[发明专利]一种基于被包围状态和马尔可夫模型的图像显著性检测方法

摘要

本发明提出了一种基于被包围状态和马尔可夫模型的图像显著性检测方法，目的在于检测出图像中的显著性物体。首先，利用被包围状态对眼睛注视点预测得到显著性物体的大致区域。其次，使用简单线性迭代聚类算法对原始图像处理得到图像的超像素图，基于超像素建立图像的图模型。然后，以检测出的显著性物体大致区域的超像素作为前景先验，利用吸收马尔可夫链检测出初始的显著性图S1。接下来，将离预测显著性物体大致区域最远的两条边界的超像素作为背景先验，利用吸收马尔可夫链检测出初始的显著图S2。最后，结合S1和S2得到最终的显著图。该方法能够找到图像中显著物体，同时提高了显著性检测的准确率。

主权项

1.一种基于被包围状态和马尔可夫模型的图像显著性检测方法，其特征在于以下步骤：第一步，计算显著物体的大致区域第二步，建立超像素图的模型2.1)利用简单线性迭代聚类SLIC算法对初始图像进行图像处理，得到一幅图像的超像素图；2.2)建立超像素节点之间边的连接关系和计算边的权重利用公式(6)计算超像素图中连接的两个超像素节点之间的权重w_i,j；其中，c_i和c_j表示两个超像素的特性均值；σ²为平衡参数，设置为0.1；2.3)建立超像素图的模型G＝(V,E)；其中，V是超像素节点的集合，E是建立的边的集合；第三步，以检测出的显著性物体的大致区域中的超像素作为前景先验，利用吸收马尔可夫链检测出初始的显著性图S13.1)构建转移矩阵对第二步得到的图模型G中的节点进行重新排列，前t个节点为转移节点，后r个节点为吸收节点；其中，吸收节点为检测出的显著物体大致区域中的超像素，如公式(7)所示，定义关联矩阵C，c为C中的成员；若关联矩阵中若c_i和c_j都是转移节点并且有边连接，那么c_ij＝w_ij；若c_i为吸收节点，那么c_ii＝1；c_ij的完整定义如下所示：定义度矩阵D＝diag(∑_j c_ij)，通过度矩阵D和关联矩阵C，由公式(8)计算得到转移矩阵P；其中，Q为一个t×t的矩阵；R为一个t×r的非零矩阵；0为一个r×t的零矩阵；I为一个r×r的单位矩阵；3.2)利用吸收马尔可夫链检测初始显著图S1定义吸收概率矩阵为：对每个转移节点的吸收概率进行从大到小排序，取前0.8倍的吸收概率的平均值作为转移节点的吸收概率fs(i)；定义吸收节点的显著性值为1，转移节点的显著性值sal(i)＝exp(fs(i))·(1‑fs(i))；通过计算得到每个节点的显著性值，最终得到初始显著图S1；第四步，利用第一步计算得到的显著物体的大致区域，将距离预测显著性物体大致区域最远的两条边界的超像素作为背景先验，即作为吸收马尔可夫链的吸收节点，利用吸收马尔可夫链检测出初始的显著图S2，其他计算初始显著图S2的步骤和第三步相同；第五步，利用公式S＝0.5(S1+S2)，融合初始显著图S1和S2得到最终显著图S。