[发明专利]基于分块与稀疏主特征提取的快速协同显著性检测方法

摘要

一种基于分块与稀疏主特征提取的快速协同显著性检测方法，依次包括图像分块与原始像素的特征抽取、稀疏主特征提取、基于聚类的特征计算和协同显著图生成这样的四个步骤，有效地避免了现有技术中的忽略其它显著性目标、随着图像的趋于高清化和处理图像数量的增加带来的计算机内存问题和耗时问题无疑会给协同显著性检测方法在各种应用中的使用带来巨大的限制的缺陷。

主权项

1.一种基于分块与稀疏主特征提取的快速协同显著性检测方法，其特征在于依次包括图像分块与原始像素的特征抽取、稀疏主特征提取、基于聚类的特征计算和协同显著图生成这样的四个步骤，首先，通过图像分块与原始像素的特征抽取的步骤对已设定大小的图像进行均匀分块，从Lab颜色空间和RGB颜色空间这两种颜色空间进行针对原始像素的特征抽取来构成图像块的原始像素的特征矩阵；然后，通过稀疏主特征提取的步骤来经过截断幂Truncated_Power方法对图像块的原始像素的特征矩阵进行稀疏主成分分析，以此来对得到的图像块的稀疏特征进行选取；接着通过基于聚类的特征计算步骤来使用K‑Means聚类算法对选取出来的的图像块的稀疏特征进行聚类，计算出三种基于聚类的显著性的特征权值；最后，通过协同显著图生成步骤来结合三种基于聚类的显著性的特征权值对经过特征融合方法生成的单幅图像显著图和若干幅图像显著图进行组合生成协同显著图，所述的选取出来的的图像块的稀疏特征即为图像的稀疏主特征，其中，所述的稀疏主特征提取的步骤具体如下：先执行稀疏处理参数的过程，所述的执行稀疏处理参数的过程是把图像块数据描述为一个矩阵A(n×p)，n表示样本个数，p是属性个数，a(i,j)表示A中第i行第j个元素，也即表示第i个样本的第j个属性，i和j为自然数，确定稀疏处理参数的过程具体如下：(1)对输入的矩阵A(n×p)的数据进行标准化，然后计算样本间的协方差矩阵Σ(p×p)，Σij表示第i个样本和第j个样本间的相关性；(2)使用PCA算法计算协方差矩阵的特征值Σ，并且对特征值λi按降序进行排序，i为自然数，每个特征值λi决定了相对应的主成分的贡献度，主成分的个数与它们的累计贡献率有关，前k个主成分的累积贡献率的计算如公式(5)所示；满足条件的最小k值就是主成分的个数，ε为设定的临界值；(3)用一种局部搜索的方法来平衡方差与稀疏度以确定调优参数，具体如下：首先，一个方差阈值δ被给定，第i个稀疏主成分的方差范围为(pev(i)‑δ,pev(i)+δ)，pev(i)是第i个主成分的方差，然后，根据对应的负载因子(l₁,l₂),每个主成分的非零个数的上限φ和下限被近似的计算出来，因为方差为对A进行qr算法处理后所得的右部矩阵的第i行第1列的元素的平方值，同时，稀疏主成分Z_i＝Q_iR_i，Q_i表示对A进行qr算法处理后所得的左部矩阵，而R_i表示对A进行qr算法处理后所得的右部矩阵，稀疏负载因子l_i＝Z_iA^‑1,i＝1,2，最后，在每个稀疏主成分的非零个数范围内进行局部搜索，当满足|pev(t)‑pev(i)|＜ξ_t，则非零个数t的最佳参数值被确定；完成对稀疏处理方案的确定，就进入特征提取阶段，所述的特征提取阶段具体如下：使用截断幂方法的稀疏主成分分析对抽取的图像的原始像素的特征进行降维并求取主成分，利用稀疏主成分分析获取的稀疏负载因子li,稀疏主特征Z＝A×li；所述的基于聚类的特征计算的步骤具体如下：利用图像的稀疏主特征，进行对单幅图像或者若干幅图像的两层聚类，并在聚类的结果上进行显著性特征计算，具体如下：当获得单幅图像或者若干幅图像的稀疏主特征利用K‑Means聚类算法是将所有的图像块聚类成k个簇，稀疏特征相似的图像块被集中到一个簇中，并计算得到k个簇中心C＝{c₁,c₂,…,c_k}；为每个簇C^k计算出其对应的对比特征权值w^c(k)，基于各个像素点到图像中心的距离的计算通过使用如公式(6)所示的高斯分布函数生成位置优先图，再对簇Ck的位置优先特征wl(k)进行求解，求解过程如公式(7)所示：其中，o^j表示图像I^j的中心，变量σ²是图像的标准半径，n^k表示簇C^k中图像块的个数，根据图像块到图像I^j中心o^j的空间距离，利用高斯函数N(·)计算位置优先特征权值，N_j为图像块第j块的块数，接着用公式(8)计算出簇C^k的全局分布特征权值w^d(k)：