一种利用图像边界信息和区域连通性的显著对象检测方法
【技术领域】
[0001] 本发明属于图像检索和图像识别技术领域，涉及一种显著对象检测方法，具体地 说，涉及一种利用图像边界信息和图像背景连通性先验来进行的一种新的显著对象检测方 法。
【背景技术】
[0002] 人类视觉系统具有的一个非凡的能力就是视觉注意，即能够快速地从复杂场景中 选择出重要的信息进行进一步地加工处理，而忽略其他信息。显著对象检测的目的是通过 建模生成一个显著图来预测人在观看图像时图像中最能吸引人的注意的对象，显著图中的 每一个像素点的亮度代表该处的显著值，显著值越大，说明此处受到人关注的可能性越大。 显著对象检测是计算机视觉中的一个基础问题，在图像缩放、图像压缩、对象识别和图像分 类等领域具有广泛的应用前景。
[0003] 当前已有的显著对象检测方法：
[0004] 1、基于生物学假说的显著性检测方法。该方法提取了颜色、亮度和方向特征，基于 生物视觉的枯抗特性，设计了中央-周边差算子来计算特征的局部对比度，得到特征显著 图；然后依据特征整合理论，对特征显著图进行等权线性融合。该方法倾向于将具有高局部 对比度的小对象进行高亮，但是不能够均匀地将整个显著对象检测出来，对于背景中具有 高对比度的边界区域会被错误地检测出来。
[0005] 2、基于全局对比度的显著对象检测方法。该类方法计算当前像素/区域的特征与 图像中的剩余像素/区域特征之间的对比度，对对比度进行空间距离加权得到当前像素/ 区域的显著值。相比于受生物视觉启发的基于局部对比度的显著性计算方法，该类方法能 够获得更好的检测精度，但是对于背景中具有高对比度的像素/区域，能够被错误地检测 出来。
[0006] 3、基于认知准则的显著对象检测方法。该类方法根据格式培也理学的图/底组织 规律，认为对象区域的特征具有特异性，并且在空间上对象区域具有高紧致性，而背景区域 倾向于蔓延整个图像区域。另外，对象区域由于与背景区域之间存在高对比度，因此从对象 区域到达图像的边界区域所花的代价大；而从背景区域具有连续性和同源性，因此，背景区 域到达图像的边界区域所花的代价小。通过计算超像素到图像边界的最短路径，就可W计 算出超像素的显著值。但是，该类方法会将背景中的局部高对比度的小尺度对象误检，而自 然场景图像的背景中常常包含了具有高局部对比度的小尺度对象。
【发明内容】
[0007] 针对现有技术的不足，本发明的目的在于提供一种基于图像背景信息和区域多级 连通性的快速显著对象检测方法，该方法考虑了区域的不同连通性，并且学习了通过不同 连通性计算得到的显著值的融合方式，该方法具有高的检测准确率，并且速度快，能够有效 地抑制背景中具有高局部对比度的小尺度对象，并且检测出的显著对象区域具有均匀的显 著值和清晰的边缘。
[0008] 为了达到上述目的，本发明采用的技术方案如下：
[0009] -种利用图像边界信息和区域连通性的显著对象检测方法，包括W下几个步骤：
[0010] 步骤1 ;输入待检测的图像；
[0011] 步骤2 ;对待检测的图像进行超像素分割，得到超像素集合V= {Vl，V2，...，V"}，并 计算每个超像素Vi的平均L油颜色特征向量X i;
[001引 Vi表示第i个超像素，V iG V，M为超像素的个数；
[0013] 将图像分割成多个子区域，每一个子区域由表观相似且空间相近的像素构成，每 一个子区域叫做超像素；
[0014] 步骤3 ;根据超像素的空间拓扑结构及H个不同的邻域范围，对每个超像素创建 S个无向加权图，包括一环邻接图、二环邻接图及立环邻接图，分别记为G\G嘴G 3;
[0015] 其中，H个无向加权图中的节点为超像素，节点与相邻节点之间形成的边的权重 为两相邻节点对应的两平均L油颜色特征向量之间的距离；
[0016] 所述H个不同的邻域是指一环邻域、二环邻域及H环邻域；
[0017] 一环邻域，超像素Vi的一环邻域为与其在空间上相邻接的超像素Vj.的集合，即 二的惦像素V為超像素V湘邻};
[001引二环邻域，超像素Vi的二环邻域iVySi包括超像素Vi的一环邻域Wi, 中的超像素W及超像素Vi的一环邻域A^i中包含的超像素的一环邻域，即
【主权项】
1. 一种利用图像边界信息和区域连通性的显著对象检测方法，其特征在于，包括以下 几个步骤： 步骤1 :输入待检测的图像； 步骤2 :对待检测的图像进行超像素分割，得到超像素集合V = {Vl，V2, ...，vM}，并计算 每个超像素 Vi的平均Lab颜色特征向量X i; Vi表示第i个超像素 ，V V，M为超像素的个数； 步骤3 :根据超像素的空间拓扑结构及三个不同的邻域范围，对每个超像素创建三个 无向加权图，包括一环邻接图、二环邻接图及三环邻接图，分别记为G\G2和G3; 其中，三个无向加权图中的节点为超像素，节点与相邻节点之间形成的边的权重为两 相邻节点对应的两平均Lab颜色特征向量之间的距离； 所述三个不同的邻域是指一环邻域、二环邻域及三环邻域； 一环邻域，超像素 Vi的一环邻域为与其在空间上相邻接的超像素'的集合，即 < =? I超像素 Vy与超像素巧相邻L 二环邻域，超像素 Vi的二环邻域^2i包括超像素 Vi的一环邻域中 的超像素以及超像素 Vi的一环邻域中包含的超像素的一环邻域，即
