1.基于特征空间统计信息映射的目标自适应隐藏方法,其特征在于其特征在于其特征在于,包括下述步骤:步骤1、数据样本集的建立:采集具有不同目标与背景的图像,建立数据样本集,划分为训练集与测试集;
步骤2、划分目标与背景区域:对原始图像进行显著性目标检测,划分目标与背景,获取目标图像与背景区域;
步骤3、建立关于特征空间统计信息的映射网络:利用深度多层卷积的方式分别获取目标特征空间与表征背景风格特征的特征空间统计信息,将背景风格特征映射到目标特征上,完成背景风格特征空间与目标特征空间的融合,得到特征映射后的目标特征空间,进而生成新的目标图像,使其具备背景风格特征;
步骤4、边界信息融合:对特征映射后的目标与原始背景进行边界信息的融合,平滑边界信息,获得颜色变化更加平滑的图像,使得目标隐藏效果更加趋近于自然图像;
步骤5、采用上述特征空间统计信息的映射网络及边界处理方式对原始图像中的目标进行自适应隐藏处理。
2.根据权利要求1所述的方法,其特征在于,所述步骤2,具体包括下述步骤:步骤2.1、采用显著性目标检测方法,对原始图像进行显著性目标检测,得到有效划分目标与背景区域的掩膜;
步骤2.2、使用步骤2.1中获取的掩膜,对原始图像进行有效划分,分别获取目标图像与背景区域,分别送入深度学习网络中,通过深度多层卷积的方式进行特征空间的提取。
3.根据权利要求1所述的方法,其特征在于,所述步骤3,具体包括下述步骤:步骤3.1、获取背景区域特征空间统计信息:利用深度卷积的方式获取背景区域的特征空间,通过计算其Gram矩阵 得到背景图像的特征空间统计信息;
图像经过卷积处理,在第i层的特征空间表示为 其中x表示输入图像,
Ci,Hi和Wi则分别表示特征空间的通道数、高度以及宽度:
步骤3.2、融合目标特征空间与背景特征空间统计信息:给定一幅输入图像x,经过显著性目标检测后,将其分割为目标图像xc和背景图像xs;经过卷积计算,分别获取目标图像的特征空间Fi(xc)和背景图像的风格特征空间G(Fi(xs));卷积神经网络通过如下函数,在弱化目标图像特征、保留目标图像特征的内容信息并匹配代表背景图像风格特征的特征空间统计信息的同时,融合进背景图像特征,完成特征的自适应感知:采用求近似解的方式,将计算量放入训练阶段,引入近似值,并根据目标的特征空间进行调整:式中, 表示一个可以通过学习得到的权重矩阵,Φ则用来进行维数的匹配;
步骤3.3、为指导网络进行学习,训练并优化相应参数,综合考虑网络的结构,最小化背景区域图像与目标图像间的风格特征,网络的损失函数设计如下,以此来指导网络进行特征的自适应感知:式中,Gen(xc,xs)表示本发明所提网络结构, 为对网络优化而得到的网络参数,i∈{1,..K}为背景区域图像特征层数,目标图像特征层数为c,lTV(·)为全变差正则化项,用来增加生成目标图像的平滑性,λTV为其权重项;λc和是λs用来平衡目标图像和背景图像风格特征相似性的权重比值,即通过对两者的加权系数进行增减,能够控制目标的隐藏程度。
4.根据权利要求1所述的方法,其特征在于,所述步骤4中,将生成的目标图像与原始图像的背景区域图像进行边缘优化,以获得颜色变化平滑的图像,使最终结果接近真实的自然场景图像;
将原始图像中的背景区域作为背景,生成的目标图像作为前景进行融合:
Xfinal=αX′object+(1-α)Xbackground (5)式中,Xfinal表示最终结果图,X′object表示生成的目标图像,Xbackground表示原始图像背景区域,通过求解泊松方程能够计算得到α值。