本發(fā)明屬于計(jì)算機(jī)圖像處理領(lǐng)域，涉及一種基于被包圍狀態(tài)和貝葉斯模型的圖像顯著性檢測方法。

背景技術(shù)：

近年來，圖像的顯著性檢測作為計(jì)算機(jī)視覺領(lǐng)域的一個(gè)重要方向受到國內(nèi)外研究人員的普遍關(guān)注。當(dāng)前的方法主要發(fā)展為兩個(gè)方向：自底向上(非監(jiān)督)和自頂向下(監(jiān)督)。

目前的自底向上的顯著性檢測方法主要有：基于超像素的聚類的顯著性檢測，它主要利用超像素之間的相似性進(jìn)行聚類得到顯著圖；基于圖割的多層自適應(yīng)區(qū)域融合方法，在這個(gè)方法中，利用超像素對圖像建立圖割模型，初始化自適應(yīng)參數(shù)，通過自適應(yīng)參數(shù)的逐層調(diào)整得到多層初始顯著圖，最后融合所有的初始顯著圖得到最終的顯著圖；基于貝葉斯框架的顯著性檢測，它通過處理基于像素為單位每一個(gè)像素，結(jié)合凸包和貝葉斯模型計(jì)算每個(gè)像素的顯著值得到顯著圖；基于背景先驗(yàn)和吸收馬爾可夫鏈的顯著性檢測方法，它主要是把圖像的四周邊界作為背景先驗(yàn)，利用吸收馬爾可夫鏈進(jìn)行吸收處理得到每個(gè)超像素的顯著值，從而計(jì)算得到顯著圖。

自底向上的顯著性檢測方法還有很多，分析上面提到的幾種方法我們可以得出自底向上的顯著性檢測的幾個(gè)主要特征。自底向上的顯著性檢測方法需要先驗(yàn)知識(shí)的挖掘、基于圖像的圖模型的建立以及對應(yīng)數(shù)學(xué)模型的建立等。比如對比度先驗(yàn)、背景先驗(yàn)和貝葉斯框架的建立等。

技術(shù)實(shí)現(xiàn)要素：

針對現(xiàn)有技術(shù)存在的問題，本發(fā)明提出一種基于被包圍狀態(tài)和貝葉斯模型的圖像顯著性檢測方法，目的在于更加準(zhǔn)確、高效、快速的檢測出圖像中的顯著性物體。

本發(fā)明的技術(shù)方案為：

一種基于被包圍狀態(tài)和貝葉斯模型的圖像顯著性檢測方法，包括以下步驟：

第一步，計(jì)算包括顯著物體的注視區(qū)域

1.1)采用公式(1)計(jì)算得到一組二值圖；

其中，fφ是用于特征通道采樣的先驗(yàn)分布函數(shù)；是用于在特征通道θ上進(jìn)行閾值采樣的先驗(yàn)分布函數(shù)；φ(i)是定義的一個(gè)特征圖，φ(i)∈[0,1]；bi是產(chǎn)生的二值圖，i＝1,2,…..,16。

1.2)基于步驟1.1)得到的二值圖，對二值圖進(jìn)行激活，激活二值圖中的被包圍區(qū)域；

m⁺(b)＝m(b)∧b,(2)

二值圖中包含多個(gè)連通分支，當(dāng)一個(gè)像素被包含于邊界連通分支中時(shí)，那么這個(gè)像素是沒有被包圍的。基于這一準(zhǔn)則，以二值圖的邊界像素節(jié)點(diǎn)作為種子，利用注入填充算法(floodfillalgorithm)高效的覆蓋沒有被包圍的像素，從而得到激活圖m(b)；激活圖m(b)把所有被包圍的像素值設(shè)為1，沒有被包圍的值設(shè)為0；最后利用公式(2)和公式(3)對激活圖m(b)進(jìn)行處理得到兩個(gè)子激活圖m⁺(b)、m^-(b)。

1.3)計(jì)算得到包括顯著物體的注視區(qū)域

根據(jù)步驟1.2)得到的兩個(gè)子激活圖，利用公式(4)計(jì)算得到每一個(gè)二值圖的初始注視圖，再利用公式(5)對得到的二值圖的初始注視圖進(jìn)行歸一化處理，得到最終的注視圖，所述的注視圖為得到的包括顯著物體的注視區(qū)域；

其中，m⁺(b)和m^-(b)為步驟1.2)得到的子激活圖；a(b)是經(jīng)計(jì)算得到的初始注視圖，i＝1,2,…..,16；為計(jì)算得到的最終注視圖。

