基于馬爾科夫模型的顯著性檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于馬爾科夫模型的顯著性檢測(cè)方法，屬于圖像處理和圖像目標(biāo) 檢測(cè)技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 視覺(jué)是人類(lèi)最重要的感知覺(jué)，人腦所能接受的外界信息90%以上源于人眼的視覺(jué) 感知。視覺(jué)的主要功能就是解釋人們生活的周?chē)h(huán)境，并與其發(fā)生信息交互，信息技術(shù)的迅 速發(fā)展促使各種圖像信息日益膨脹，人們不得不借助計(jì)算機(jī)系統(tǒng)來(lái)處理和分析這些海量數(shù) 據(jù)。但值得注意的是：一方面，圖像數(shù)據(jù)的增加速度遠(yuǎn)比計(jì)算機(jī)處理能力的提高速度要快； 另一方面，人們所關(guān)心的內(nèi)容通常只是整個(gè)數(shù)據(jù)集合中很小的一部分。為此，一視同仁全面 處理所有圖像數(shù)據(jù)是不現(xiàn)實(shí)的，也是不必要的。如何盡快地從整個(gè)數(shù)據(jù)集中找到并提取與 任務(wù)相關(guān)的那部分重要的、有用的和值得關(guān)注的信息，即視覺(jué)顯著性檢測(cè)問(wèn)題，一直就是機(jī) 器視覺(jué)和信息處理研究中長(zhǎng)期面臨的重要難題。以視覺(jué)注意為代表的圖像顯著性區(qū)域檢測(cè) 技術(shù)成為提高海量數(shù)據(jù)篩選實(shí)時(shí)性和分析準(zhǔn)確性的重要技術(shù)途徑之一。顯著性檢測(cè)是圖像 處理中一個(gè)重要內(nèi)容，有著廣泛的應(yīng)用，如基于顯著性的圖像分割，圖像檢索，圖像自動(dòng)裁 剪以及圖像視屏壓縮等。
[0003] 顯著性檢測(cè)的本質(zhì)是一種視覺(jué)注意模型，這種模型是依據(jù)視覺(jué)注意機(jī)制而建立的 模型，它能夠?qū)τ邢薜男畔⒓庸べY源進(jìn)行分配，使感知具備選擇能力。利用視覺(jué)注意機(jī)制得 到圖像中最容易引起注意的顯著部分，并用一幅灰度圖像表示其顯著度。視覺(jué)心理學(xué)研究 發(fā)現(xiàn)，人類(lèi)視覺(jué)注意可分為兩種類(lèi)型：自底向上的數(shù)據(jù)驅(qū)動(dòng)模式和自頂向下的任務(wù)驅(qū)動(dòng)模 式。自底向上是在視覺(jué)處理初期，不受經(jīng)驗(yàn)和目前任務(wù)的影響，人類(lèi)對(duì)場(chǎng)景存在特殊關(guān)注區(qū) 域即顯著性區(qū)域。自頂向下是視覺(jué)處理后期，人類(lèi)依據(jù)自身的經(jīng)驗(yàn)和任務(wù)選擇關(guān)注的目標(biāo)， 對(duì)目標(biāo)進(jìn)行認(rèn)識(shí)。
[0004] 早期的圖像顯著性算法其主要缺點(diǎn)在于分辨率低，目標(biāo)邊界定義差，計(jì)算復(fù)雜度 尚。

【發(fā)明內(nèi)容】

[0005] 發(fā)明目的：針對(duì)現(xiàn)有技術(shù)中存在的問(wèn)題，本發(fā)明提供了一種分辨率高、計(jì)算復(fù)雜度 高的基于馬爾科夫模型的顯著性檢測(cè)方法。
[0006] 技術(shù)方案：一種基于馬爾科夫模型的顯著性檢測(cè)方法，包括如下步驟：
[0007] 步驟10 :采集圖像數(shù)據(jù)；
[0008] 步驟20,對(duì)步驟10得到的圖像用三種不同的方法進(jìn)行顯著性特征提取，得到與三 種不同的顯著性特征函數(shù)對(duì)應(yīng)的顯著性特征圖；
[0009] 步驟30 :采用馬爾科夫模型的機(jī)器學(xué)習(xí)法對(duì)步驟10中采集的圖像進(jìn)行訓(xùn)練，并獲 得步驟20中得到的每個(gè)顯著性特征圖的最優(yōu)權(quán)重；
[0010] 步驟40 :對(duì)步驟20得到的三種不同的顯著性特征函數(shù)用分配函數(shù)Z進(jìn)行歸一化 處理，得到的三個(gè)歸一化顯著性特征函數(shù)；
[0011] 步驟50:建立馬爾科夫模型，對(duì)步驟40得到的三個(gè)歸一化顯著性特征函數(shù)用馬爾 科夫模型進(jìn)行組合；
[0012] 步驟60 :用最大似然準(zhǔn)則對(duì)步驟50獲得的組合求得最優(yōu)解，得到最優(yōu)化的線性組 合；
