基于显著区域差异和显著密度实现显著物体自动检测的方法

摘要

基于显著区域差异和显著密度实现显著物体自动检测的方法，它涉及实现显著物体自动检测的方法。它为解决目前基于窗口定位检测显著物体的方法所存在的包含过多的背景像素，不能精确提取出显著物体的问题。一、计算显著图S(x，y)的空间权重显著图S′(x，y)：二、寻找窗口内部区域显著度和窗口外部区域显著度差异最大化；三、计算得到显著密度值最大的窗口；四、将窗口W

说明书

技术领域

本发明涉及实现显著物体自动检测的方法。

背景技术

心理学和认知科学的研究表明视觉选择性注意的机制是人类感知的一种重要机制，即面对一个复杂场景时，人类的注意力会迅速被少数几个显著的视觉对象所吸引，并对这些对象进行优先处理。将视觉注意力机制引入到图像和视频的分析中，能帮助图像和视频系统更加容易的获取观察者注意的区域信息，提高图像和视频系统的工作效率。显著物体的检测已经广泛的应用到图像/视频压缩、物体跟踪、物体检测和识别中。

目前现在的显著物体检测技术可以分为两类，即基于阈值选择的显著物体检测技术和基于窗口定位的显著物体检测技术。基于阈值选择的显著物体技术可以获得非常好的显著物体提取结果，然而该方法依赖于阈值的准确性，而在实际检测中很难选择合适的阈值。基于窗口定位的显著物体检测技术关注的是如何定位一个包含物体的窗口，该方法忽略了窗口在包含显著物体的同时，包含了更多的背景像素，如果将窗口直接用于显著物体提取，会导致不能精确提取出显著物体。

发明内容

本发明为了解决目前基于窗口定位检测显著物体的方法所存在的包含过多的背景像素，不能精确提取出显著物体的问题，提供基于显著区域差异和显著密度实现显著物体自动检测的方法。

基于显著区域差异和显著密度实现显著物体自动检测的方法，该方法包括以下步骤：

步骤一、处理待检测图像的显著图S(x，y)，计算该显著图S(x，y)的空间权重显著图S′(x，y)；

步骤二、初始化一个队列P为空队列，用来存放窗口W_n，n＝0，1，，2，3，…，i；i为自然数；逐一比较每一个窗口的内部区域和该窗口外部区域显著度差异值，搜索窗口内部区域和窗口外部区域显著度差异值最大的窗口，并依次将搜索过的窗口W₀，W₁，，W_i-1，W_i放进队列P中；

步骤三、依次计算步骤二得到的队列P中的i+1个窗口的显著密度值f_den(W_n)；并对比获得的所有显著密度值，将显著密度值最大的窗口作为最终窗口W^*；

步骤四、将步骤三得到的窗口W^*的内部区域设置为前景，将窗口W^*的外部区域设置为背景，采用GrabCut算法对待检测图像进行分割，得到显著物体。

本发明首先在计算显著区域差异最大化的过程中获得一系列窗口，然后从这些窗口中选择出显著密度最大的窗口作为GrabCut分割算法的初始化参数，然后在原始图像上进行GrabCut分割，提取显著物体。

本发明的优点是：本发明实现了无参化的显著物体提取，提取的物体具有清晰的轮廓，避免了基于窗口定位检测显著物体时所存在的包含过多的背景像素的问题。

附图说明

图1为本发明所述基于显著区域差异和显著密度实现显著物体自动检测的方法的流程图。

具体实施方式

具体实施方式一：下面结合图1说明本实施方式，本实施方式所述基于显著区域差异和显著密度实现显著物体自动检测的方法，该方法包括以下步骤：

步骤一、处理待检测图像的显著图S(x，y)，计算该显著图S(x，y)的空间权重显著图S′(x，y)；

步骤二、初始化一个队列P为空队列，用来存放窗口W_n，n＝0，1，，2，3，…，i；i为自然数；逐一比较每一个窗口的内部区域和该窗口外部区域显著度差异值，搜索窗口内部区域和窗口外部区域显著度差异值最大的窗口，并依次将搜索过的窗口W₀，W₁，，W_i-1，W_i放进队列P中；

