)^-1Y得出上边界区域的显著值f_p，即为所有节点相对于查询节点的排序值，其中Y代表指示向量，α为约束系数，归一化显著值f_p到[0,1]得到f'_p，并计算f″_p＝1-f'_p，根据f″_p得到以上边界为查询节点的显著图S1；重复本步骤，分别计算出以处理后图像的下边界区域、左边界区域、右边界区域的超像素节点作为查询节点的前景显著图S2、S3、S4；

步骤2.3.2：将前景显著图S1、S2、S3、S4进行融合，得到显著图S_c＝S1×S2×S3×S4,对S_c进行自适应阈值分割，阈值为前景显著图S_c的平均显著值，将大于等于阈值的点作为前景种子节点，判断节点x_i是否为前景种子节点，若是，则y′_i＝1，若否，则y′_i＝0，得出指示向量Y′＝[y′₁,y′₂，…，y′_n]^T，根据显著值公式f＝(D-αW)^-1Y得出显著值f^*，归一化显著值f^*到[0,1]，得到f₁^*，并计算f₁＝1-f₁^*，得到前景显著图S_c的前景显著性值f₁；

步骤2.4：根据直方图特征采用流形排序方法计算前景显著性值f₂；

步骤2.4.1：采用背景先验，以处理后图像四周边界区域的超像素节点作为查询节点，得到上边界的前景显著图S5、下边界的前景显著图S6、左边界的前景显著图S7、右边界的前景显著图S8；

具体包括如下步骤：首先以处理后图像的上边界区域中超像素节点为查询节点，其他节点作为未被标记的节点，判断节点x_i是否为查询节点，若是，则y″_i＝1，若否，则y″_i＝0，得出指示向量Y″＝[y″₁,y″₂,…,y″_n]^T，根据权值计算出图模型关联矩阵W′＝[w′_ij]_n×n和图模型度矩阵D′，其中，d_{bhattacharrya}(H_i,H_j)代表节点i的颜色直方图H_i到节点j的颜色直方图H_j的巴氏距离，δ是权重常数，用来控制边的权重，度矩阵D′＝diag{d′₁₁、d′₂₂、…、d′_ii、…、d′_nn},其中在图模型G上根据显著值公式f＝(D-αW)^-1Y得出上边界区域的显著值f_H，归一化显著值f_H到[0,1]得到f′_H，并计算f″_H＝1-f′_H，根据f″_H得到以上边界为查询节点的显著图S5，重复本步骤，分别计算出以处理后图像的下边界区域、左边界区域、右边界区域的超像素节点作为查询节点的前景显著图S6、S7、S8；

步骤2.4.2：将前景显著图S5、S6、S7、S8进行融合，得到显著图S_H＝S5×S6×S7×S8,对S_H进行自适应阈值分割，阈值为显著图S_H的平均显著值，将大于等于阈值的点作为前景种子节点，判断节点x_i是否为前景种子节点，若是，则y″′_i＝1，若否，则y″′_i＝0，得出指示向量Y″′＝[y″′₁,y″′₂,…,y″′_n]^T，根据显著值公式f＝(D-αW)^-1Y得出显著值归一化显著值到[0,1]，得到并计算得到前景显著图S_H的前景显著性值f₂。

2.根据权利要求1所述的一种基于多重颜色特征流形排序的图像显著区域提取方法，其特征在于：所述步骤2.4.1中的巴氏距离d_{bhattacharrya}(H_i,H_j)的具体公式为：

其中，N代表直方图的柱数。