1.基于鲁棒性背景先验和全局信息的显著性目标检测方法,其特征在于:该方法包括以下步骤:(1)构建待检测图像的超像素标签矩阵;(2)构建待检测图像的超像素权重矩阵;(3)筛选瞬态节点和吸收节点;(4)构建待检测图像的马尔科夫转移矩阵,并计算瞬态节点吸收时间;
(5)构建马尔科夫转移矩阵的显著性特征图;(6)根据权重矩阵,计算超像素点的前背景概率;
(7)构建鲁棒性背景先验显著特征图;(8)将马尔科夫转移矩阵的显著性特征图和鲁棒性背景先验显著特征图进行叠加整合,并利用所有超像素点的显著性值,生成超像素点的综合显著性检测图;
步骤(6)中所述的“根据权重矩阵,计算超像素点的前背景概率”,其具体包括以下步骤:(61)采用以下公式计算边界节点的背景连通性:
对于任意的两个超像素点p和q,dapp(p,q)为国际照明委员会颜色‑对比CIELAB中它们的平均颜色之间的欧几里德距离,dgeo(p,q)是测地距离,定义为沿图中最短路径的累积边权重;
(62)采用以下公式求得超像素点p属于背景的可能性BndCon(p):
其中,Lenbnd(p)表示边界部分的超像素的边长,6是一个调整参数,对于图像边界上的超像素为1,否则为0;
Area(p)表示超像素点所在区域的面积,N为超像素点的数量;σclr为调整参数;exp是以e为底的指数函数;dgeo(p,pi)是测地距离;S(p,pi)表示超像素点pi对p的区域的贡献度,累加起来就是p所属区域的面积;
(63)采用以下公式,计算超像素点的背景先验bgi:
其中,σbndCon为背景联通性的调节参数,通常设为1;exp是以自然常数e为底的指数函数,e的取值为2.71828;BndCon(pi)表示超像素点pi属于背景的可能性;
(64)采用以下公式,计算超像素点的前景先验fgi:
fgi=Ctrp·bgi其中,Ctrp表示超像素的对比度,dapp(p,pi)表示超像素p和超像素pi的权重;dspa(p,pi)是超像素p和超像素pi的中心之间的距离,σspa是调节参数,exp是以自然常数e为底的指数函数,e的取值为2.71828。
2.根据权利要求1所述的基于鲁棒性背景先验和全局信息的显著性目标检测方法,其特征在于:步骤(1)所述的“构建待检测图像的超像素标签矩阵”,其具体包括以下步骤:(11)将待检测图像分割成若干超像素点,并将分割后的待检测图像在红绿蓝三通道上进行颜色‑对比空间转换,获得待检测图像在国际照明委员会颜色‑对比CIELAB空间中的特征值;
(12)利用简单线性迭代聚类SLIC超像素分割算法,分割待检测图像,将待检测图像分为若干超像素块,获得相应的超像素映射图,并生成待检测图像的超像素标签矩阵;对于每一个超像素里面所有的像素,以其在国际照明委员会颜色‑对比CIELAB空间中的特征均值作为每一个超像素的特征值。
3.根据权利要求1所述的基于鲁棒性背景先验和全局信息的显著性目标检测方法,其特征在于:步骤(2)中所述的“构建待检测图像的超像素权重矩阵”,其具体包括:以超像素作为节点构造出图模型,并寻找每个节点的邻接节点,计算出所有节点之间的边权重,构造邻接节点之间的权重矩阵。
4.根据权利要求1所述的基于鲁棒性背景先验和全局信息的显著性目标检测方法,其特征在于:步骤(3)中所述的“筛选瞬态节点和吸收节点”,其具体包括以下步骤:(31)根据权重矩阵获取待检测图像的超像素映射图,将超像素映射图中边界的超像素作为粗略边界节点;
