欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2018106586293
申请人: 安徽大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于相关约束图排序的图像显著性检测方法,其特征在于,所述方法包括:A:针对每一幅待检测图像,使用简单线性迭代聚类SLIC算法对所述待检测图像进行超像素分割,得到不重叠的超像素块,然后将每一个所述不重叠的超像素块作为节点建立一个闭环图模型,进而计算每一个节点的中心先验信息;

B:提取输入图像的颜色、纹理、位置信息;

C:利用基于图的流形排序的显著性检测算法获取每一个节点的前景概率值;

D:将前景概率值大于第一预设阈值的节点的集合作为前景种子点集合ind_fore;将前景概率值小于第二预设阈值的节点的集合作为背景种子点集合ind_back;第一预设阈值大于所述第二预设阈值;

E:使用相关约束图排序的模型计算得到每个超像素节点的前景概率S_f,并使用前景概率值S_f作为最终的显著估计值S_final;

所述C步骤,包括:

C1:获取基于图的流形排序的显著性检测算法中每一个节点的各个无向边的权重;

C2:根据每一个所述无向边的权重,构建基于图的流形排序的显著性检测算法的第二关联矩阵 其中,

2

为第i个超像素和第j个超像素之间边的权重,且 W为第二关联矩阵;i,j∈V,i为第i个节点的序号;j为第j个节点的序号;ci为第i个节点在CIE LAB颜色空间中所有像素点的颜色均值;cj为第j个节点在CIE LAB颜色空间中所有像素点的颜色均值;σ为控制权重平衡的常数;

C3:根据公式,D=diag{d11,…,dnn},计算度矩阵,其中,D为度矩阵;diag{}为对角线矩阵构建函数;dii为度矩阵元素,且 为关联矩阵对应的无向边的权重;

C4:针对边界上的每一节点,根据边界先验,标记所述节点的标记值;

m

C5:利用公式,f:X→R,计算所述待检测图像对应的排序权重,其中,T

f为排序函数,且f=[f1,…,fn] ;f1为第1个节点的排序值;fn为第n个节点的排序值;nT

为节点的个数;令y=[y1,y2,…yn]表示标签向量,种子点的标签值为1,其余的节点的标签m

值为0;X为输入的图像对应的特征矩阵;R为实数空间;R 为m维实数空间;m为空间维度;y为所有种子节点标签值组成的向量;

C6:利用排序函数公式, 计算闭合解,其中,

*

f为排序函数; 为求解函数最小值自变量函数;∑为求和函数;fi为第i个节点的排序值;fj为第j个节点的排序值;yi为第i个节点的标签值; 为所述无向边的权重;dii为度矩阵中第i行i列的元素;djj为度矩阵中第j行j列的元素;μ为平衡参数;

C7:根据所述闭合解利用公式, 获取非归一化解,其中,

2 2

D为度矩阵;W为所述第二关联矩阵;S是W的归一化矩阵;

C8:利用公式, 分别计算每个节点与四个边界上的背景种子点之间的相关性,得到四种情况下每个节点的背景概率值f,其中,λ为预设参数;

C9:对每个节点与四个边界上的背景种子点之间的相关性值进行归一化得到 再进行取反得到每个节点的显著值;将四种情况下得到的显著值进行点乘获取初始结果S_MR,作为节点的前景概率值。

2.根据权利要求1所述的一种基于相关约束图排序的图像显著性检测方法,其特征在于,所述A步骤包括:

A1:针对每一幅待检测图像,使用SLIC算法对该图像进行超像素分割成N个超像素块,每个超像素作为集合V中的一个节点;再获取与每一个节点对应的无向边,进而构建无向图1

模型G=(V,E);

A2:利用公式, 计算每一个节点的中心先验信息,其中,ci为第i个节点的中心先验信息;xi为第i个节点的中心位置横坐标;yi为第i个节点的中心位置纵坐标;(x0,y0)表示的是整幅图像的中心位置坐标;σ1为平衡参数,用于控制计算位置距离的离散程度;exp()为以自然底数为底数的指数函数;i为节点的个数。

