[发明专利]一种基于稀疏表示的视觉显著性检测方法

摘要

本发明公开了一种基于稀疏表示的视觉显著性检测方法，首先，通过鉴别性字典学习和分析，对字典中包含显著性特征的原子和不含显著性特征的原子进行分类，从而构建得到多个鉴别性字典；其次，通过对各图像块在鉴别性字典下的稀疏编码系数的分析，对各图像块所属的类别进行分类，区分出含有视觉显著性特征的前景图像块和不含显著性特征的背景图像块；然后，通过对各图像块的稀疏重建误差的分析，从鉴别性字典中去除对前景图像块重构能力强，而对背景图像块重构能力弱的原子；最后，进行显著图计算。本发明通过深入挖掘稀疏表示模型本身来实现视觉显著性检测，故可以获得比传统基于稀疏表示的显著性检测方法更加精确的结果。

主权项

1.一种基于稀疏表示的视觉显著性检测方法，其特征在于，包括如下步骤：步骤一：通过鉴别性字典学习和分析，对字典中包含显著性特征的原子和不含显著性特征的原子进行分类，从而构建得到多个鉴别性字典；步骤二：通过对各图像块在鉴别性字典下的稀疏编码系数的分析，对各图像块所属的类别进行分类，区分出含有视觉显著性特征的前景图像块和不含显著性特征的背景图像块；步骤三：通过对各图像块的稀疏重建误差的分析，从鉴别性字典中去除对前景图像块重构能力强，而对背景图像块重构能力弱的原子；步骤四：进行显著图计算；通过鉴别性字典学习和分析，对字典中包含显著性特征的原子和不含显著性特征的原子进行分类，从而构建得到多个鉴别性字典，其操作过程如下：(1)基于随机采样的多字典学习；首先，在每一次随机采样过程中，用一个中心处于图像区域内部任意像素位置，大小为m×n的窗口对待测图像进行随机采样，得到一组小图像块S＝[s1,…,sK]；其中，si∈Rm×n代表第i个图像块，K为图像块的总数；接着，用ICOPP模型来提取每个图像块的特征，从而得到特征矩阵F＝[f1,…,fK]∈Rp×K；其中，fi代表图像块si的特征列向量；然后，对特征矩阵每一列进行归一化操作，从而得到过完备字典D∈Rp×K，K＞p；字典D中的每个原子di是一个模值为1的单位向量，具体的归一化过程如下式所示：最后，重复上述步骤Ns次，从而得到Ns个过完备字典D，每个过完备字典用Di表示，i＝1,…,Ns；其中，每一个字典都是通过一组经独立随机采样获得的图像块训练得到；(2)进行基于原子内积的字典原子分类；第一，计算字典D中每个原子相对于其它所有原子的内积和，即：其中，ρi代表第i个原子di相对于其它所有原子的内积总和，<·,·>表示内积运算；故对于字典D，通过上述运算可以得到一个内积和集合P＝[ρ1,…,ρK]；第二，由于字典中显著性原子的个数远远小于非显著性原子的个数，故显著性原子的内积和将会明显小于非显著性原子的内积和；基于这个假设，可以通过如下方法来区分出字典中的显著性原子和非显著性原子：其中，选取的显著性原子的数量值设为KS＝K×salAtomRatio，salAtomRatio∈[0,1]代表选取的显著性原子数量占整个字典原子数量的百分比；由于显著性原子的数量明显低于非显著性原子的数量，且为了确保KS为整数，故设salAtomRatio＝0.15；第三，将显著性原子和非显著性原子分别存入显著性原子集和非显著性原子集最后，可以求得一个新字典Dnew，即：Dnew＝[salAtomSet,nonsalAtomSet]∈Rp×K由于字典Dnew中的每个原子都有一个标签，故字典Dnew具有鉴别能力；因此，通过对字典D₁,…,进行原子内积分析，最终可以得到N_S个鉴别性字典Dnew₁,…,