[发明专利]多线性示例回归器聚合的图像显著对象分割方法

摘要

本发明公开了多线性示例回归器聚合的图像显著对象分割方法，包括：通过构建图像显著基准数据集，分析总结出显著对象以及非显著对象的属性与特点；使用背景先验并构建二次优化问题计算初始显著概率图，根据该初始概率图选择最可信前景与背景种子点，随后通过局部线性嵌入算法进行流形保持的前景度传播，生成最终前景度概率图；随后，通过似物性采样方法对图像生成对象候选集，使用形状、前景度以及关注度三种特征来表征每一个候选对象，并对每一张训练图像训练线性示例回归器以表征该张图像的特定显著方式；最后，将多个线性示例器进行聚合，对测试图像的候选对象集计算显著值，形成一个能处理各种复杂场景的图像显著对象分割模型。

主权项

1.多线性示例回归器聚合的图像显著对象分割方法，其特征在于，该方法包含以下步骤：步骤(1)、分析构建图像显著基准数据集中的显著对象与非显著对象，总结并定义非显著对象和显著对象各自的本质视觉属性；步骤(2)、基于超像素划分，使用背景先验假设条件，结合局部线性嵌入算法，指导流形保持的前景度传播，联合生成图像前景度概率图；步骤(3)、基于前景度概率图、非显著对象以及显著对象的视觉属性特点，定义图像显著对象分割的步骤为：步骤(3.1)、将每一张训练图像利用似物性采样方法生成候选对象集，定义每一个图像候选对象的特征描述，包括几何形状特征，前景度特征以及关注度特征；步骤(3.2)、将该张训练图像的候选对象当成训练样本，并设定正负样本，基于线性支持向量机，构建线性示例回归器；步骤(3.3)、定义多线性示例回归器聚合方式，对每一测试图像的候选对象自适应判断其显著值，使得更好抑制非显著对象，凸显显著对象，完成图像显著对象分割；步骤(2)中的前景度概率图，首先将图像划分为超像素，然后引入背景先验假设条件，构建二次优化问题，求解出初始前景度概率图，自适应选取阈值，选取最可信前景与背景种子点；然后利用局部线性嵌入算法，构建每个超像素与特征空间中最近邻的线性关系，结合可信种子点进行流形保持的前景度传播，可凸显显著对象并抑制包含有多相似对象的候选背景对象，得到最终前景度概率图。