步骤三、依次计算步骤二得到的队列P中的i+1个窗口的显著密度值f_den(W_n)；并对比获得的所有显著密度值，将显著密度值最大的窗口作为最终窗口W^*；

步骤四、将步骤三得到的窗口W^*的内部区域设置为前景，将窗口W^*的外部区域设置为背景，采用GrabCut算法对待检测图像进行分割，得到显著物体。

具体实施方式二：本实施方式是对具体实施方式一的进一步说明，本实施方式所述的步骤一中的计算显著图S(x，y)的空间权重显著图S′(x，y)的方法为：

$>S^{\prime }(x,y)=\frac{N+M-d(x,y)}{N+M}\times S(x,y)$>公式1

参数N表示显著图S(x，y)的宽度；参数M表示显著图S(x，y)的高度；参数d(x，y)表示像素点(x，y)到显著图S(x，y)质心的欧式距离。

具体实施方式三：本实施方式是对具体实施方式一的进一步说明，本实施方式所述的基于显著区域差异和显著密度实现显著物体自动检测的方法，步骤二所述的初始化一个队列P为空队列，用来存放窗口W_n，n＝0，1，，2，3，…，i；逐一比较每一个窗口的内部区域和该窗口外部区域显著度差异值，搜索窗口内部区域和窗口外部区域显著度差异值最大的窗口，并依次将搜索过的窗口W₀，W₁，，W_i-1，W_i放进队列P中的实现过程为：

初始化一个窗口W₀＝[0，N-1]×[0，N-1]×[0，M-1]×[0，M-1]，窗口W₀的大小与显著图S(x，y)的大小相同；

计算窗口W_n对应的显著图S_n(x，y)，初始化S₀(x，y)＝S′(x，y)，初始化m₀＝Mean(S₀)，参数Mean(·)表示显著值均值；

初始化窗口内部区域显著度和窗口外部区域显著度差异f_div(W₀)＝0；

利用公式2更新显著图S_n(x，y)：

$>S_n(x,y)=\left(\begin{array}{cc}{S}_0(x,y)-m_{n-1},& (x,y)\in W_{n-1}\\ -m_{n-1},& (x,y)\notin W_{n-1}\end{array}\right)$>公式2

公式2中参数m_n-1表示在S₀(x，y)中窗口W_n-1内的显著值的平均值；

使用Efficient Sub-window Search算法在显著图S_n(x，y)中定位窗口W_n；将定位得到的窗口W_n放入队列P中；使用在显著图S₀(x，y)中W_n窗口内的显著值的平均值更新m_n；

使用公式3计算窗口W_n的内部区域和窗口外部区域显著度差异值f_div(W_n)；

$>f_{\mathrm{div}}\left(W_n\right)=\left|W_n\right|\times \underset{b=1}{\overset{B}{\Sigma }}{s}_{W_n}^b\log \frac{s_{W_n}^b}{s_{\overline{W_n}}^b}$>公式3

公式3中参数b表示显著图中灰度值种类的数量，参数表示窗口W_n中第b个灰度值的数量，|W_n|表示窗口W_n内的像素个数；

当显著度差异值f_div(W_n)≤f_div(W_n-1)时，停止搜索；f_div(W_n)为窗口W_n的内外区域显著度差异值，f_div(W_n-1)为窗口W_n-1的内外区域显著度差异值。

具体实施方式四：本实施方式是对具体实施方式一的进一步说明，本实施方式所述的步骤三中的依次计算步骤二得到的队列P中的i+1个窗口，得到i+1个窗口的显著密度值f_den(W_n)；并比较每个窗口的显著密度值将显著密度值最大的窗口作为最终窗口W^*的实现方法为：

根据显著密度计算公式4依次计算步骤二得到的队列P中的i+1个窗口，得到i+1个窗口的显著密度值f_den(W_n)；

$>f_{\mathrm{den}}\left(W_n\right)=\frac{{\Sigma }_{(x,y)\in W_n}{S}^{\prime }(x,y)}{\left|W_n\right|}$>公式4

当f_den(W_n)≤f_den(W_n-1)时，停止搜索，返回当前得到的窗口W_n-1，并将该窗口记为W^*，窗口W_n-1即为显著密度值最大的窗口。

工作原理：

本发明不局限于上述实施方式，还可以是上述各实施方式中所述技术特征的合理组合。