第二步，建立超像素圖的模型

2.1)利用簡單線性迭代聚類(slic)算法對初始圖像進(jìn)行圖像處理，得到一幅圖像的超像素圖。

2.2)超像素節(jié)點(diǎn)之間邊的建立以及邊的權(quán)重的計(jì)算

基于步驟2.1)得到的超像素圖，以每一個(gè)超像素作為節(jié)點(diǎn)，在相鄰超像素之間建立邊的連接關(guān)系；如果不相鄰的兩個(gè)超像素與同一超像素連接，那么對這兩個(gè)超像素建立邊的連接關(guān)系。

利用公式(6)計(jì)算超像素圖中連接的兩個(gè)超像素節(jié)點(diǎn)之間的權(quán)重wi,j。

其中，ci和cj表示兩個(gè)超像素的特性均值；σ²是一個(gè)平衡參數(shù)，在實(shí)驗(yàn)中設(shè)置為0.1。

2.3)建立超像素圖的模型g＝(v,e)；其中，v是超像素節(jié)點(diǎn)的集合，e是建立的邊的集合。

第三步，基于ncut對超像素進(jìn)行聚類得到三層聚類結(jié)果和

3.1)ncut模型的建立

基于第二步得到的超像素圖的模型g，定義w＝(ωij)mm作為超像素圖的模型g的鄰接矩陣，其中m＝200,表示超像素的數(shù)量；是超像素圖的模型g的度矩陣，其中得到超像素圖的模型g的拉普拉斯矩陣l＝d-w。對于兩個(gè)子集a和b之間割的花費(fèi)定義如下：

定義為a的補(bǔ)集，給定m個(gè)子集，ncut可以計(jì)算出m個(gè)子集之間割的最小值，定義如下：

由于公式(8)是一個(gè)np問題，可以為每一個(gè)ai定義一個(gè)指示向量，這個(gè)指示向量可以通過求d^-1l的前q個(gè)最小的特征向量得到，從而可以求解公式(8)，其中，q＝9。

3.2)利用ncut得到聚類信息

定義求解d^-1l的前q個(gè)最小的特征向量為v1,v2,...,vq，對應(yīng)的特征值為λ1,λ2,...,λq。在圖g中，如果超像素si和sj是鄰接的，利用公式(10)重新構(gòu)建它們之間關(guān)系權(quán)重。

3.3)計(jì)算得到三層聚類結(jié)果和

定義三個(gè)閾值t1,t2和t3，其中t1＜t2＜t3。對于兩個(gè)不同的區(qū)域，如果區(qū)域i和區(qū)域j之間的dij≤t1，那么合并這兩個(gè)區(qū)域?yàn)橐粋€(gè)區(qū)域，經(jīng)過計(jì)算可得到第一層聚類結(jié)果基于第一層聚類結(jié)果將閾值設(shè)置為t2，經(jīng)計(jì)算可得到第二層聚類結(jié)果同樣的方法，設(shè)置閾值為t3，經(jīng)計(jì)算得到第三層聚類結(jié)果。最終，經(jīng)過以上計(jì)算從而得到三層聚類結(jié)果和

第四步，利用貝葉斯模型對每一層聚類結(jié)果進(jìn)行處理，得到圖像的三層初始顯著圖。

4.1)先驗(yàn)圖的計(jì)算

對于聚類集中每個(gè)像素的先驗(yàn)顯著性概率有如下定義

其中，cluster定義一個(gè)聚類集合，att定義第一步(1.3)計(jì)算得到的注視圖區(qū)域。

4.2)觀測似然度的計(jì)算

在第一步中計(jì)算出的注視區(qū)域?qū)D像分割為不相交兩部分，定義注視區(qū)域?yàn)閕，其余部分為o。觀測似然概率的計(jì)算有如下定義

其中，ni定義了區(qū)域i中像素的數(shù)量，no定義了區(qū)域o中像素的數(shù)量，f(v)定義了像素v在cielab顏色空間的呈現(xiàn)，ni(f(v))和no(f(v))定義了ni包含f(v)以及no包含f(v)的數(shù)量。

4.3)初始顯著圖的計(jì)算

利用貝葉斯框架，可以計(jì)算出圖像中每一個(gè)像素的顯著概率，從而得到初始的顯著圖，通過如下公式定義可計(jì)算出初始顯著圖

p(bk)＝1-p(sal)(15)

