1.一种基于多图学习的水体显著性目标检测方法,包括以下步骤:步骤一:通过无人机和遥感信息对水体信息进行获取;
步骤二:数据预处理:对获取的SLIC超像素分割,生成邻接矩阵,构建完全图;
步骤三:提取多特征:(1)颜色特征图提取;(2)对比特征图提取;
步骤四:流形排序方法显著性检测;
步骤五:多显著性图结合;
步骤六:显著性优化:通过显著性优化框架对图像进行处理,得到新的显著性效果图;
步骤七:显著性效果图进行校验:通过ASD、MSRA、SOD、SED2进行实验并通过绘制PR曲线和计算MAE与optMR和optSO进行比较;
颜色特征图提取的步骤如下:
第一步,将RGB颜色空间转换为LAB颜色空间,并分别求出所有超像素的平均L、a、b值,公式如(2.1)所示:(2.1)
其中N为超像素的个数,分别表示第i个超像素的L、a、b值第二步,计算每个超像素到Lab均值的欧式距离,公式如(2.2)所示:(2.2)
第三步,对欧氏距离进行归一化得到,公式如(2.3)所示:(2.3)
从而从图像的颜色特征得到了显著性图;
图像对比特征的提取步骤如下:
第一步,计算出每个超像素在LAB颜色空间的欧几里得距离,公式如(2.4)所示:(2.4)
第二步,计算每个超像素之间的空间位置欧几里得距离,公式如(2.5)所示:(2.5)
其中和分别表示第i个超像素的中心行列值,公式如(2.6)所示:(2.6)
其中和分别表示超像素内每个像素的行列值,n为超像素内像素的个数,计算完位置距离后,我们计算空间位置的权重,公式如(2.7)所示:(2.7)
其中为常数,这里我们取0.4计算完空间位置权重后,我们将LAB颜色空间距离进行融合,从而得到超像素间对比度权重,公式如(2.8)所示:(2.8)
第三步,将每个超像素与其它超像素的对比度权重进行相加,得到每个超像素从对比度特征上提取到的显著性值,公式如(2.9)所示:(2.9)
其中N为超像素的个数,最后对显著性值进行归一化,公式如(2.10)所示:(2.10)
从而从图像对比度色特征得到了显著性图;
流形排序方法包括有两个阶段,第一阶段:分别通过图像的四边超像素边界作为种子节点进行背景先验从而得到四副不同的显著性图,然后整合得到一副显著性图;
多显著性图结合采用加权融合方法;
(2.11)
其中,和均为常数,根据融合后的显著性检测效果图以及多次试验数据,我们取为0.2,为0.3,为0.5。
2.根据权利要求1所述的一种基于多图学习的水体显著性目标检测方法,其特征在于,第二阶段:在第一阶段的前提上以第一阶段的前景区域作为种子点进行前景先验。