3.根据权利要求2所述的一种基于相关约束图排序的图像显著性检测方法,其特征在于,所述无向边是通过以下步骤获取的:2

针对每个节点i的二近邻k的相邻节点l,利用公式,dist(k,l)=||xk‑xl|| ,计算其与k的颜色欧氏距离;若所述颜色欧氏距离小于阈值θ,则在节点l与节点i之间连接一条无向边,找到相连的节点后继续查找,直至所有节点连接完成,其中,dist(k,l)为第l个节点与第k个节点之间的颜色欧氏距离;xk为第k个节点的颜色值;xl为第l个节点的颜色值;|| ||为求模函数。

4.根据权利要求1所述的一种基于相关约束图排序的图像显著性检测方法,其特征在于,所述B步骤,包括:

根据提取的图像的颜色、纹理、位置信息;利用公式, 计算每个无向边的权重,构建第一关联矩阵 其中,1

为第i个节点与第j个节点之间的无向边的权重;W 为第一关联矩阵;i和j为节点的

65

序号,且0≤i,j≤N;vi为第i个节点的特征描述符,且vi∈R ,vi=[xi,yi,Li,ai,bi,ci,ωi];

(xi,yi)表示的是每个超像素节点的中心位置坐标;(Li,ai,bi)表示的是每个超像素节点的在CIE LAB颜色空间中包含的所有像素点的颜色均值;ci为第i个节点的中心先验信息;ωi为第i个节点的LBP值;vj为第j个节点的特征描述符;σ为预设的控制权重平衡的常数;n为超像素块的数量。

5.根据权利要求1所述的一种基于相关约束图排序的图像显著性检测方法,其特征在于,所述D步骤,包括:

D1:利用公式, 获取第一预设阈值和第二预设阈值;

其中,

h1为第一预设阈值;h2为第二预设阈值;mean为求平均值函数;max为最大值求值函数;

D2:利用公式, 获取前景种子点集合ind_fore和背景种子点集合ind_back,其中,ind_fore为前景种子点集合;ind_back为背景种子点集合;θ为预设参数。

6.根据权利要求1所述的一种基于相关约束图排序的图像显著性检测方法,其特征在于,所述E步骤,包括:

n

E1:利用公式,F:X→R,计算所述待检测图像对应的排序权重,其中,F为排序函数;Fi表示的是第i个节点的排序值,且F=(f,g);f为每个节点属于前景的概率,g为每个节点属于背景的概率;

E2:利用公式, 获取每一个节点的标签值;再利用公式,Y=

1 2 m×2

(y ,y)∈R ,获取每一个节点的标签向量,其中,

1 2

Y为每一个节点的标签向量;y 为所述节点属于前景的标签值;y 为所述节点属于背景m×2

的标签值;R 为2m维实数空间;

E3:构建的相关约束图排序的模型公式为,其中,

*

F为闭合解;Wij为第i个节点和第j个节点之间无向边的权重对应的第一关联矩阵;Fi为第i个节点的排序值;Fj为第j个节点的排序值;di为度矩阵元素;fi为第i个节点的前景概率;gi为第i个节点的背景概率;wi为第i个节点的特征权重;xi为第i个节点的特征;bi为偏置参数;β1为对前景概率的线性约束系数;β2为对背景概率的线性约束系数;

E4:对使用所述E3步骤的排序模型对前景概率求偏导得到显著性值。

7.一种基于相关约束图排序的图像显著性检测装置,其特征在于,所述装置包括:第一计算模块,用于针对每一幅待检测图像,使用简单线性迭代聚类SLIC算法对所述待检测图像进行超像素分割,得到不重叠的超像素块,然后将每一个所述不重叠的超像素块作为节点建立一个闭环图模型,进而计算每一个节点的中心先验信息;

