本發(fā)明涉及一種圖像視覺(jué)顯著性檢測(cè)方法，特別是涉及一種改進(jìn)的基于超像素的圖像顯著性檢測(cè)方法，屬于計(jì)算機(jī)視覺(jué)技術(shù)領(lǐng)域。

背景技術(shù)：

隨著信息技術(shù)的不斷發(fā)展，人們擁有大量的數(shù)據(jù)資源。其中，圖像資源因其直觀性，出現(xiàn)了前所未有的增長(zhǎng)速度，但是隨之而來(lái)的信息冗余問(wèn)題也成為了圖像處理的一大難題。視覺(jué)顯著性是人類視覺(jué)中非常重要的一部分，它通過(guò)過(guò)濾人眼所及之處的冗余信息，突出人們最感興趣(顯著性)的目標(biāo)，從而減少后續(xù)信息的處理量。目前，圖像顯著性檢測(cè)在圖像視頻壓縮、圖像檢索、目標(biāo)檢測(cè)和識(shí)別等領(lǐng)域有著廣泛的應(yīng)用。

根據(jù)圖像所要檢測(cè)的目標(biāo)是否基于任務(wù)驅(qū)動(dòng)，可以將顯著性檢測(cè)分為兩大類：無(wú)監(jiān)督的自下而上(bottom-up)方法和有監(jiān)督的自上而下(top-down)方法。近幾年的研究更加傾向于不需要基于任何任務(wù)，由數(shù)據(jù)本身驅(qū)動(dòng)的自下而上的顯著性檢測(cè)方法。

在自下而上方法的研究領(lǐng)域中，有很多經(jīng)典的方法相繼被提出，如早先的Itti算法，GBVS算法，SR算法，基于稀疏表示的算法等。其中，Itti、GBVS和SR這些經(jīng)典算法實(shí)現(xiàn)起來(lái)比較容易，也能夠產(chǎn)生較為清晰的顯著性圖，但是他們對(duì)諸如圖像的邊緣或噪聲等高頻部分，表現(xiàn)出了很大的敏感性，所以顯著圖像總是更傾向于突顯出目標(biāo)邊界輪廓，而目標(biāo)的內(nèi)部往往被抑制?；谙∈璞硎镜乃惴梢酝ㄟ^(guò)重構(gòu)誤差來(lái)定義圖像顯著性，但是這種方法不可避免的丟失了圖像內(nèi)在的一部分相關(guān)的信息，從而使檢測(cè)出的顯著目標(biāo)不準(zhǔn)確。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問(wèn)題是：提供一種改進(jìn)的基于超像素的圖像顯著性檢測(cè)方法，能夠均勻突出顯著對(duì)象，清晰保留顯著區(qū)域的邊緣信息，并較好的抑制背景的圖像視覺(jué)顯著性檢測(cè)方法。

本發(fā)明為解決上述技術(shù)問(wèn)題采用以下技術(shù)方案：

一種改進(jìn)的基于超像素的圖像顯著性檢測(cè)方法，包括如下步驟：

步驟1，利用簡(jiǎn)單線性迭代聚類方法對(duì)原始圖像進(jìn)行超像素分割，得到超像素分割結(jié)果；

步驟2，針對(duì)超像素分割結(jié)果，基于稀疏編碼模型計(jì)算超像素分割結(jié)果的重構(gòu)誤差，根據(jù)重構(gòu)誤差得到原始圖像的初始顯著圖；

步驟3，針對(duì)超像素分割結(jié)果，基于中心-邊緣思想對(duì)超像素分割結(jié)果進(jìn)行權(quán)重賦值，得到原始圖像的中心-邊緣權(quán)重圖；

