一种基于迭代图割和自适应聚类的显著性检测方法

摘要

本发明属于图像处理领域，涉及一种基于迭代图割和自适应聚类的显著性检测方法，解决图像显著性检测问题。首先，使用简单线性迭代聚类SLIC算法对图像进行分割，得到大小不同的超像素。然后，基于迭代图割算法得到图像的背景部分，提出自适应聚类算法构建图像的初始显著性图。最后，根据初始显著性图中的显著部分，通过超像素的区域性查找显著区域，使用迭代图割算法更新显著区域得到最终的显著性图。该方法减少计算量的同时又不失精度，且具有很高的准确性。

说明书

技术领域

本发明属于图像处理领域，涉及一种基于迭代图割和自适应聚类的显著性检测方法。

背景技术

图像显著性检测的目的是查找图像中最显著的部分，显著部分体现了图像中的哪些区域能够引起人们的重视以及重视的程度。显著性检测算法可以分成两大类：自顶向下方法和自底向上方法。自顶向下通常是针对特定的任务或者目标，使用有监督的方式学习目标的各种特征，然后对输入的图片进行检测，使用学到的特征信息完成显著性目标识别，这类方法的缺点是只能完成特定的目标且必须通过训练，扩展性较差。自底向上的方法不需要进行学习，直接通过像素等信息来进行计算，常用的方法基于边缘有限的原则，通过中心与边缘之间进行对比，计算这两部分之间的差异来查找显著部分。

基于边缘优先的显著性图构建算法往往是将图像边缘部分的超像素进行聚类，然后通过内部超像素与边缘不同聚类超像素之间在颜色和位置上的差异来构建显著性图，聚类个数往往是固定的，但是不同图像的背景复杂程度不同，聚类成相同个数对于背景单一简单的图片或者背景复杂的图片往往会影响计算的准确性，需要根据背景的复杂程度设置不同的聚类个数来解决。

能够有效地进行背景前景分割在图片编辑中具有非常重要的作用，经典的图像分割工具往往是利用图像的纹理信息或者边缘对比信息来进行分割，而迭代图割算法能够综合利用纹理边缘等各种信息来进行分割，分割效果好并且能够优化处理目标的边缘部分。但是，迭代图割算法需要手动选择待分割区域，无法实现显著性目标的自动检测，显著性检测结果很大程度上依赖于待分割区域的选择，区域选择过大，过小或者待检测位置都会影响检测结果。

超像素在图像处理中得到了广泛的应用，是很多算法的基本运算单位，与以像素为计算单位相比，超像素有较少的计算量但又不失精确性，很多算法都是基于简单线性迭代聚类SLIC算法，该算法根据像素的颜色相似性和空间位置的接近程度对图像进行聚类，得到大小相近的超像素，超像素的个数也可以指定。超像素数量多能够提高计算精度，但是不能很好的体现图像中不同部分的区域性；超像素数量小能很好的体现图像中不同部分的区域性，但是计算精度低。wCO，XL，MR等显著性检测算法都使用了简单线性迭代聚类SLIC算法得到的大小相近的超像素来作为运算的基本单位。

本发明基于简单线性迭代聚类SLIC得到数量不同的超像素来充分利用超像素在计算量，计算精度和不同区域的体现性等方面的优势；然后，基于迭代图割算法得到图像的背景部分，提出自适应聚类算法构建图像的初始显著性图；最后，根据初始显著性图中的显著部分，通过超像素的区域性查找显著区域，使用迭代图割算法更新显著区域得到最终的显著性图。

发明内容

本发明提出了一种基于迭代图割和自适应聚类的显著性检测方法，目的在于克服上述现有技术的不足，得到一种更加准确的显著性检测方法。

为了实现上述目的，本发明的技术方案为：

一种基于迭代图割和自适应聚类的显著性检测方法，包括如下步骤：

第一步，使用简单线性迭代聚类算法SLIC对图像进行分割，分别得到SLIC大超像素图像和SLIC小超像素图像；将输入图像分割40～60个超像素，得到SLIC大超像素图像，用于体现图像不同部分的区域性；将输入图像分割300～400个超像素，得到SLIC小超像素图像，用于提高计算精度；

第二步，使用迭代图割算法对整幅图像进行分割，得到背景部分和前景部分；

第三步，使用自适应聚类算法构建初始显著性图；

a.使用自适应聚类算法，将SLIC小超像素图像的背景部分的超像素分成k类，即k是自适应聚类个数；

b.前景部分的超像素与每类背景部分的超像素的颜色差异由公式(1)计算得到:

c.前景部分的超像素与每类背景部分的超像素的距离差异由公式(2)计算得到；

d.结合颜色差异和距离差异通过公式(3)得到初始显著性图S，并对该初始显著性图归一化处理；

其中，p^k是属于第k类超像素的总数；σ₁＝0.2；σ₂＝1.3；β＝10；s_k,i是以第k个边缘聚类为基础，第i个超像素的显著性值；r_i和r_j是超像素i和j的坐标，||r_i,r_j||是超像素i和j坐标的欧式距离；w_k,i是以第k个边缘聚类为基础，第i个超像素的空间距离；c_i，c_j是超像素i和j在CIELAB下的颜色特征，||c_i,c_j||是超像素i和j在CIELAB空间中的欧式距离；