對于三層聚類結(jié)果，經(jīng)過以上步驟的計(jì)算可得到三層初始顯著圖和

第五步，融合三層初始顯著圖，計(jì)算得到最終的顯著圖。

5.1)最終顯著圖的計(jì)算

通過融合以上步驟所計(jì)算出的三層初始顯著圖，利用公式(16)可計(jì)算出最終的顯著圖

本發(fā)明的有益效果為：該方法區(qū)別于已有方法的特色在于，利用被包圍狀態(tài)預(yù)測人眼的注視區(qū)域，檢測出顯著物體的大致區(qū)域。接著用ncut對超像素進(jìn)行三層聚類得到三層聚類結(jié)果?；谧⒁晠^(qū)域和三層聚類結(jié)果，利用貝葉斯模型計(jì)算出三層初始顯著圖，最后融合三個(gè)初始顯著圖得到最終的顯著圖。該方法的顯著性檢測結(jié)果更接近真值。

附圖說明

圖1是本發(fā)明方法的流程示意圖。

圖2是幾種不同方法的顯著性檢測結(jié)果對比圖。(a)待檢測圖片；(b)xl方法檢測結(jié)果；(c)mr方法檢測結(jié)果；(d)hs方法檢測結(jié)果；(e)ms方法檢測結(jié)果；(f)本發(fā)明的檢測結(jié)果；(g)真值。

圖3是本發(fā)明與其他顯著性檢測方法在msra標(biāo)準(zhǔn)數(shù)據(jù)庫上的mae(平均絕對誤差)對比。

具體實(shí)施方法

下面結(jié)合附圖對本發(fā)明的實(shí)施方式進(jìn)行詳細(xì)說明。本實(shí)施例以本發(fā)明技術(shù)方案為前提進(jìn)行實(shí)施，給出了詳細(xì)的實(shí)施方式和具體的操作過程，但本發(fā)明的保護(hù)范圍不限于下述的實(shí)施例。

在msra標(biāo)準(zhǔn)數(shù)據(jù)庫上對提出的算法進(jìn)行測試，其中msra數(shù)據(jù)庫中包含了1000張圖片，圖片中包含了各種背景復(fù)雜場景，數(shù)據(jù)庫復(fù)雜度較高，目標(biāo)大小、形狀、位置各異，對顯著性檢測具有很大的挑戰(zhàn)性。這個(gè)數(shù)據(jù)庫都有對應(yīng)的人工標(biāo)定的顯著性目標(biāo)區(qū)域圖。

圖1是本發(fā)明的流程示意圖；圖2是本發(fā)明與其他不同算法的顯著性檢測結(jié)果對比圖；圖3是本發(fā)明與其他不同顯著性檢測算法在msra標(biāo)準(zhǔn)數(shù)據(jù)庫上的mae(平均絕對誤差)對比圖。實(shí)現(xiàn)本算法的具體步驟為：

步驟1，計(jì)算顯著物體的大致區(qū)域

1.1：二值圖的計(jì)算如下所示

其中fφ是用于特征通道采樣的先驗(yàn)分布函數(shù)，是用于在特征通道θ上進(jìn)行閾值采樣的先驗(yàn)分布函數(shù)，φ(i)定義了一個(gè)特征圖，φ(i)∈[0,1]，bi是產(chǎn)生的二值圖。

1.2：激活圖的計(jì)算

基于先前計(jì)算得到的二值圖，對二值圖進(jìn)行處理激活二值圖中的被包圍區(qū)域。

m⁺(b)＝m(b)∧b,(2)

二值圖中包含多個(gè)連通分支，當(dāng)一個(gè)像素被包含于邊界連通分支中時(shí)，那么這個(gè)像素是沒有被包圍的?；谶@一準(zhǔn)則，以邊界節(jié)點(diǎn)作為種子，利用注入填充算法(floodfillalgorithm)可以高效的覆蓋掉沒有被包圍的像素，從而得到激活圖m(b)，它把所有被包圍的像素值設(shè)為1，沒有被包圍的值設(shè)為0。接著利用公式(2)(3)對激活圖進(jìn)行處理得到兩個(gè)子激活圖。

1.3：計(jì)算得到顯著物體的大致區(qū)域

其中，基于上一步得到的子激活圖，利用公式(4)計(jì)算出每一個(gè)二值圖的注視圖，基于得到的每一個(gè)二值圖的注視圖，利用公式(5)進(jìn)行歸一化處理得到最終的注視圖，這個(gè)注視圖就是我們要得到的顯著物體的大致區(qū)域。

步驟2，建立圖像的圖模型

2.1：計(jì)算得到初始超像素

利用簡單線性迭代聚類(slic)算法對圖像處理，得到一幅圖像的超像素圖。slic算法是基于兩個(gè)像素的顏色相似性和坐標(biāo)距離進(jìn)行聚類得到最終的超像素。

