一種基于直方圖冪函數(shù)擬合的顯著目標(biāo)檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及圖像顯著目標(biāo)檢測領(lǐng)域，具體地說是一種基于直方圖幕函數(shù)擬合的顯 著目標(biāo)檢測方法。
【背景技術(shù)】
[0002] 眾所周知，計(jì)算機(jī)性能和功能的飛速發(fā)展為機(jī)器智能提供了可靠的可行條件，隨 著機(jī)器學(xué)習(xí)、模式識(shí)別等學(xué)科的深入，人們越來越希望計(jì)算機(jī)可W更加自主更加智能的完 成任務(wù)。要實(shí)現(xiàn)該個(gè)目標(biāo)，需要計(jì)算機(jī)能夠理解周圍的環(huán)境。人類感知外界信息最主要方 式是通過視覺，所W計(jì)算機(jī)理解周圍環(huán)境的關(guān)鍵是具有視覺感知處理能力。
[0003] 顯著目標(biāo)是圖像中人們最為關(guān)注的目標(biāo)，一般包含更多人們感興趣的、更有用的 信息。因此，顯著目標(biāo)檢測廣泛應(yīng)用于目標(biāo)識(shí)別、圖像分割、圖像檢索等領(lǐng)域。常用的顯著 目標(biāo)檢測技術(shù)主要有基于局部對(duì)比的顯著區(qū)域檢測技術(shù)，如；基于局部對(duì)比和模糊生長技 術(shù)、多尺度中屯、-周圍直方圖和顏色空間分布對(duì)比技術(shù)等；W及基于全局對(duì)比的顯著區(qū)域 檢測技術(shù)，如；Achanta從頻率域角度出發(fā)，提出一種基于全局對(duì)比的顯著區(qū)域檢測的方法 (Rrequen巧-tunedsalientregiondetection,簡稱FT方法)，該方法將經(jīng)過高斯低通濾 波圖像中的每個(gè)像素值和整幅圖像的平均像素值之間的歐幾里得距離作為該點(diǎn)的顯著值。 但在W下兩種情況下會(huì)失效： (1) 顯著區(qū)域的顏色占圖像中的大部分，通過該方法計(jì)算后，背景會(huì)具有更高的顯著 值； (2) 背景中含有少量突出的顏色，該樣背景中的該部分顏色的顯著值也會(huì)非常高。
[0004]相關(guān)文獻(xiàn)；ACHANTAR，肥MAMIS，ESTRADAF，etal.化equen巧-tuned salientregiondetection[C] //IEEEConferenceonComputerVisionandPattern Recognition, 2009 ; 1597 - 1604. 此外，目前許多顯著目標(biāo)檢測模型雖然在單顯著目標(biāo)和簡單背景場景下的性能已接近 測試集的標(biāo)準(zhǔn)，但在多目標(biāo)和復(fù)雜背景下，尤其是在目標(biāo)相融的背景下不能取得較好的表 現(xiàn)。
[0005] 圖流形排序（GraphBasedManifoldRanking)是近期出現(xiàn)的一種聚類方法，通過 計(jì)算圖的鄰接矩陣和度矩陣得到Laplacian正則化或非正則化矩陣，不同的變體可應(yīng)用在 不同的環(huán)境下。化uanYang等人將圖流形排序應(yīng)用于顯著目標(biāo)檢測，將圖像進(jìn)行化1C分 害d，分割后的超像素作為圖結(jié)點(diǎn)，W圖像邊緣結(jié)點(diǎn)作為相關(guān)性查詢的種子W檢測背景，再求 反差得到顯著區(qū)域。該種方法在單目標(biāo)和簡單背景下的檢測效果比較好，但是，當(dāng)顯著目標(biāo) 位于圖像邊緣、多目標(biāo)場景、背景復(fù)雜或前景與背景相融的情況下，檢測效果不夠理想。