三环邻域，超像素 Vi的三环邻域包括超像素 Vi的二环邻域^2i 中的超像素以及超像素 Vi的二环邻域中的超像素的一环邻域，即
步骤4:获取超像素 V的显著值S(V)，S(V) =S1(V) M2(V) · S3(V),并将超像素的显著 值赋值给超像素中的每一个像素，得到像素级的显著图，完成显著图的检测； S1(V)表示每个无向加权图中每个节点到无向加权图的边界节点的累积最短路径，以 节点的累积最短路径S1(V)作为对应的超像素的第1环的显著值，1 = {1，2, 3};
其中，B表示虚拟背景节点，边界节点与虚拟背景节点B存在边，边的权重为O ; <?)(?+ι) 表示在1环邻接图中相邻节点之间的边的权值；E1表示1环邻接图中连接边的集合；η表示 从起始节点到虚拟背景节点的路径上包含的节点总数。
2. 根据权利要求1所述的一种利用图像边界信息和区域连通性的显著对象检测方法， 其特征在于，对于每个无向加权图中的每个结点的显著值S 1(V),根据其局部上下文信息按 照如下公式进行修正，使得具有相似表观的超像素具有相似的显著值P(V):
其中，λ为权重因子，取值0.05-0. 3; 在满足（V，V1.) e Ε1，^^表示属于1环邻接图中连接边上结点V与结点V j的表观相似 性：
σ 2是为1环邻接图中相邻超像素特征对比度的方差，相邻 超像素特征对比度即为相邻超像素的平均Lab颜色特征向量之间的距离；X和\分别为结 点V与结点Vj的平均Lab颜色特征向量。
3. 根据权利要求2所述的一种利用图像边界信息和区域连通性的显著对象检测方法， 其特征在于，选用逻辑斯蒂回归器替代S(V) =S1(V) *s2(v) *S3(V)，获取超像素的显著值， 完成显著图的检测，具体过程如下： 根据超像素的三个显著值，生成二次特征项和三次特征项，将一次项，二次项，三次项 以及偏差项1串联，得到20维特征向量，将20维的特征向量输入已训练好的逻辑斯蒂回归 器中
，以逻辑斯蒂回归器输出的值作为对应超像素的显著值； 其中，二次特征项和三次特征项分别戈
20维的特征向量
w是一个20维的权值矩阵，利用训练数据集MSRA10K训练逻辑斯蒂回归器时获得。
4. 根据权利要求3所述的一种利用图像边界信息和区域连通性的显著对象检测方法， 其特征在于，所述已训练好的逻辑斯蒂回归器的具体训练过程如下： 训练所用的数据集为MSRA10K，该数据集包含10000张彩色图像以及对应的由人工手 动标记出了显著对象的标记图像； 步骤1):从MSRA10K数据集中随机选取2000张图像，对于每一张图像，执行步骤1-4， 得到每张图像中每个超像素的20维特征向量，记为F = [f\，f2,... fN]，N为总的超像素的 个数； 步骤2):根据标记图像，如果超像素中一半以上的像素属于被标记的显著对象，则将 该超像素标为1，否则标为〇,从而得到标签向量L = [I1, 12,...，1N]; 步骤3):采用极大似然法估计模型参数，似然函数为：
求解上述函数得到W，fi表示超像素的20维特征向量中的第i个特征向量。
5. 根据权利要求1-4任一项所述的一种利用图像边界信息和区域连通性的显著对象 检测方法，其特征在于，所述每个无向加权图中每个节点到无向加权图的边界节点的累积 最短路径采用Di jkstra最短路径算法计算。
6. 根据权利要求1-4任一项所述的一种利用图像边界信息和区域连通性的显著对象 检测方法，其特征在于，所述步骤2中对待检测的图像进行超像素分割采用具有边缘保持 的超像素分割方法，其中，边缘特征相对颜色特征的重要性，取值为〇. 9,超像素的规整性相 对颜色特征的重要性，取值〇. 5,超像素尺度控制因子，取值为3000。
【专利摘要】本发明提出了一种利用图像边界信息和区域连通性的显著对象检测方法，通过对待检测的图像进行超像素分割，利用超像素的平均Lab颜色特征向量和超像素的空间拓扑关系构建三个无向加权图，计算每个超像素到图像边界的最短路径，获取三个显著图，将三个显著图相乘得到最终的显著图，完成显著对象的检测；利用超像素的局部上下文信息对显著值进行修正，从而提高了显著对象检测的精度，进一步降低背景区域的显著性；此外，采用逻辑斯蒂回归器对根据不同连通性计算得到的修正后的显著图进行特征整合，得到最终的在显著对象区域均匀高亮的显著图。本方法能够快速的将显著对象区域高亮，并且能够降低背景中高对比度区域的误检率。
【IPC分类】G06K9-00, G06K9-62
【公开号】CN104537355
【申请号】CN201510013897
【发明人】邹北骥, 刘晴, 陈再良, 胡旺, 傅红普
【申请人】中南大学
【公开日】2015年4月22日
【申请日】2015年1月12日