[发明专利]基于区域增长和眼动模型的全景图像显著性检测方法

摘要

本发明公布了一种基于区域增长和眼动模型的全景图像显著性检测方法，使用区域生长和固定预测模型，实现全景图像的自动突出物体检测；包括：针对原始图像进行基于区域增长的检测，通过区域增长算法粗略提取与其邻居相比具有显著不同密度的区域，得到密度重大差异区域；通过眼动固定点预测，得到突出区域的显著性值；进行最大值归一化后求和；采用优化测地线方法，使得更均匀地增强突出区域；即检测得到全景图像的显著性。本发明方法能够解决现有方法的显著性检测精确度、健壮性不够，不适用于全景图片的问题，使全景图像中的显著性区域更精准地显现出来，为后期的目标识别和分类等应用提供精准且有用的信息。

主权项

1.一种基于区域增长和眼动模型的全景图像显著性检测方法，使用区域生长和固定预测模型，实现全景图像的自动突出物体检测；包括如下步骤：/n1)针对原始图像进行基于区域增长的检测，通过区域增长算法粗略提取与其邻居相比具有显著不同密度的区域，得到密度重大差异区域，即突出区域；/n2)通过眼动固定点预测，得到突出区域的显著性值；包括如下步骤：/n21)使用眼固定模型进行分析，得到显著性区域；/n22)采用频域中的固定预测模型快速扫描图像，并粗略地定位吸引人们关注的地方；/n23)采用签名模型，通过计算重构图像表示X的DCT变换；X为变换域中的混合信号；签名模型被定义为IS(X)，表示为式1：/nIS(X)＝sign(DCT(X)) (式1)/n通过平滑重建图像形成显著性图像S_m，表示为式2：/n /n其中，g表示高斯内核；/n24)将提取出的突出区域与图像签名产生的显著性图像S_m进行组合，通过对其中所有像素的显著性进行平均，分配所提取出的突出区域的显著性值；/n3)进行最大值归一化后求和；/n4)采用优化测地线方法，使得更均匀地增强突出区域，具体步骤如下：/n首先根据线性频谱聚类方法将输入图像分割成多个超像素，并通过对其中所有像素的后验概率值Sp进行平均来计算每个超像素的后验概率；对于第j个超像素，如果其后验概率被标记为S(j)，则第q个超像素的显著值通过测地距离被优化如式4：/n /n其中，J是超像素的总数；w_qj为第q个超像素和第j个超像素之间测地距离的权重值；/n已有一个无向的权重图连接所有相邻的超像素(ak，ak+1)，该无向图的权重dc(ak，ak+1)分配为其显著性值之间的欧几里得距离；将两者之间的测地距离超像素dg(p，i)定义为累积边图上最短路径的权重，表示为式5：/n /n然后，将权重δ_pi定义为式6：/n /n式6中，δ_pi为第p个超像素和第i个超像素之间测地距离的权重值；σ_c为d_c的偏差；d_g(p,j)为像素p和j之间的测地距离；/n经过上述步骤，即检测得到全景图像的显著性。/n