[发明专利]一种基于超像素关联性增强Adaboost分类学习的显著性检测方法

摘要

本发明公开了一种基于超像素关联性增强Adaboost分类学习的显著性检测方法，属于图像处理领域。首先，生成基于背景的显著图，由超像素在颜色特征空间和位置空间上的全局对比度得到。然后在背景显著图基础上，采用K‑最近邻算法作为弱分类器，使用AdaBoost算法进行增强学习，得到一个强学习的分类器，对图像超像素进行分类，得到分类显著图，并使用邻居超像素关联矩阵分别对背景显著图和分类显著图进行优化。最后对分类后得到的显著图和背景显著图进行加权融合，生成最终的显著图。该发明在PASCAL数据集上进行测试，能够得到较好的显著性检测结果。显著性分析结果可用于促进图像分割、对象检测与跟踪、头像分析理解等应用。

主权项

1.一种基于超像素关联性增强AdaBoost分类学习的显著性检测方法，其特征在于，步骤如下：步骤1：生成背景显著图并用超像素关联矩阵进行优化生成背景显著图：确定背景超像素种子，将背景超像素种子依据颜色特征分类聚簇；依据空间位置W、CIELab、HSV和纹理T_e四个特征，将非背景超像素与上述各分类聚簇的背景超像素种子进行对比度计算，生成背景显著图S_BG；用超像素关联矩阵对背景显著图进行优化：在空间位置W、CIELab、HSV和纹理T_e上建立超像素关联矩阵其中N_p为超像素数；邻居超像素在上述四个特征间具有关联性，采用欧式距离判定邻居超像素关联性，公式为：其中，feat(i)、feat(j)分别为超像素i和超像素j的HSV颜色特征，n(i)为超像素i的邻居超像素集合，σ₁为常量；对背景显著图S_BG进行优化，优化公式为：其中，步骤2：对背景显著图的超像素进行分类2‑1获取分类样本：为同一张背景显著图选取两个阈值：目标超像素阈值T_f和背景超像素阈值T_b；阈值是由OTSU方法依据超像素的显著性值确定，然后赋予两个不同的权重，设定目标阈值权重ρ_f＝1.45，背景阈值权重ρ_b＝0.95；背景显著图中显著性值大于目标超像素阈值T_f的超像素为目标超像素，定义其类别标签label＝1，同理小于T_b的确定为背景超像素，定义其类别标签label＝‑1，处于两者之间的为待分类样本；将确定的目标超像素和背景超像素作为分类器训练样本，表示为X:{x₁,x₂,...,x_n}，对应类别集合表示为label:{label(x_i)|x_i∈X,label∈{1,‑1}}；2‑2构造弱分类器：即K‑最近邻分类器KNN；KNN算法中一个超像素的邻近超像素是由该超像素与其他超像素在空间位置、纹理、CIELab和HSV四个特征的欧式距离来确定的；KNN算法中邻近超像素选取个数用K_N表示；KNN算法中的测试集中超像素i与训练集中超像素j在特征feat上的欧式距离表示为：D_feat＝||Test_feat(i)‑Train_feat(j)||  (10)其中，Test_feat(i)、Train_feat(j)分别为测试集中超像素i和训练集中超像素j的feat特征，feat∈{CIELab,HSV,T_e,W}，此处的测试集为在样本集合X中随机选取的一部分样本，样本集合X中剩余部分样本作为此处的训练集；选取前K_N个最小D_feat值所对应的超像素j作为超像素i的K_N个最近邻超像素；分别计算K_N个超像素中目标超像素个数NUM_label＝1和背景超像素个数NUM_label＝‑1，如果NUM_label＝1≥NUM_label＝‑1，则超像素i为目标超像素，反之为背景超像素；最后计算分类误差率ε；采用10折交叉验证算法，选取平均分类误差率最小时的K_N值作为KNN算法的最优K_N值；2‑3构造强分类器：采用AdaBoost增强学习算法，在训练样本上对步骤2‑2中构造的弱分类器进行迭代训练得到多个弱分类器，把多个弱分类器依据权重融合成一个强分类器；首先，按如下方法改进样本初始权重分布：其中，|X_positive|为目标超像素个数，|X_negaive|为背景超像素个数，label(x_i)为样本x_i的初始类别标签；其次，使用初始权重分布，对弱分类器进行训练学习；设定T轮训练，针对图像四个特征及分别对应的K_N值，每轮训练得到四个单特征的弱分类器，选取使误差率ε_t最小的弱分类器，作为本轮训练的最优弱分类器；第t轮训练得到的最优弱分类器可表示为h_t；最后，计算弱分类器权重并更新样本初始权重；第t轮弱分类器h_t权重计算公式为：其中，其中N为样本数,h_t(x_i)为第t个弱分类器对样本x_i的分类输出；样本权重更新公式为：组成强分类器：步骤3：生成分类显著图并使用超像素关联矩阵进行优化3‑1使用步骤2中生成的强分类器对步骤1中生成的背景显著图中的超像素进行分类，对分类后的超像素重新赋予显著性值，使目标更突出；计算公式如下：其中，δ₁，δ₂为常量；3‑2对步骤3‑1中生成的分类显著图进行关联矩阵优化，同步骤1中对背景显著的优化，对分类显著图优化公式为：步骤4：生成融合显著图最后一步是把步骤1生成的背景显著图和步骤3‑2生成的分类显著图进行加权融合，生成最终的显著图；融合公式为：其中，β₁+β₂＝1。