[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

说明书

本发明提供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，涉及图像处理与计算机视觉技术领域。本发明步骤如下：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；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fsubgt;1/subgt;和fsubgt;2/subgt;；步骤3：显著图融合；将fsubgt;1/subgt;和fsubgt;2/subgt;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。该方法能够突出目标区域抑制背景，准确地检测出显著区域。

技术领域

本发明涉及图像处理与计算机视觉技术领域，尤其涉及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。

背景技术

图像显著性区域提取旨在使用计算机模拟人类视觉机制，自动地从图像中检测出人眼感兴趣的区域，是计算机视觉领域一个重要的预处理步骤。通过各种算法模型计算出来的显著图被广泛地应用于图像分割、图像压缩与目标识别等领域。如何准确、快速地识别图像显著性区域是图像显著性检测研究的主要方向。

近几十年来，研究者们对图像的显著性检测展开了深入研究。目前显著性检测方法大致可以分为两类：(1)自底向上。是基于输入图像底层的特征，如颜色、纹理或距离等，提取图像中的显著目标，属于数据驱动的数据处理类型，速度较快。(2)自顶向下。属于任务驱动的数据处理类型，需要大量的视觉数据集进行训练，受主观意识支配，且依赖于所需的任务，是慢速的注意机制。由于自底向上的显著性检测算法着眼于图像特征，独立于特定任务，因此，目前显著性检测方法多采用自底向上的方法。如基于频域的SR方法和FT方法等，这些方法虽然计算速度快并且能够均匀的检测出目标区域，但是显著区域与背景的亮度区别并不明显。为解决这些问题一种基于对比度的MR(Manifold ranking)方法被提了出来，该方法利用流形排序模型检测图像显著性目标，有着很高的检测准确率，但是这种方法提取CIELab颜色空间的颜色均值特征来描述图像，这势必会造成信息的丢失，对于前景和目标颜色相似或者背景和目标接触较多的情况，该方法很难将背景和目标区域区分开来，检测效果有限。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供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，能够突出目标区域抑制背景，准确地检测出显著区域。

为解决上述技术问题，本发明所采取的技术方案是：

本发明提供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，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；