步驟4，針對(duì)超像素分割結(jié)果，利用歸一化割方法進(jìn)行聚類，得到超像素歸一化聚類結(jié)果；

步驟5，將步驟2得到的初始顯著圖與步驟3得到的中心-邊緣權(quán)重圖，按比例1:1進(jìn)行加權(quán)融合，針對(duì)步驟4得到的超像素歸一化聚類結(jié)果，對(duì)每一個(gè)聚類區(qū)域，計(jì)算該區(qū)域包含的所有超像素融合結(jié)果的平均值，從而得到原始圖像的顯著圖。

作為本發(fā)明的一種優(yōu)選方案，步驟2所述超像素分割結(jié)果的重構(gòu)誤差計(jì)算公式為：

其中，e_i表示第i個(gè)超像素y_i的重構(gòu)誤差，D為Y＝[y₁,y₂,…,y_N]的稀疏表示的重構(gòu)字典，N為超像素的個(gè)數(shù)，x_i為y_i在字典D下的稀疏編碼系數(shù)。

作為本發(fā)明的一種優(yōu)選方案，所述步驟3的具體過(guò)程為：計(jì)算每一個(gè)超像素距離原始圖像中心位置的距離，用1減去歸一化后的距離值，將得到的值作為該超像素的權(quán)重，得到原始圖像的中心-邊緣權(quán)重圖。

作為本發(fā)明的一種優(yōu)選方案，所述計(jì)算每一個(gè)超像素距離原始圖像中心位置的距離的具體做法為：將每一個(gè)超像素中的所有像素坐標(biāo)的均值作為該超像素的空間位置，計(jì)算該空間位置到原始圖像中心位置的歐氏距離，得到每個(gè)超像素距離原始圖像中心位置的距離。

作為本發(fā)明的一種優(yōu)選方案，步驟5所述加權(quán)融合的計(jì)算公式為：

其中，d_i表示第i個(gè)超像素距離原始圖像中心位置的距離值歸一化后的值，e_i表示第i個(gè)超像素y_i的重構(gòu)誤差，表示第i個(gè)超像素加權(quán)融合后的結(jié)果。

本發(fā)明采用以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下技術(shù)效果：

1、本發(fā)明深入挖掘超像素、稀疏表示等方法和理論在圖像顯著性檢測(cè)中的應(yīng)用，解決了顯著性對(duì)象邊界模糊、內(nèi)部常被抑制等問(wèn)題，能夠更加均勻地突出顯著對(duì)象，有效地抑制背景，獲得更好的檢測(cè)結(jié)果。

2、本發(fā)明采用簡(jiǎn)單線性迭代聚類方法進(jìn)行超像素分割，相比較一般的以像素或者圖像塊為處理單位的分割方法，在時(shí)間和效率上有較大優(yōu)勢(shì)，所分割的超像素塊在顏色和紋理上具有同質(zhì)性，更容易保留圖像的邊緣信息。

附圖說(shuō)明

圖1是本發(fā)明改進(jìn)的基于超像素的圖像顯著性檢測(cè)方法的流程圖。

圖2是本發(fā)明實(shí)施例的檢測(cè)結(jié)果圖。

具體實(shí)施方式

下面詳細(xì)描述本發(fā)明的實(shí)施方式，所述實(shí)施方式的示例在附圖中示出。下面通過(guò)參考附圖描述的實(shí)施方式是示例性的，僅用于解釋本發(fā)明，而不能解釋為對(duì)本發(fā)明的限制。

