[发明专利]基于加权低秩矩阵恢复模型的显著性目标检测方法与系统

摘要

本发明公开了一种基于加权低秩矩阵恢复模型的显著性目标检测方法与系统，为了提高图像中前景与背景分离的准确度，该方法通过运用图像的颜色、位置和边界联系等属性，预估一个高级背景先验图，然后将这个先验图组合成一个加权矩阵来估计图像每个区域属于背景的可能性。通过加权的低秩矩阵恢复，可以将背景和显著性目标进行有效的分离，即使是对于前景与背景的外观相似时，以及前景占据了大部分图像时，也能够很好的进行工作。

主权项

1.一种基于加权低秩矩阵恢复模型的图像显著性目标检测方法，其特征在于，包括以下步骤：S1、对于给定的输入图像，运用超像素分割方法将它分割成N个不重叠的超像素区域p1、p2、...、pN；N为大于1的正整数；S2、对于每一个超像素区域pi，提取出一个D维特征向量，表示为fi∈RD，然后通过集成所有的特征向量来获得图像特征矩阵F＝[f1,f2,…fN]∈RD；其中，D为正整数；S3、运用位置、颜色和边界连通性属性，将每个超像素区域pi的位置、颜色和边界连通性属性融合在一起生成一个高级背景先验图，然后将所有的高级背景先验图一起转换成为一个加权矩阵W；S4、将图像特征矩阵F分解成一个代表冗余的背景信息的低阶矩阵L和一个代表显著部分的稀疏矩阵S，分解时的目标函数为约束条件为：WοF＝WοL+S；其中，||·||_*表示矩阵的核范数，它是秩函数的凸松弛，被定义为矩阵奇异值的和，||·||₁表示矩阵的l₁范数，ο表示两个矩阵的元素相乘，λ是平衡L和S的权衡参数，且大于零；S5、将每个超像素区域的显著性值还原映射到超像素区域在所述输入图像中的位置并进行平滑处理，得到最终的显著图；其中，超像素Pi的显著值为稀疏矩阵S的第i列的l1范数。