2.2：圖模型中節(jié)點(diǎn)和邊的構(gòu)建

基于2.1中得到的超像素圖，以每一個(gè)超像素作為圖中節(jié)點(diǎn)，相鄰超像素之間建立連接關(guān)系。如果不相鄰的兩個(gè)超像素和同一超像素鄰接，那么對這兩個(gè)超像素建立鄰接關(guān)系。

利用公式(6)可計(jì)算圖中連接的兩個(gè)節(jié)點(diǎn)之間的權(quán)重，其中ci和cj表示兩個(gè)超像素的特性均值，σ²是一個(gè)平衡參數(shù)，在實(shí)驗(yàn)中設(shè)置為0.1。

最后，我們建立了圖的模型g＝(v,e)，其中，v是超像素節(jié)點(diǎn)的集合，e是建立的邊的集合。

步驟3：基于ncut對超像素進(jìn)行聚類得到三層聚類結(jié)果和

3.1：歸一化割模型的建立

基于步驟2得到的圖g，定義w＝(ωij)mm是它的鄰接矩陣，其中m＝200,是超像素的數(shù)量；是它的度矩陣，其中可得到圖g的拉普拉斯矩陣l＝d-w。對于兩個(gè)子集a和b之間割的花費(fèi)有如下定義

定義為a的補(bǔ)集，給定m個(gè)子集，ncut可以計(jì)算出m個(gè)子集之間割的最小值。有如下定義

由于公式(8)是一個(gè)np問題，可以為每一個(gè)ai定義一個(gè)指示向量，這個(gè)指示向量可以通過求d^-1l的前q個(gè)最小的特征向量得到，從而可以求解公式(8)，其中，q＝9。

3.2：利用歸一化割得到聚類信息

定義求解d^-1l的前q個(gè)最小的特征向量為v1,v2,...,vq，對應(yīng)的特征值為λ1,λ2,...,λq。在圖g中，如果超像素si和sj是鄰接的，利用公式(10)重新構(gòu)建它們之間關(guān)系權(quán)重。

3.3：計(jì)算得到三層聚類結(jié)果和

定義三個(gè)閾值t1,t2和t3，它們的值分別為0.04，0.09和0.15。對于兩個(gè)不同的區(qū)域，如果區(qū)域i和區(qū)域j之間的dij≤0.04，那么合并這兩個(gè)區(qū)域?yàn)橐粋€(gè)區(qū)域，經(jīng)過計(jì)算可得到第一層聚類結(jié)果基于第一層聚類結(jié)果將閾值設(shè)置為0.09，經(jīng)計(jì)算可得到第二層聚類結(jié)果同樣的方法，設(shè)置閾值為0.15，經(jīng)計(jì)算得到第三層聚類結(jié)果。最終，經(jīng)過以上計(jì)算從而得到三層聚類結(jié)果和

步驟4：利用貝葉斯模型對每一層聚類結(jié)果進(jìn)行處理，得到圖像的三層初始顯著圖

4.1：先驗(yàn)圖的計(jì)算

對于聚類集中每個(gè)像素的先驗(yàn)顯著性概率有如下定義

其中，cluster定義了一個(gè)聚類集合，att定義了第一步(1.3)計(jì)算得到的注視圖區(qū)域。

4.2：觀測似然度的計(jì)算

在第一步中計(jì)算出的注視區(qū)域?qū)D像分割為不相交兩部分，定義注視區(qū)域?yàn)閕，其余部分為o。觀測似然概率的計(jì)算有如下定義

其中，ni定義了區(qū)域i中像素的數(shù)量，no定義了區(qū)域o中像素的數(shù)量，f(v)定義了像素v在cielab顏色空間的呈現(xiàn)，ni(f(v))和no(f(v))定義了ni包含f(v)以及no包含f(v)的數(shù)量。

4.3：初始顯著圖的計(jì)算

利用貝葉斯框架，可以計(jì)算出圖像中每一個(gè)像素的顯著概率，從而得到初始的顯著圖，通過如下公式定義可計(jì)算出初始顯著圖

p(bk)＝1-p(sal)(15)

對于三層聚類結(jié)果，經(jīng)過以上的計(jì)算可得到三層初始顯著圖和

步驟5：融合三層初始顯著圖，計(jì)算得到最終的顯著圖

5.1：最終顯著圖的計(jì)算

通過融合以上步驟所計(jì)算出的三層初始顯著圖，利用公式(16)可計(jì)算出最終的顯著圖