[发明专利]一种基于层次化稀疏建模的图像显著性检测方法

摘要

本发明公开了一种基于层次化稀疏建模的图像显著性检测方法，主要解决在计算机视觉领域内通过模拟灵长类动物的视觉注意机制，在复杂场景中迅速定位感兴趣区域以进行快速场景分析的问题，其主要步骤包括(1)构造基于颜色和方向信息的多尺度特征图；(2)创建基于逐层自表示建模的颜色显著图；(3)形成基于多尺度信息融合的显著图；(4)提取基于Otsu最优阈值分割的显著物体。本发明具有较高的检测率和较低的虚警率，并取得了较经典显著检测方法更优的性能，可以用于图像分割等领域。

主权项

一种基于层次化稀疏建模的图像显著性检测方法，其特征在于：包括如下步骤：(1)基于颜色和方向信息的多尺度特征图构造：1a)将一幅输入图像在水平方向和垂直方向上隔行隔列采样，形成大小为原图1/2的低分辨率图像，对此低分辨率图像继续进行下采样，得到大小为原图1/4的更低分辨率的图像，将原图和这两幅降采样后的图像作为3个尺度上的输入图像；1b)对于3个尺度上的输入图像，将红绿蓝三个彩色通道作为颜色特征图的元素，用于稀疏建模，对于每一个尺度上输入图像的亮度图，使用Gabor滤波器在0,45,90和135度四个方向上对其进行方向滤波得到描述图像方向信息的四幅方向滤波图，作为后续方向显著图的基础；(2)基于逐层自表示建模的颜色显著图创建：2a)将3个尺度上输入图像的颜色特征图按照16*16的分块大小无重叠地分为大小相同的子块，每一个子块作为显著性描述的基本单元；2b)按照自表示模型的数据组织形式，把每个子块的所有颜色特征组合起来并形成一个代表子块结构特性的特征向量，所有子块的特征向量依次排列成为一个大的矩阵作为自表示模型中的原始数据矩阵Y；2c)将数据矩阵Y作为数学优化模型的输入，使用交替方向乘子ADMM算法求解此自表示模型的解，优化算法中对系数矩阵C施加行稀疏的约束，以用尽量少的元素来表示所有数据；经过多次迭代之后便会得到自表示模型的解；按照所提出的显著性和稀疏系数之间的求解公式得到每个子块在第一层次的显著描述，si=Σj=1V|Cij|,i=1,2,...V]]>其中，si表示第i个子块的显著值，Cij为系数矩阵中第i行j列的元素，V为子块的个数；2d)对于第1个尺度上的各子块，将其显著值和所有子块显著值均值的2倍做比较，如果小于均值的2倍则认为此子块在第1个尺度上是非显著的，否则认为是显著的；在第2个层次上丢弃那些被认为是非显著的子块，对每一个显著的子块进行进一步的自表示建模；2e)将每个显著子块进一步分割为大小为8*8的更小的子块，并将对应的颜色特征组织成自表示模型的数据矩阵，经过ADMM优化算法优化求解之后会得到进一步分割后的各子块的稀疏系数；(3)基于多尺度信息融合的显著图形成：3a)经过以上步骤之后，在每个尺度上形成了两幅颜色显著图和四幅方向滤波图，将两幅不同层次上得到的颜色显著图相加形成每个尺度上的颜色显著图，代表图像逐层递进的颜色显著信息；同时将四幅方向滤波图也相加形成每个尺度上的方向显著图，代表每个尺度上图像的边缘显著信息；3b)将每个尺度上得到的颜色显著图和方向显著图进行归一化操作，使得两者具有相同的描述范围，之后对以上结果相加形成每个尺度上融合后的显著图，用以表示特定尺度上所得到的显著描述结果；3c)最后将3个尺度上的显著图进行尺度上的统一，亦即将每一幅显著图调整到原始图像的大小，通过对所有的结果按位置求平均便得到最终的显著图；(4)基于Otsu最优阈值分割的显著物体提取：4a)将通过以上步骤所得显著图的灰度级范围调整在0到255的8位灰度级下，运用具有二值分割效果的Otsu算法对其进行分割，得到前景和背景区域，前景区域为在此规则下得到的显著区域，背景是非显著区域；4b)根据分割后得到的前景和背景区域，从原图中提取出前景部分的区域，将背景部分的区域设为黑色，自此便完成了显著检测的所有阶段，之后用受试者运行曲线、正确率召回率曲线和平均正确率、召回率及F‑measure值常用数字评价指标对所得显著图的好坏进行客观评价，并和经典的显著检测算法进行比较验证其有效性；所述经典的显著检测算法指经典的信息最大化方法、情境感知方法、频率调制方法、基于图的方法、Itti方法、谱残差方法。