如圖1所示，本發(fā)明改進(jìn)的基于超像素的圖像顯著性檢測(cè)方法的步驟如下：

1、輸入原始圖像I，對(duì)其進(jìn)行超像素分割得到圖像I₁。

2、對(duì)圖像I₁進(jìn)行稀疏重構(gòu)，得到初始顯著性圖像I₂。

3、對(duì)圖像I₁進(jìn)行中心-邊緣權(quán)重賦值，得到中心-邊緣權(quán)重圖像I₃。

4、對(duì)圖像I₁歸一化割聚類，得到聚類結(jié)果圖像I₄。

5、將圖像I₂與圖像I₃加權(quán)融合，并依據(jù)I₄平均加權(quán)融合的結(jié)果，最終得到原始圖像顯著圖I₅。詳細(xì)步驟如下：

1、基于簡(jiǎn)單線性迭代聚類的圖像超像素分割

本發(fā)明對(duì)輸入原始圖像首先采用簡(jiǎn)單線性迭代聚類(Simple Linear Iterative Clustering，SLIC)方法進(jìn)行超像素分割。該方法相比較一般的以像素或者圖像塊為處理單位的分割方法，在時(shí)間和效率上有較大優(yōu)勢(shì)，所分割的超像素塊在顏色和紋理上具有同質(zhì)性，更容易保留圖像的邊緣信息。

該算法具體過(guò)程如下：

a.輸入原始圖像I，初始化種子點(diǎn)(聚類中心)。按照設(shè)定的超像素塊個(gè)數(shù)，在本發(fā)明中，種子點(diǎn)的個(gè)數(shù)N的取值為200，在圖像內(nèi)均勻的分配種子點(diǎn)。

b.在種子點(diǎn)的t×t鄰域內(nèi)，依據(jù)像素點(diǎn)的梯度值，將種子點(diǎn)移動(dòng)到梯度最小的地方。在本發(fā)明中，t取值為3。

c.在每個(gè)種子點(diǎn)鄰域內(nèi)，為每個(gè)像素點(diǎn)分配類標(biāo)簽。

d.距離度量。包括顏色距離和空間距離。每個(gè)像素用五維的特性向量[l,a,b,x,y]表示。[l,a,b]為像素在CIElab顏色空間的顏色特征，[x,y]為像素的空間坐標(biāo)距離，分別計(jì)算如下：

式中，j、k分別表示圖像的第j、k個(gè)像素，j＝1,…,M；k＝1,…,M；j≠k，dc代表顏色距離，ds代表空間距離，Ns是類內(nèi)最大空間距離，定義為Ns＝S＝sqrt(M/N)，M為圖像像素總個(gè)數(shù)，適用于每個(gè)聚類。最大的顏色距離Nc既隨圖片不同而不同，也隨聚類不同而不同，所以我們?nèi)∫粋€(gè)固定常數(shù)m代替，m的取值范圍是[1,40]，在本發(fā)明中的取值為40。由此，可得最終的距離度量D'：

由于每個(gè)像素點(diǎn)都會(huì)被多個(gè)種子點(diǎn)搜索到，所以每個(gè)像素點(diǎn)都會(huì)有一個(gè)與周圍種子點(diǎn)的距離，取最小值對(duì)應(yīng)的種子點(diǎn)作為該像素點(diǎn)的聚類中心。

e.迭代c、d兩步優(yōu)化。理論上上述步驟不斷迭代直到誤差收斂，實(shí)踐發(fā)現(xiàn)10次迭代對(duì)絕大部分圖片都可以得到較理想效果，所以本發(fā)明迭代次數(shù)取10。

f.增強(qiáng)連通性。經(jīng)過(guò)上述迭代優(yōu)化可能出現(xiàn)以下瑕疵：出現(xiàn)多連通情況、超像素尺寸過(guò)小，單個(gè)超像素被切割成多個(gè)不連續(xù)超像素等，這些情況可以通過(guò)增強(qiáng)連通性解決，保證每個(gè)像素點(diǎn)隸屬于唯一一個(gè)超像素塊。

由上述步驟可以得出輸入圖像I的超像素分割圖像I₁。

2、超像素稀疏表示原始圖像初始顯著圖計(jì)算

本發(fā)明采用了模擬人類神經(jīng)細(xì)胞的標(biāo)準(zhǔn)稀疏編碼模型，此模型可以突出圖像中的顯著部分(該部分具有獨(dú)特性、稀少性和不可預(yù)測(cè)性)，基于該模型計(jì)算得到的超像素重構(gòu)誤差越大，則該超像素塊被認(rèn)為越顯著，最終這種方式得到了原始圖像的初始顯著圖。