输入模块,用于提取输入图像的颜色、纹理、位置信息;

第二计算模块,用于利用基于图的流形排序的显著性检测算法获取每一个节点的前景概率值;

第一设置模块,用于将前景概率值大于第一预设阈值的节点的集合作为前景种子点集合ind_fore;将前景概率值小于第二预设阈值的节点的集合作为背景种子点集合ind_back;第一预设阈值大于所述第二预设阈值;

第二设置模块,用于用相关约束图排序的模型计算得到每个超像素节点的前景概率S_f和背景概率S_g,并使用前景概率值S_f作为最终的显著估计值S_final;

所述第二计算模块,还用于:

C1:获取基于图的流形排序的显著性检测算法中每一个节点的各个无向边的权重;

C2:根据每一个所述无向边的权重,构建基于图的流形排序的显著性检测算法的第二关联矩阵 其中,

2

为第i个超像素和第j个超像素之间边的权重,且 W为第二关联矩阵;i,j∈V,i为第i个节点的序号;j为第j个节点的序号;ci为第i个节点在CIE LAB颜色空间中所有像素点的颜色均值;cj为第j个节点在CIE LAB颜色空间中所有像素点的颜色均值;σ为控制权重平衡的常数;

C3:根据公式,D=diag{d11,…,dnn},计算度矩阵,其中,D为度矩阵;diag{}为对角线矩阵构建函数;dii为度矩阵元素,且 为第二关联矩阵对应的无向边的权重;

C4:针对边界上的每一节点,根据边界先验,标记所述节点的标记值;

m

C5:利用公式,f:X→R,计算所述待检测图像对应的排序权重,其中,T

f为排序函数,且f=[f1,…,fn] ;f1为第1个节点的排序值;fn为第n个节点的排序值;nT

为节点的个数;令y=[y1,y2,…yn]表示标签向量,种子点的标签值为1,其余的节点的标签m

值为0;X为输入的图像对应的特征矩阵;R为实数空间;R 为m维实数空间;m为空间维度;y为所有种子节点标签值组成的向量;

C6:利用排序函数公式, 计算闭合解,其中,

*

f为排序函数; 为求解函数最小值自变量函数;∑为求和函数;fi为第i个节点的排序值;fj为第j个节点的排序值;yi为第i个节点的标签值;yn为第n个节点的权值; 为所述无向边的权重;dii为度矩阵中第i行i列的元素;djj为度矩阵中第j行j列的元素;μ为平衡参数;

C7:根据所述闭合解利用公式, 获取非归一化解,其中,

2 2

D为度矩阵;W为所述第二关联矩阵;S是W的归一化矩阵;

C8:利用公式, 分别计算每个节点与四个边界上的背景种子点之间的相关性,得到四种情况下每个节点的背景概率值f,其中,λ为预设参数;

C9:对每个节点与四个边界上的背景种子点之间的相关性值进行归一化得到 再进行取反得到每个节点的显著值;将四种情况下得到的显著值进行点乘获取初始结果S_MR,作为节点的前景概率值。

8.根据权利要求7所述的一种基于相关约束图排序的图像显著性检测装置,其特征在于,所述第一计算模块,还用于:A1:针对每一幅待检测图像,使用SLIC算法对该图像进行超像素分割成N个超像素块,每个超像素作为集合V中的一个节点;再获取与每一个节点对应的无向边,进而构建无向图1

模型G=(V,E);

A2:利用公式, 计算每一个节点的中心先验信息,其中,ci为第i个节点的中心先验信息;xi为第i个节点的中心位置横坐标;yi为第i个节点的中心位置纵坐标;(x0,y0)表示的是整幅图像的中心位置坐标;σ1为平衡参数,用于控制计算位置距离的离散程度;exp()为以自然底数为底数的指数函数;i为节点的个数。