[发明专利]光学图像中存在显著目标的检测方法

摘要

本发明公开了一种光学图像中存在显著目标的检测方法，其实现步骤为(1)输入光学图像集；(2)获得所有光学图像的显著图；(3)获得归一化后的显著图；(4)获得二值化的显著图；(5)获得5个特征向量；(6)判断是否获取了光学图像集中的所有图像的显著图的5种特征向量；(7)建立训练特征集和待检测特征集；(8)训练分类器；(9)获得待检测光学图像各个特征的检测结果；(10)获得光学图像存在显著目标的检测结果。本发明降低光学图像中存在显著目标检测的复杂度，又较好避免了图像显著目标检测中由不含任何目标的图像的显著图生成虚假目标的情况，消除了传统算法对图像复杂程度的局限性，具有较高的检测准确度，可应用于光学图像中存在显著目标的检测。

主权项

一种光学图像中存在显著目标的检测方法，包括如下步骤：(1)输入光学图像集：(1a)输入已进行人工标注的训练光学图像集；(1b)输入待检测光学图像集；(2)获得所有光学图像的显著图：采用中心周边直方图算法，分别获取人工标注的训练光学图像集和待检测光学图像集中的所有图像的显著图；(3)获得归一化后的显著图：将人工标注的训练光学图像集和待检测光学图像集中的任意一个图像的显著图除以255，得到归一化后的显著图；(4)获得二值化的显著图：对归一化后的显著图进行二值化操作，得到二值化的显著图；(5)获得5个特征向量：(5a)按照下式，计算二值化的显著图中灰度值为1的像素的位置和光学图像中心点的距离，得到第1个特征向量：f(k)=Σ1G(r(m)-W/2)2+Σ1Z(c(n)-H/2)2G]]>其中，f(k)表示第k个阈值二值化的显著图中的灰度值为1的像素的位置与光学图像中心点的距离，k表示10个灰度阈值的序号，∑表示求和操作，r(m)表示二值化的显著图中灰度值为1的像素的第m个行索引的值，m表示所有行索引中第m个行索引，c(n)表示二值化的显著图中灰度值为1的像素的第n个列索引的值，n表示所有列索引中的第n个列索引，W表示二值化的显著图宽度，H表示二值化的显著图的高度，G表示二值化的显著图中灰度值为1的像素的行索引和列索引的总个数；(5b)按照下式，计算二值化的显著图中灰度值为1的像素的位置的分布方差，得到第2个特征向量：z(k)=Σ1G(r(m)-A)2+Σ1Z(c(n)-D)2G]]>其中，z(k)表示第k个阈值二值化的显著图中灰度值为1的像素的位置的分布方差，k表示10个灰度阈值的序号，∑表示求和操作，r(m)表示二值化的显著图中灰度值为1的像素的第m个行索引的值，m表示所有行索引中第m个行索引，c(n)表示二值化的显著图中灰度值为1的像素的第n个列索引的值，n表示所有列索引中的第n个列索引，A表示r(m)的均值，D表示c(n)的均值，G表示二值化的显著图中灰度值为1的像素的行索引总数,Z表示二值化的显著图中灰度值为1的像素与行索引总数相等的列索引总数；(5c)按照下式，计算二值化的显著图中灰度值为1的像素在二值化的显著图边缘的分布，得到第3个特征向量：e(k)=T+B+L+R2(W+H)]]>其中，e(k)表示第k个阈值二值化的显著图中灰度值为1的像素在边缘的分布，k表示10个灰度阈值的序号，T，B，L，R分别表示宽度为10个像素的二值化的显著图的上边缘、下边缘、左边缘、右边缘的所有像素灰度值的和，W表示二值化的显著图的宽度，H表示二值化的显著图的高度；(5d)采用分布熵公式，计算归一化后的显著图的分布熵，得到第4个特征向量；(5e)使用灰度直方图法，计算归一化显著图的20个灰度值的分布概率，获得归一化显著图的20维灰度直方图，得到第5个特征向量；(6)判断是否获取了光学图像集中的所有图像的显著图的5种特征向量，若是，则执行步骤(7)；否则，执行步骤(3)；(7)建立训练特征集和待检测特征集：(7a)将训练显著图集中所有显著图的第1个特征向量组成训练特征集1，第2个特征向量组成训练特征集2，第3个特征向量组成训练特征集3，第4个特征向量组成训练特征集4，第5个特征向量组成训练特征集5，得到5组训练特征集；(7b)将待检测显著图集中所有显著图的第1个特征向量组成待检测特征集1，第2个特征向量组成待检测特征集2，第3个特征向量组成待检测特征集3，第4个特征向量组成待检测特征集4，第5个特征向量组成待检测特征集5，得到5组待检测特征集；(8)训练分类器：使用训练特征集1训练第1个随机森林分类器，使用训练特征集2训练第2个随机森林分类器，使用训练特征集3训练第3个随机森林分类器，使用训练特征集4训练第4个随机森林分类器，使用训练特征集5训练第5个随机森林分类器；(9)获得待检测特征的检测结果：从5组待检测特征集中各选择一个排序相同的待检测特征，组成一组待检测特征，将来自待检测特征集1的特征输入第1个训练好的随机森林分类器，得到第1个随机森林分类器的检测结果，将来自待检测特征集2的特征输入第2个训练好的随机森林分类器，得到第2个随机森林分类器的检测结果，将来自待检测特征集3的特征输入第3个训练好的随机森林分类器，得到第3个随机森林分类器的检测结果，将来自待检测特征集4的特征输入第4个训练好的随机森林分类器，得到第4个随机森林分类器的检测结果，将来自待检测特征集5的特征输入第5个训练好的随机森林分类器，得到第5个随机森林分类器的检测结果；(10)获得光学图像存在显著目标的检测结果：(10a)按照下式，计算5个随机森林分类器的检测结果的均值：Q=C1+C2+C3+C4+C55]]>其中，Q表示5个随机森林分类器的检测结果的均值，C1、C2、C3、C4、C5分别表示第1个随机森林分类器、第2个随机森林分类器、第3个随机森林分类器、第4个随机森林分类器以及第5个随机森林分类器的检测结果；(10b)将均值Q小于0.5的待检测特征组检测结果标志设为0，作为获得待检测特征组的光学图像不包含显著目标的标志；(10c)将均值Q大于等于0.5的待检测特征组检测结果标志设为1，作为获得待检测特征组的光学图像包含显著目标的标志。