設(shè)Y＝[y₁,y₂,…,y_N]∈R^n×N為輸入信號(hào)(本發(fā)明中，y₁,y₂,…,y_N代表超像素塊)，D為Y的稀疏表示的重構(gòu)字典，則稀疏表示的目標(biāo)函數(shù)可如下：

式中，表示重構(gòu)殘差。D＝[d₁,d₂,…,d_H]∈R^n×H為學(xué)習(xí)字典，其中，n的取值為M/N，H為字典D中的原子個(gè)數(shù)，且H>n，所以D是過(guò)完備字典。X＝[x₁,x₂,…,x_N]∈R^H×N，是輸入信號(hào)Y在字典D下的稀疏編碼系數(shù)。||·||₀是L₀范數(shù)，表示向量中非零元素的個(gè)數(shù)。T是稀疏度閾值，每一個(gè)x_i含有的非零元素的個(gè)數(shù)都不得超過(guò)T(T<<n)。

在稀疏編碼過(guò)程中，字典D是固定的，可通過(guò)如下式子計(jì)算輸入信號(hào)y_i的稀疏編碼系數(shù)x_i，i＝1,…,N：

基于稀疏表示理論，本發(fā)明將計(jì)算每個(gè)超像素所對(duì)應(yīng)的稀疏重構(gòu)誤差：

對(duì)一幅圖像而言，顯著目標(biāo)的分布比較緊湊，如果某一超像素屬于顯著目標(biāo)，由于圖像字典中大部分的基都屬于背景，這個(gè)超像素就不能用字典很好的表示，因此該超像素對(duì)應(yīng)的重構(gòu)誤差較大。反正，當(dāng)某一超像素屬于背景時(shí)，該超像素可以由字典很好的表示，則其重構(gòu)誤差就相對(duì)較小。基于此，通過(guò)稀疏誤差的求解，可以得到原始圖像的初始顯著性圖I₂。

3、超像素中心-邊緣權(quán)重圖生成

本發(fā)明針對(duì)超像素分割結(jié)果，利用中心-邊緣思想，生成原始圖像中心-邊緣權(quán)重圖。該方法認(rèn)為越靠近圖像中心位置的超像素塊越顯著(這一特征符合人眼視覺(jué)機(jī)制)，基于此，給靠近中心的超像素塊賦較大的權(quán)重，反之，給遠(yuǎn)離中心位置的超像素塊賦較小的權(quán)重(具體賦值基于歐氏距離)。最終，我們可以得到基于超像素的原始圖像中心-邊緣權(quán)重圖。

本發(fā)明在計(jì)算每一個(gè)超像素y_i距離圖像中心位置的距離時(shí)，是把該超像素中的所有像素坐標(biāo)的均值作為該超像素的空間位置；然后計(jì)算該位置到圖像中心位置的歐式距離d_i；最后用1減去歸一化后的距離值(即1-d_i)，得到的值作為該超像素的權(quán)重，即可得到超像素中心-邊緣權(quán)重圖I₃。

4、超像素歸一化割聚類

本發(fā)明針對(duì)圖像超像素分割結(jié)果，基于歸一化割理論對(duì)其進(jìn)行聚類，得到若干聚類區(qū)域。該方法將可能屬于同一顯著性目標(biāo)的超像素塊聚在較少的區(qū)域中(更為理想的情況是，通過(guò)歸一化割，某一個(gè)聚類區(qū)域只包含一個(gè)顯著性目標(biāo))。該方法同時(shí)還極大地保留了顯著性區(qū)域的邊緣信息。

歸一化割準(zhǔn)則是一種無(wú)監(jiān)督圖像分割/聚類技術(shù)，具有三個(gè)主要的特點(diǎn)：①它將圖像分割問(wèn)題轉(zhuǎn)換為圖的劃分問(wèn)題；②它是一個(gè)全局準(zhǔn)則；③它同時(shí)最大化不同組之間的不相似性和同一組內(nèi)的相似性。