[0013] 步驟70:將步驟60計(jì)算得到的顯著性像素用一個(gè)最小的矩形框框出，其中最小的 矩形框至少框出95%以上的顯著性像素，得到最終的結(jié)果。
[0014] 進(jìn)一步，所述步驟20中，所述三種進(jìn)行特征提取的方法分別為：多尺度對(duì)比法、中 央周?chē)狈綀D法和顏色空間分布法；
[0015] 其中，所述多尺度對(duì)比法，包括以下步驟：
[0016] 步驟211，對(duì)步驟10中采集到的圖像基于高斯模糊之后向下采樣，得到六層不同 分辨率的高斯金字塔圖像；
[0017] 步驟212,將步驟211得到的六層高斯金字塔圖像中每層對(duì)比度線性組合得到多 尺度對(duì)比特征函數(shù)與其對(duì)應(yīng)的顯著性特征圖；
[0018] 所述中央周?chē)狈綀D法，包括以下步驟：
[0019] 步驟221 :用多個(gè)不同長(zhǎng)寬比例的矩形區(qū)域R標(biāo)出步驟10得到的圖像中的顯著物 體，在多個(gè)矩形區(qū)域R的周?chē)鷺?gòu)造多個(gè)對(duì)應(yīng)的面積相等的周?chē)匦螀^(qū)域Rs;
[0020] 步驟222:在步驟221獲得的圖像上計(jì)算每個(gè)以像素點(diǎn)X為中心的顯著矩形區(qū)域R 與周?chē)匦螀^(qū)域札在RGB顏色直方圖之間的X2距離；
[0021] 步驟223 :比較每個(gè)不同長(zhǎng)寬比例的矩形區(qū)域R與周?chē)匦螀^(qū)域札在RGB顏色直 方圖之間的X2距離，選擇X2距離最大的矩形區(qū)域R為最優(yōu)的矩形區(qū)域RYx);
[0022] 步驟224 :以相鄰像素X'為中心的中央-周?chē)狈綀D特征函數(shù)定義為步驟221中 所有以相鄰像素？為中心的最優(yōu)周?chē)匦螀^(qū)域R/U')的高斯加權(quán)X2距離之和；
[0023] 所述顏色空間分布法，包括以下步驟：
[0024] 步驟231 :對(duì)步驟10得到的圖像中的所有顏色用高斯混合模型表示；
[0025] 步驟232 :利用步驟231中模型的參數(shù)計(jì)算每個(gè)像素被分配給一種顏色成分的概 率；
[0026] 步驟233 :對(duì)步驟232中每一個(gè)顏色成分計(jì)算對(duì)應(yīng)的水平方差和垂直方差，得到對(duì) 應(yīng)成分的空間方差；
[0027] 步驟234 :顏色空間分布特征函數(shù)定義為步驟233得到的空間方差中央加權(quán)之和。
[0028] 進(jìn)一步，步驟50中，所述用馬爾科夫模型組合顯著性特征過(guò)程如下：
[0029] 步驟501，對(duì)步驟40得到的三個(gè)歸一化顯著性特征，分別計(jì)算一元?jiǎng)莺瘮?shù) Fk (ax，I)，F(xiàn)k (ax，I)表示第k個(gè)顯著特征；
[0030] 步驟502，對(duì)步驟40得到的三個(gè)歸一化顯著性特征，分別計(jì)算二元?jiǎng)莺瘮?shù) S(ax，ax，，I)配對(duì)特征，其中，二元?jiǎng)莺瘮?shù)S(ax，ax，，I)表示對(duì)相鄰像素標(biāo)記為不同值的懲罰 項(xiàng)的值，ax表示X像素點(diǎn)的顯著性，ax，表示X相鄰像素點(diǎn)的顯著性；
[0031] 步驟503,結(jié)合步驟30得到的每個(gè)顯著性特征圖的最優(yōu)權(quán)重和步驟50U502中得 到的顯著特征和配對(duì)特征，根據(jù)公：
進(jìn)行 線性組合，其中，A為采集圖像I中標(biāo)簽狀態(tài)集合，Z為分配函數(shù)，λk表示第k個(gè)顯著特征 圖的權(quán)重，K為顯著特征圖的總數(shù)，F(xiàn)k(ax，I)是單一變量的勢(shì)函數(shù)，F(xiàn)k(ax，I)表示第k個(gè)顯 著特征圖，S(ax，ax'，1)是雙變量交互勢(shì)函數(shù)，S(ax，ax'，1)表示相鄰像素x，x'之間的相 互作用關(guān)系。
[0032] 工作原理：本發(fā)明將顯著性檢測(cè)看作一個(gè)圖像標(biāo)注問(wèn)題，運(yùn)用多尺度對(duì)比，中央一 周?chē)狈綀D和顏色空間分布這三種不同的顯著度計(jì)算得到顯著特征圖。通過(guò)馬爾科夫模型 學(xué)習(xí)計(jì)算各個(gè)顯著特征圖的顯著度的權(quán)重，采用最大似然估計(jì)方法獲取模型參數(shù)估計(jì)得到 最優(yōu)解。最后利用馬爾科夫模型檢測(cè)測(cè)試圖像。
