[发明专利]基于稀疏子空间聚类和低秩表示的显著性目标检测方法

摘要

本发明公开了一种基于稀疏子空间聚类和低秩表示的显著性目标检测方法。其步骤为：1、对输入图像进行超像素分割和聚类；2、提取聚类中每一个超像素的颜色、纹理和边缘特征，构建聚类特征矩阵；3、根据颜色对比度的大小对所有超像素特征进行排序，构建字典；4、根据字典构建联合低秩表示模型，求解该模型对聚类的特征矩阵进行分解得到低秩表示系数，并计算聚类的显著性因子；5、将每一个聚类的显著值按照其空间位置映射到输入图像中，获得输入图像的显著图。本发明能完整一致地检测出图像中尺寸较大的显著性目标，且能抑制背景中的噪声，提升复杂背景图像中显著性目标检测的鲁棒性。可用于图像分割、目标识别、图像恢复和自适应图像压缩。

主权项

1.一种基于稀疏子空间聚类和低秩表示的显著性目标检测方法，包括如下步骤：(1)将输入图像I分割成N个超像素{pi|i＝1,2,...,N}；(2)对所有超像素进行聚类，得到输入图像I的J个聚类{Cj|j＝1,2,...,J}，其中每一个聚类Cj包含了mj个超像素，即Cj＝{pj,k|k＝1,2,...,mj}；(3)构建聚类特征矩阵：针对每一个聚类C_j＝{p_j,k|k＝1,2,...,m_j}当中包含的第k个超像素p_j,k，提取该超像素中每一个像素点的颜色、边缘和纹理特征构建该像素点的特征向量，其维数为M＝53，并利用超像素p_j,k中所有像素特征向量的均值向量x_j,k作为该超像素的特征，构建聚类C_j的特征矩阵为(4)计算所有超像素的颜色对比度，并根据超像素颜色对比度由大到小对超像素特征进行排序，得到低秩表示算法的字典D；(5)根据上述特征矩阵Xj和字典D构建联合低秩表示模型：s.t.Xj＝DZj+Ej其中，Z_j为低秩表示系数，E为重构误差矩阵，λ是权衡低秩成分和稀疏成分之间的一个常量因子，||·||_*为矩阵核范数，表示矩阵的所有奇异值之和，||E||_2,1为重构误差矩阵E＝[E₁,E₂,...,E_j]的l_2,1范数，且E(u,v)表示E的第u行第v列元素；求解上述联合低秩表示模型，对聚类C_j的特征矩阵X_j进行低秩稀疏分解，得到低秩表示系数的最优解集合(6)利用聚类C_j对应的低秩表示系数计算该聚类的显著性因子L(C_j)：其中，是低秩表示系数矩阵的前m行，是低秩表示系数矩阵的后m行，||·||_1,1表示矩阵的l_1,1范数，即|A(u,v)|表示A的第u行第v列元素的绝对值；(7)将每一个聚类Cj的显著性因子L(Cj)按照其空间位置映射到输入图像I中，得到输入图像I的显著图。