一幅加權(quán)無(wú)向圖G＝(V,E)可以通過(guò)刪去某些邊，將其分為兩個(gè)非連接性點(diǎn)集A、B，使得A∪B＝V，A∩B＝φ，這兩個(gè)部分的不相似程度可以定義為原先連接兩部分而現(xiàn)在被刪去的所有邊的權(quán)的總和，在圖論中稱之為割—Cut：

式中，w(p,q)即連接點(diǎn)p和點(diǎn)q的邊的權(quán)，它表示兩點(diǎn)之間的相似程度。

一幅圖的最優(yōu)二分法即是使Cut的值最小，但由于割直接與割中邊的數(shù)目成比例，因此最小割(Minimum Cut)通常并非就是最優(yōu)割。針對(duì)這個(gè)缺點(diǎn)Shi和Maiik提出了一種新的不同組之間的不相似性度量，即歸一化割：

式中，assoc(A,V)＝∑_p∈A,v∈Vw(p,v)表示A中的點(diǎn)和圖中所有點(diǎn)之間總的聯(lián)系程度，assoc(B,V)＝∑_q∈B,v∈Vw(q,v)同理。

我們采用歸一化割作為最優(yōu)化準(zhǔn)則，從而提出一種有效的圖的劃分算法。NCut可以重寫(xiě)成：

式中，x_p表示A中點(diǎn)p的值，x_q表示B中點(diǎn)q的值，d_p＝∑_qw(p,q)表示點(diǎn)p與其他點(diǎn)之間的聯(lián)系程度。

通過(guò)遞歸的方法處理超像素分割后的圖像，最終可以得到圖像的最優(yōu)聚類結(jié)果I₄。

5、最終顯著圖計(jì)算

基于上述步驟2、3、4的結(jié)果，計(jì)算原始圖像最終顯著圖。首先，將步驟2求得的超像素稀疏表示原始圖像初始顯著圖I₂和步驟3求得的超像素中心-邊緣權(quán)重圖I₃進(jìn)行加權(quán)融合(加權(quán)比例1:1)。具體每個(gè)超像素塊的融合可以表示為：

然后，針對(duì)步驟4求得的超像素歸一化聚類結(jié)果I₄，對(duì)每一個(gè)聚類區(qū)域，求該區(qū)域所有超像素塊融合結(jié)果的平均值：

式中，S_r是每個(gè)分割的顯著性值，|S_r|是此分割的超像素塊的個(gè)數(shù)。最后將該值賦給整個(gè)區(qū)域，即可得到整幅圖像的顯著圖I₅。

值得一提的是，通過(guò)步驟2得到的初始顯著圖I₂，當(dāng)背景中存在噪聲或其他干擾目標(biāo)時(shí)，顯著性目標(biāo)檢測(cè)結(jié)果會(huì)存在一定的誤差，然后通過(guò)步驟3得到的超像素中心-邊緣權(quán)重圖I₃，對(duì)初始顯著圖I₂進(jìn)行融合，可以有效改善檢測(cè)結(jié)果。此外，通過(guò)步驟4對(duì)超像素分割結(jié)果進(jìn)行歸一化割聚類，聚類后的結(jié)果I₄很好地保持了圖像的邊界信息；同時(shí)，基于歸一化割，將每一個(gè)聚類區(qū)域內(nèi)部的超像素融合結(jié)果進(jìn)行平均，然后賦值給整個(gè)區(qū)域，能夠很好的保證顯著性區(qū)域的完整性和一致性。本發(fā)明實(shí)施例的檢測(cè)結(jié)果如圖2所示。

以上實(shí)施例僅為說(shuō)明本發(fā)明的技術(shù)思想，不能以此限定本發(fā)明的保護(hù)范圍，凡是按照本發(fā)明提出的技術(shù)思想，在技術(shù)方案基礎(chǔ)上所做的任何改動(dòng)，均落入本發(fā)明保護(hù)范圍之內(nèi)。