[0006] 相關(guān)文獻(xiàn)：ChuanYang,LiheZhang,HuchuanLu,MinghsuanYang,Saliency DetectionviaGraph-BasedManifoldRanking,CVPR2013,P3166-3173。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明所要解決的技術(shù)問題是提供一種基于直方圖幕函數(shù)擬合的顯著目標(biāo)檢測 方法，通過計(jì)算FT算法獲得的顯著圖的直方圖數(shù)據(jù)找到一個(gè)灰度闊值，該闊值能夠提取屬 于顯著目標(biāo)區(qū)域的超像素，并將該些超像素作為圖流形排序的查詢種子，再通過自適應(yīng)二 值化法提取所有可能存在顯著像素的超像素，作為查詢種子的補(bǔ)充，實(shí)現(xiàn)接近測試集標(biāo)準(zhǔn) 的顯著圖，從而實(shí)現(xiàn)對(duì)位于圖像邊緣、多目標(biāo)場景、背景復(fù)雜或前景與背景相融等較難檢測 的顯著目標(biāo)的檢測。
[0008] 本發(fā)明為解決上述技術(shù)問題所采用的技術(shù)方案是：一種基于直方圖幕函數(shù)擬合的 顯著目標(biāo)檢測方法，其特征在于：所述的目標(biāo)檢測方法包括W下步驟： 步驟一；直方圖幕函數(shù)擬合；將原圖像用FT算法生成FT顯著圖并計(jì)算得到該顯著圖 的灰度直方圖數(shù)據(jù)，根據(jù)灰度直方圖數(shù)據(jù)用最小二乘法擬合幕函數(shù)曲線方程求得FT顯著 圖中用于超像素分類的灰度闊值X。； 步驟二；超像素分類；將原圖像用化1C算法分割成n個(gè)超像素，根據(jù)步驟一得到的灰 度闊值將超像素分為顯著超像素和背景超像素； 步驟顯著區(qū)域定位：找出存在顯著像素的超像素； 步驟四；顯著目標(biāo)檢測：用圖流形排序法計(jì)算超像素相關(guān)度矩陣和每個(gè)超像素的相關(guān) 性排序值，并通過將每個(gè)超像素的相關(guān)性排序值歸一化得到每個(gè)超像素的顯著度，將每個(gè) 超像素的顯著度賦值給其包含的所有像素生成最終的顯著圖。
[0009] 本發(fā)明所述步驟一中用最小二乘法擬合幕函數(shù)曲線方程求灰度闊值的方法為：根 據(jù)FT顯著圖的灰度直方圖數(shù)據(jù)用最小二乘法擬合幕函數(shù)曲線方程；將得到的幕函數(shù)曲線 方程求導(dǎo)，將導(dǎo)數(shù)為-1的點(diǎn)（X。，y。）作為背景灰度與顯著灰度的拐點(diǎn)；X。作為FT顯著圖中 分離背景和顯著目標(biāo)的灰度闊值； 本發(fā)明所述步驟二中將超像素分為顯著超像素和背景超像素的方法為： 一、 計(jì)算FT顯著圖中屬于同一個(gè)超像素i的所有像素平均灰度mean_gray(i); 二、 將所有超像素按編號(hào)生成一個(gè)指示向量Yl=[yl，y2, ???yn]T，將所有超像素中平均 灰度mean_gray(i)大于灰度闊值的歸為顯著超像素，其值yi(i=l,2, ???,]!)設(shè)為1，否則歸 為背景超像素，其值yi(i=l，2,…，n)設(shè)為0; 本發(fā)明所述步驟=中顯著區(qū)域定位的方法為： 一、 將FT顯著圖二值化；采用自適應(yīng)二值化法，把灰度高于FT顯著圖平均灰度2倍值 的像素灰度設(shè)為255,灰度低于該灰度的像素灰度設(shè)為0; 二、 將所有超像素按編號(hào)生成一個(gè)指示向量Y2=[yi，72,…yJT，統(tǒng)計(jì)FT顯著二值圖中灰 度為255的像素所屬的超像素編號(hào)，把存在顯著像素的超像素i的指示值yi設(shè)為1，其余設(shè) 為0。
[0010] 本發(fā)明所述步驟四中超像素相關(guān)度矩陣的計(jì)算方法為；將原圖像分割后的超像素 組成圖G= (V，E)，其中V表示圖G的所有超像素集合，E表示所有結(jié)點(diǎn)的全連接邊集合，用圖 流形排序法計(jì)算超像素相關(guān)度矩陣C=〇)-aWri，其中，D為圖G的度矩陣，W為超像素的鄰 接矩陣，a為相關(guān)系數(shù)。
[0011] 本發(fā)明所述步驟4中每個(gè)超像素的相關(guān)性排序值的計(jì)算方法為： 一、將所有超像素按編號(hào)生成一個(gè)指示向量Y=[yi，y2,…y"]T，令Y=Yi.IY2,即Y取Yi和Y2按位或運(yùn)算的值； 二、按照公式巧=(D-aW) -ly求得每個(gè)超像素的相關(guān)性排序值。
[0012]本發(fā)明所述步驟二原圖像被化1C算法分割的超像素個(gè)數(shù)n為180-230個(gè)。
[0013]本發(fā)明的有益效果是；（1)使用