[发明专利]基于鲁棒性背景先验和全局信息的显著性目标检测方法

说明书

本发明属于图像处理技术领域，具体涉及基于鲁棒性背景先验和全局信息的显著性目标检测方法。该方法包括以下步骤：构建待检测图像的超像素标签矩阵；构建待检测图像的超像素权重矩阵；筛选瞬态节点和吸收节点；构建待检测图像的马尔科夫转移矩阵，并计算瞬态节点吸收时间；构建马尔科夫转移矩阵的显著性特征图；根据权重矩阵，计算超像素点的前背景概率；构建鲁棒性背景先验显著特征图；将马尔科夫转移矩阵的显著性特征图和鲁棒性背景先验显著特征图进行叠加整合，并利用所有超像素点的显著性值，生成超像素点的综合显著性检测图。本发明整合了鲁棒性背景先验方法和全局信息，得到的显著性目标更均匀，能更有效地计算图像的显著性值。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于鲁棒性背景先验和全局信息的显著性目标检测方法。

背景技术

随着互联网带来的大数据量的传播，如何从海量的图像和视频数据中快速地获取重要信息，已经成为计算机视觉领域一个关键的问题。通过在计算机视觉任务中引入这种视觉注意机制，即视觉显著性，可以为视觉信息处理任务带来一系列重大的帮助和改善。因此显著性检测的优化具有重要的意义。

显著性检测的方法大致分为两种分析模型：一种叫做自下而上的数据驱动模型，特点的是速度快；另一类是自上而下的基于人工智能的计算模型,这类模型需要经过大量数据的训练之后进行图像识别处理，检测结果通常取决于目的性，不方便通过，且耗时较长。所以显著性检测大多采用自下而上的视觉模型。因此，近年来，基于图模型的自下而上方法得到了广泛的研究和应用。这种方法用邻域图模型建模，图像的超像素由图像的节点表示，图的边缘表示超像素之间的邻居关系和视觉外观相似性。然后，使用一模型些基于图的学习算法(例如基于鲁棒性背景先验的排序算法，马尔可夫随机游走模型等)，可以获得每个超像素的显著性度量。

在工业领域，一些大型机械设备运行过程中，需要对其工作状态进行监测。显著性检测能够比较好的完成监测。显著性检测优点是可将有限的计算资源分配给图像视频中更重要的信息并且使显示的结果更符合人的视觉认知需求。通过优化显著性检测模型，以获得更好的效果，具有一定的价值。

发明内容

本发明的目的在于提供一种基于鲁棒性背景先验和全局信息的显著性目标检测方法，该显著性目标检测方法整合了鲁棒性背景先验方法和全局信息，得到的显著性目标更均匀，能更有效地计算图像的显著性值。

为实现上述目的，本发明采用了以下技术方案：

基于鲁棒性背景先验和全局信息的显著性目标检测方法，该方法包括以下步骤：

(1)构建待检测图像的超像素标签矩阵。

(2)构建待检测图像的超像素权重矩阵。

(3)筛选瞬态节点和吸收节点。

(4)构建待检测图像的马尔科夫转移矩阵，并计算瞬态节点吸收时间。

(5)构建马尔科夫转移矩阵的显著性特征图。

(6)根据权重矩阵，计算超像素点的前背景概率。

(7)构建鲁棒性背景先验显著特征图。

(8)将马尔科夫转移矩阵的显著性特征图和鲁棒性背景先验显著特征图进行叠加整合，并利用所有超像素点的显著性值，生成超像素点的综合显著性检测图。

进一步的，步骤(1)所述的“构建待检测图像的超像素标签矩阵”，其具体包括以下步骤：

(11)将待检测图像分割成若干超像素点，并将分割后的待检测图像在红绿蓝三通道上进行颜色-对比空间转换，获得待检测图像在国际照明委员会颜色-对比CIELAB空间中的特征值。