1.一种基于超像素聚类的协同显著性检测方法,其特征在于,包括以下步骤:(1) 构建超像素金字塔图像:
(1a)输入原始图像组数据,构建三层的高斯金字塔,其中,第一层图像由原始图像进行高斯平滑得到,第二层图像由第一层图像降采样后进行高斯平滑得到,第三层图像由第二层图像降采样后进行高斯平滑得到;
(1b)利用基于内容感知的超像素分割方法对每层图像进行超像素分割,对长宽分别为width和height像素的图像,根据图像的大小动态设定超像素块的数目,超像素块数,得到超像素的金字塔图像;
(2) 计算单一显著图:
(2a) 计算弱显著图
将超像素分割得到的N个超像素块表示为: ,将处于边缘区域的超像素假设为背景,表示为: ,其中 是位于该图像边缘区域的超像素个数,然后分别计算每个超像素块的特征:暗通道值、中心先验权重和颜色特征;
暗通道计算公式如下:
(1)
其中 表示超像素块 覆盖的像素个数, 是暗通道值的计算函数,如下所示: (2)
其中 表示q在对应通道内的颜色值;
弱显著性检测模型通过如下公式实现:
(3)
其中 表示超像素块 与 在k所对应的特征之间的欧氏距离,三种特征分别是:F1是RGB特征,F2是CIELab特征,F3是LBP特征, 为中心先验权重,通过超像素块 的中心与图像中心的归一化空间距离计算得到;
由公式(3)得到每个区域的显著值,将每个区域的显著值赋给该区域内的所有像素,得到弱显著图;
(2b) 训练强显著性检测模型
将多个单核单特征的支持向量机分类器作为弱分类器,采用Adaboost增强学习方法通过多次迭代学习得到一个强分类器;
多个单核单特征的支持向量机核函数 的线性加和表示为: (4)
其中,r表示训练样本,为第i个样本,训练集样本集由上一步的弱显著图得到, 表示对应核函数的权重,M表示弱分类器的数量,经过多次迭代得到一个强分类器,应用于当前图像的所有测试样本,最后预测得到单一显著图;
(3) 超像素块聚类
选用RGB、CIELab和Gabor特征作为聚类特征,对组内的所有图像的所有超像素块进行聚类,聚类方法为K-Means聚类方法;
(4) 计算协同显著性
M张图像经过聚类后得到K个类,记为 ,聚类中心记为 ,通过计算对比度测度、重复率测度以及位置测度来描述协同显著性,根据3个测度的乘积得到弱协同显著图;
(5) 融合:
进行多尺度融合;将弱显著图与弱协同显著图相乘,获得融合后的显著图。
2.根据权利要求1所述的基于超像素聚类的协同显著性检测方法,其特征在于:步骤(1a)中,所述降采样时,将图像的x和y方向像素分别调整为原尺寸的一半。
3.根据权利要求1所述的基于超像素聚类的协同显著性检测方法,其特征在于:步骤(3)中,聚类数 。
4.根据权利要求1所述的基于超像素聚类的协同显著性检测方法,其特征在于:步骤(3)中,Gabor特征的获取方法是:先获取8个方向的Gabor特征,bandwidth为1,然后组合这8个方向特征作为使用的Gabor特征,组合方法为线性相加组合。
5.根据权利要求3所述的基于超像素聚类的协同显著性检测方法,其特征在于:步骤(4)中,对比度测度计算一个类别与其他所有类的特征距离,类 的对比度测度计算公式为: (5)
其中N为所有图像的超像素块之和,为聚类 的像素个数;
位置测度计算每一类所有超像素块的到中心点的距离的归一化,公式如下: (6)
其中 表示类k的超像素块数,Ni是第i张图上的超像素块数目, 是类内第i个超像素块的中心点在第j张图像上的位置,是第j图像的中心位置, 是指超像素 的类索引,是克罗内克函数,如果两数相等返回1,否则返回0;
重复率测度计算一个类别内的超像素块在所有图像上的分布情况,采用M个bin的直方图 来描述聚类 在M张图像中的重复率测度: (7)
(8)。
6.根据权利要求1所述的基于超像素聚类的协同显著性检测方法,其特征在于:步骤(5)中,所述多尺度融合采用加权融合法,以5∶3∶2的权重融合第1、2和3层的结果。