第四步，根据第一步得到的SLIC大超像素图和第四步得到的初始显著性图查找显著目标所在的矩形区域；

1)查找初始显著性图中显著性值大于等于0.5的像素所在的位置；

2)根据步骤1)所述位置查找SLIC大超像素图中对应的超像素；

3)确定每个步骤2)得到的超像素中最上、最下、最左、最右的像素位置，按照四个方向分别比较所有的像素位置，得到四个方向上像素位置的最值，确定显著目标所在的矩形区域的位置；

第五步，根据第四步得到的显著目标所在的矩形区域的位置，使用迭代图割算法得到显著区域中的前景，即显著目标，更新初始显著性图，得到最终的显著性图，具体方法为：

1)对于显著目标之外的位置，将初始显著性图中对应的显著性值降为0；

2)对于显著目标所在的位置，如果初始显著性图对应的显著性值小于0.5，则增加1/k的显著性值；如果原显著性值大于等于0.5，则增加1-1/k的显著性值，得到最终的显著性图。

上述方法的第三步中的自适应聚类个数k的求解方法，包括如下步骤：

步骤1计算SLIC小超像素图的背景部分的超像素的CIELAB颜色特征；

步骤2初始化聚类个数为k，将所有背景部分的SLIC小超像素通过公式(4)计算与原点的差异，得到对应的颜色特征最大值Max和最小值Min，

difc＝||c_i，c_j||>

其中，c_i，c_j是超像素i和j在CIELAB下的颜色特征，||c_i,c_j||是超像素i和j在CIELAB空间中的欧式距离；

从而得到四个聚类中心：Min，Max，其中Min和Max都是超像素的CIELAB颜色特征；

步骤3将背景部分的所有SLIC小超像素通过公式(4)计算与所有的k个聚类中心的颜色差异，将每个超像素聚类到差异最小的聚类里面；

步骤4计算每个聚类的新的聚类中心值，即该聚类中所有超像素颜色特征的均值，计算每个聚类颜色特征的方差；

步骤5如果某个聚类中超像素的数量小于5个，则将聚类中心通过公式(4)计算与其他聚类中心的颜色差异，合并到颜色差异小于0.2的聚类中，k值减1，重新计算合并后的聚类的聚类中心和方差，k值最小为1；

步骤6如果某个聚类的颜色特征方差大于0.5，则将该聚类按照颜色特征分成两类，k值加1并重新计算聚类中心，k值最大为8；

步骤7重复步骤3,4,5,6直到每个聚类的聚类中心不再变化或者重复次数达到设定的重复次数。

本发明的有益效果为：该方法利用简单线性迭代聚类SLIC算法分别得到数量不同的超像素个数，来体现图像中不同部分的区域性，减少计算量的同时又不失精度；提出了自适应聚类算法使用迭代图割算法得到的背景部分来构建初始显著性图；通过初始显著性图和SLIC大超像素查找图像的显著部分，利用迭代图割算法来更新初始显著性图得到最终的显著性图，具有很高的准确性。

附图说明

图1是本发明方法的流程示意图；

图2(a)为输入待检测图片；

图2(b)为以整幅图像为待分割区域，使用迭代图割算法对图像进行分割后的结果，其中边缘黑色部分表示背景；

图2(c)为使用背景超像素和自适应聚类算法得到的初始显著性图；

图2(d)为显著部分所在的矩形区域；

图2(e)为使用迭代图割算法计算显著部分坐在的矩形区域后的结果；

图2(f)为最终的显著性图；

图2(g)为真值图；

图3(a)为使用wCO算法得到的显著性图；

图3(b)为使用XL算法得到的显著性图；

图3(c)为使用MR算法得到的显著性图。

具体实施方式

下面结合附图对本发明的实施方式进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例1

图1是本发明方法的流程示意图；图2(a)、图2(b)、图2(c)、图2(d)、图2(e)、图2(f)和图2(g)分别是输入的待检测图像、迭代图割算法分割整幅图像得到的背景部分、初始显著性图、显著部分所在的区域、迭代图割分割显著区域后的结果、最终显著性图和真值。针对附图实现本发明的具体步骤为：

第一步，使用简单线性迭代聚类算法SLIC对图像进行分割，分别得到SLIC大超像素和SLIC小超像素；将输入图像分割50个超像素，得到SLIC大超像素，用于体现图像不同部分的区域性；将输入图像分割350个超像素，得到SLIC小超像素，用于提高计算精度。

第二步，迭代图割算法在分割图像时需要指定要分割的区域，本发明在这一部分以整幅图像为待分割区域，使用迭代图割算法对图像进行分割，得到背景部分和前景部分；相比只选择图像四条边上的超像素进行聚类，通过迭代图割算法得到的背景部分包含的超像素个数更多但又有很好的准确性，因为很多图像的背景区域比较大且颜色相近。