[0033] 有益效果：與現(xiàn)有技術(shù)相比，本發(fā)明提供的方法能夠更加精確地檢測(cè)顯著目標(biāo)，檢 測(cè)得到的結(jié)果分辨率高，目標(biāo)邊界定義精準(zhǔn)，方法計(jì)算復(fù)雜度低。
【附圖說(shuō)明】
[0034] 圖1為本發(fā)明的流程圖；
[0035] 圖2為本發(fā)明中顯著性特征提取流程圖；
[0036] 圖3為本發(fā)明與現(xiàn)有技術(shù)的實(shí)驗(yàn)對(duì)比圖。
【具體實(shí)施方式】
[0037] 下面結(jié)合具體實(shí)施例，進(jìn)一步闡明本發(fā)明，應(yīng)理解這些實(shí)施例僅用于說(shuō)明本發(fā)明 而不用于限制本發(fā)明的范圍，在閱讀了本發(fā)明之后，本領(lǐng)域技術(shù)人員對(duì)本發(fā)明的各種等價(jià) 形式的修改均落于本申請(qǐng)所附權(quán)利要求所限定的范圍。
[0038] 如圖1所示，基于馬爾科夫模型的顯著性檢測(cè)方法，包括如下步驟：
[0039] 步驟10 :采集圖像數(shù)據(jù)；定義采集圖像為I。
[0040] 步驟20,對(duì)步驟10得到的圖像I用三種不同的方法進(jìn)行顯著性特征提取，得到與 三種不同的顯著性特征函數(shù)對(duì)應(yīng)的顯著性特征圖；
[0041] 本實(shí)施例中采用多尺度對(duì)比法、中央周?chē)狈綀D法和顏色空間分布法進(jìn)行特征提 取。
[0042] 1、多尺度對(duì)比法
[0043] 在顯著性檢測(cè)中，對(duì)比度方法是最常被用在局部特征上的。在不知道顯著對(duì)象大 小的情況下，我們采用多尺度方法分別進(jìn)行局部區(qū)域的顯著性檢測(cè)。主要包括以下步驟：
[0044] 步驟211，對(duì)步驟10中采集到的圖像基于高斯模糊之后向下采樣，得到不同分辨 率的圖像；同時(shí)每次得到的新的圖像寬與高是原來(lái)圖像的1/2,得到的一系列圖像稱(chēng)為高 斯金字塔。
[0045]步驟21?檢決聰⑴1鉭面丨的女巨盒?全字塔圖像中每層對(duì)比度線性組合得到多 尺度對(duì)比特征函I 與其對(duì)應(yīng)的顯著性特征圖；其中，I1是金 字塔中的第1層圖像，too表示在第1層圖像上像素X的狀態(tài)值，即too等于〇時(shí)，表示 第1層圖像上像素X為顯著性像素，I1 (X)等于1時(shí)，表示在第1層圖像上像素X為非顯著 性像素；Ikx')表示第1層圖像上像素X的相鄰像素X'的狀態(tài)值，金字塔一共的層數(shù)是 L= 6,N(x)表示 9x9 的窗口。
[0046] 2、中央周?chē)狈綀D法
[0047] 在給定的RGB顏色空間基礎(chǔ)上，統(tǒng)計(jì)每種顏色分量的像素點(diǎn)占圖像總像素的比 例，從而得到圖像各種顏色分量的比例分布即直方圖。假設(shè)一個(gè)顯著物體由矩形區(qū)域R框 出，在其周?chē)覀儤?gòu)造一個(gè)同等面積的矩形區(qū)域Rs。本文通過(guò)計(jì)算以像素X為中心的顯著 矩形區(qū)域R與其周?chē)匦螀^(qū)域Rs，它們?cè)赗GB顏色直方圖之間的X2距離來(lái)表示顯著性。由 于顯著性物體的目標(biāo)尺寸不同，我們選擇不同的長(zhǎng)寬比的矩形區(qū)域進(jìn)行測(cè)試。主要包括以 下步驟：
[0048] 步驟221 :用五組不同長(zhǎng)寬比例的矩形區(qū)域R標(biāo)出步驟10得到的圖像中的顯著物 體，在多個(gè)矩形區(qū)域R的周?chē)鷺?gòu)造多個(gè)對(duì)應(yīng)的面積相等的周?chē)匦螀^(qū)域Rs;其中，五組不同 長(zhǎng)寬比例為{〇· 5, 0· 75, 1. 0, 1. 5, 2};
[0049] 步驟222 :在步驟221獲得的圖像上計(jì)算每個(gè)以像素點(diǎn)X為中心的顯著矩形區(qū)域R 與周?chē)匦螀^(qū)域札在RGB顏色直方圖之間的X2距離；
[0050] 步驟223 :比較每個(gè)不同長(zhǎng)寬比例的矩形區(qū)域R與矩形區(qū)域R等面積的周?chē)匦?區(qū)域&在1^?顏色直方圖之間的X2距離，選擇X2距離最大的矩形區(qū)域R為最優(yōu)的矩形 區(qū)域R*(x);