一種基于直方圖冪函數擬合的顯著目標檢測方法
【技術領域】
[0001] 本發明設及圖像顯著目標檢測領域，具體地說是一種基于直方圖幕函數擬合的顯 著目標檢測方法。
【背景技術】
[0002] 眾所周知，計算機性能和功能的飛速發展為機器智能提供了可靠的可行條件，隨 著機器學習、模式識別等學科的深入，人們越來越希望計算機可W更加自主更加智能的完 成任務。要實現該個目標，需要計算機能夠理解周圍的環境。人類感知外界信息最主要方 式是通過視覺，所W計算機理解周圍環境的關鍵是具有視覺感知處理能力。
[0003] 顯著目標是圖像中人們最為關注的目標，一般包含更多人們感興趣的、更有用的 信息。因此，顯著目標檢測廣泛應用于目標識別、圖像分割、圖像檢索等領域。常用的顯著 目標檢測技術主要有基于局部對比的顯著區域檢測技術，如；基于局部對比和模糊生長技 術、多尺度中屯、-周圍直方圖和顏色空間分布對比技術等；W及基于全局對比的顯著區域 檢測技術，如；Achanta從頻率域角度出發，提出一種基于全局對比的顯著區域檢測的方法 (Rrequen巧-tunedsalientregiondetection,簡稱FT方法)，該方法將經過高斯低通濾 波圖像中的每個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的顯著值。 但在W下兩種情況下會失效： (1) 顯著區域的顏色占圖像中的大部分，通過該方法計算后，背景會具有更高的顯著 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非常高。
[0004]相關文獻；ACHANTAR，肥MAMIS，ESTRADAF，etal.化equen巧-tuned salientregiondetection[C] //IEEEConferenceonComputerVisionandPattern Recognition, 2009 ; 1597 - 1604. 此外，目前許多顯著目標檢測模型雖然在單顯著目標和簡單背景場景下的性能已接近 測試集的標準，但在多目標和復雜背景下，尤其是在目標相融的背景下不能取得較好的表 現。
[0005] 圖流形排序（GraphBasedManifoldRanking)是近期出現的一種聚類方法，通過 計算圖的鄰接矩陣和度矩陣得到Laplacian正則化或非正則化矩陣，不同的變體可應用在 不同的環境下。化uanYang等人將圖流形排序應用于顯著目標檢測，將圖像進行化1C分 害d，分割后的超像素作為圖結點，W圖像邊緣結點作為相關性查詢的種子W檢測背景，再求 反差得到顯著區域。該種方法在單目標和簡單背景下的檢測效果比較好，但是，當顯著目標 位于圖像邊緣、多目標場景、背景復雜或前景與背景相融的情況下，檢測效果不夠理想。
[0006] 相關文獻：ChuanYang,LiheZhang,HuchuanLu,MinghsuanYang,Saliency DetectionviaGraph-BasedManifoldRanking,CVPR2013,P3166-3173。
【發明內容】
[0007] 本發明所要解決的技術問題是提供一種基于直方圖幕函數擬合的顯著目標檢測 方法，通過計算FT算法獲得的顯著圖的直方圖數據找到一個灰度闊值，該闊值能夠提取屬 于顯著目標區域的超像素，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，作為查詢種子的補充，實現接近測試集標準 的顯著圖，從而實現對位于圖像邊緣、多目標場景、背景復雜或前景與背景相融等較難檢測 的顯著目標的檢測。
[0008] 本發明為解決上述技術問題所采用的技術方案是：一種基于直方圖幕函數擬合的 顯著目標檢測方法，其特征在于：所述的目標檢測方法包括W下步驟： 步驟一；直方圖幕函數擬合；將原圖像用FT算法生成FT顯著圖并計算得到該顯著圖 的灰度直方圖數據，根據灰度直方圖數據用最小二乘法擬合幕函數曲線方程求得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個超像素，根據步驟一得到的灰 度闊值將超像素分為顯著超像素和背景超像素； 步驟顯著區域定位：找出存在顯著像素的超像素； 步驟四；顯著目標檢測：用圖流形排序法計算超像素相關度矩陣和每個超像素的相關 性排序值，并通過將每個超像素的相關性排序值歸一化得到每個超像素的顯著度，將每個 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] 本發明所述步驟一中用最小二乘法擬合幕函數曲線方程求灰度闊值的方法為：根 據FT顯著圖的灰度直方圖數據用最小二乘法擬合幕函數曲線方程；將得到的幕函數曲線 方程求導，將導數為-1的點（X。，y。）作為背景灰度與顯著灰度的拐點；X。作為FT顯著圖中 分離背景和顯著目標的灰度闊值； 本發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、 計算FT顯著圖中屬于同一個超像素i的所有像素平均灰度mean_gray(i); 二、 將所有超像素按編號生成一個指示向量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, ???,]!)設為1，否則歸 為背景超像素，其值yi(i=l，2,…，n)設為0; 本發明所述步驟=中顯著區域定位的方法為： 一、 將FT顯著圖二值化；采用自適應二值化法，把灰度高于FT顯著圖平均灰度2倍值 的像素灰度設為255,灰度低于該灰度的像素灰度設為0; 二、 將所有超像素按編號生成一個指示向量Y2=[yi，72,…yJT，統計FT顯著二值圖中灰 度為255的像素所屬的超像素編號，把存在顯著像素的超像素i的指示值yi設為1，其余設 為0。
[0010] 本發明所述步驟四中超像素相關度矩陣的計算方法為；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表示所有結點的全連接邊集合，用圖 流形排序法計算超像素相關度矩陣C=〇)-aWri，其中，D為圖G的度矩陣，W為超像素的鄰 接矩陣，a為相關系數。
[0011] 本發明所述步驟4中每個超像素的相關性排序值的計算方法為： 一、將所有超像素按編號生成一個指示向量Y=[yi，y2,…y"]T，令Y=Yi.IY2,即Y取Yi和Y2按位或運算的值； 二、按照公式巧=(D-aW) -ly求得每個超像素的相關性排序值。
[0012]本發明所述步驟二原圖像被化1C算法分割的超像素個數n為180-230個。
[0013]本發明的有益效果是；（1)使用