(32)计算出每一个粗略边界节点的边界连通值,将边界连通值中大于阈值的粗略边界节点作为吸收节点,剩下的其余所有节点作为瞬态节点。
5.根据权利要求1所述的基于鲁棒性背景先验和全局信息的显著性目标检测方法,其特征在于:步骤(4)中所述的“构建待检测图像的马尔科夫转移矩阵,并计算瞬态节点吸收时间”,其具体包括以下步骤:(41)求出每个节点和所有节点之间的关联矩阵A;(42)根据关联矩阵A中每个节点和所有节点之间的权重和,计算出度矩阵D;
(43)将关联矩阵与度矩阵的逆矩阵点乘,得到马尔可夫转移矩阵P;所述步骤(43),其具体包括以下步骤:采用以下公式计算所有节点的转移矩阵:
其中,P是马尔科夫转移矩阵,D是度矩阵,wij是待检测图中各超像素点之间的亲和度;对于国际照明委员会颜色‑对比CIE‑lab空间中的距离中相近的点,它们之间的亲和度会更高;σ是控制权重的参数;A是和亲和度矩阵W有关的矩阵:如果节点i是一个瞬态节点而且它不与邻居节点相连接,则aij=wij,aii=1,否则aij=0;dii表示矩阵W每一行值的和;diag表示对角矩阵,非对角线元素为0;e是自然常数;ci和ci表示与CIE‑lab颜色空间中的两个节点相对应的超像素的平均值,||||是求范数的符号;
(44)根据马尔科夫转移矩阵P求得每个瞬态节点的吸收时间;所述步骤(44),其具体包括以下步骤:(441)采用以下公式调整马尔科夫转移矩阵P的顺序,使得前t个节点为顺态节点,后n‑t个节点为吸收节点:其中,R包含任何瞬态节点转移至任何吸收节点的概率;
(442)采用以下公式计算吸收时间T:
T=(I‑Q)‑1×c其中,I是一个t×t的单位向量,Q∈[0,1]t×t表示瞬态节点之间的转移概率,c是一个全1的n‑t维向量。
6.根据权利要求1所述的基于鲁棒性背景先验和全局信息的显著性目标检测方法,其特征在于:步骤(5)中所述的“构建马尔科夫转移矩阵的显著性特征图”,其具体包括:以马尔科夫转移矩阵中每个瞬态节点的吸收时间作为自身的显著性值,生成马尔科夫转移矩阵的显著性特征图。
7.根据权利要求1所述的基于鲁棒性背景先验和全局信息的显著性目标检测方法,其特征在于:步骤(7)中所述的“构建鲁棒性背景先验显著特征图”,其具体包括:采用以下公式计算待检测图像中超像素点的鲁棒性背景先验显著性特征图:
其中,fgi和bgi分别是超像素点属于前景和背景的概率;si是N个超像素节点pi的显著性值;Wij是相邻的超像素点i和j的相似度,
8.根据权利要求1所述的基于鲁棒性背景先验和全局信息的显著性目标检测方法,其特征在于:步骤(8)所述的“将马尔科夫转移矩阵的显著性特征图和鲁棒性背景先验显著特征图进行叠加整合,并利用所有超像素点的显著性值,生成超像素点的综合显著性检测图”,其采用以下函数实现:其中,bgi,fgi是超像素的背景和前景先验,Si是N个超像素节点中节点pi的显著性值,Sj是N个超像素节点中节点pj的显著性值,Ti是瞬态节点的吸收时间,Wij是相邻的超像素点i和j的相似度,μ是控制两个模型的平衡参数;
具体地说,将上述函数求导,得到以下公式:
其中,D是度矩阵,W是相邻的超像素之间的亲和度矩阵,B和F是对角矩阵fg分别表示所有超像素的前景,T表示瞬态节点的归一化吸收时间;通过该公式最终计算出每一个超像素点的显著性值,能得到整个图像的显著性值,再利用所有节点的显著性值,生成综合显著性检测图。