第三步，使用第一步得到的SLIC小超像素和第二步得到的背景部分，使用自适应聚类算法构建初始显著性图，自适应聚类算法是针对不同图片背景的复杂程度自动设置聚类个数，背景简单的图片聚类个数少，背景复杂的图片聚类个数多，可以提高计算的准确性。

聚类过程中会用到超像素之间的颜色差异，两个超像素的颜色差异可用公式(1)得到：

difc＝||c_i，c_j||>

其中，c_i，c_j是超像素i和j在CIELAB下的颜色特征，||c_i,c_j||是超像素i和j在CIELAB空间中的欧式距离。

下面基于SLIC小超像素和第二步得到的背景部分说明自适应算法聚类流程：

步骤1计算背景部分所包含的SLIC小超像素的CIELAB颜色特征。

步骤2初始化聚类个数k为4，将所有背景部分的SLIC小超像素通过公式(1)计算与原点的差异，得到对应的颜色特征最大值(0.9146,0.4156,0.3802)和最小值(0.3662,0.3822,0.4672)，从而得到四个聚类中心：(0.3662,0.3822,0.4672),(0.5490,0.3933,0.4382),(0.7318,0.4044,0.4092)，(0.9146,0.4156,0.3802)，所有聚类中心都是超像素的CIELAB颜色特征。

步骤3将背景部分的所有SLIC小超像素通过公式(1)计算与所有的k个聚类中心的颜色差异，将每个超像素聚类到差异最小的聚类里面。

步骤4计算每个聚类的新的聚类中心值，即该类中所有超像素颜色特征的均值，计算每个聚类颜色特征的方差；

步骤5如果某个聚类中超像素的数量小于5个，则将聚类中心通过公式(1)计算与其他聚类中心的颜色差异，合并到颜色差异小于0.2的聚类中，k值减1，重新计算合并后的聚类的聚类中心和方差，k值最小为1；

步骤6如果某个聚类的颜色特征方差大于0.5，则将该聚类按照颜色特征分成两类，k值加1并重新计算聚类中心，k值最大为8；

步骤7重复步骤3,4,5,6直到每个聚类的聚类中心不在变化或者重复次数达到200次。

以图像SLIC小超像素的背景部分为基础，使用自适应聚类算法将背景部分的超像素分成k类，即k是自适应聚类个数；超像素与每类背景部分的超像素的颜色差异由公式(1)计算得到，超像素与每类背景部分的超像素的距离差异由公式(2)计算得到；颜色差异和距离差异通过公式(3)得到一个初始显著性图S，该初始显著性图为归一化之后的结果。

其中，p^k是属于第k类超像素的总数；σ₁＝0.2；σ₂＝1.3；β＝10；s_k,i是以第k个边缘聚类为基础，第i个超像素的显著性值；r_i和r_j是超像素i和j的坐标，||r_i,r_j||是超像素i和j坐标的欧式距离；w_k,i是以第k个边缘聚类为基础，第i个超像素的空间距离；c_i，c_j是超像素i和j在CIELAB下的颜色特征，||c_i,c_j||是超像素i和j在CIELAB空间中的欧式距离。

第四步，根据第一步得到的SLIC大超像素和第四步得到的初始显著性图查找显著目标所在的矩形区域。

初始显著性图中显著目标所在的区域的查找方法为：

1)查找初始显著性图中显著性值为大于等于0.5的像素所在的位置；

2)根据显著性值大的像素所在的位置查找SLIC大超像素中对应的超像素；

3)分别查找每个由步骤2)得到的超像素中最上，最下，最左，最右的像素位置，比较所有的像素位置，得到四个方向上像素位置极值，确定显著目标所在的矩形区域的位置。

第五步，根据第四步得到的显著目标所在的矩形区域的位置，使用迭代图割算法得到显著区域中的前景，即显著目标，更新初始显著性图，得到最终的显著性图，具体方法为：

1)对于显著目标之外的位置，直接将初始显著性图中对应的显著性值降为0；

2)对于显著目标所在的位置，如果原初始显著性图对应的显著性值小于0.5，则增加1/k的显著性值；如果原显著性值大于等于0.5，则增加1-1/k的显著性值，得到最终的显著性图。

本实施得到的最终显著图见图2(f)，图2(g)为本实施的真值结果，其中白色区域为显著性区域，图3(a),图3(b)，图3(c)分别为wCO算法，XL算法算法与MR算法的显著性图。图2(f)与图2(g)，图3(a),图3(b)，图3(c)比较发现，本实施例的最终显著图与理想显著图吻合，本发明具有良好的显著性检测效果，且显著性结果优于其他算法。

表1是本发明使用像素单位上的平均绝对误差(MAE)表示显著性图和真值之间的平均差异来比较不同算法的结果，所有算法都是在Pascal-S，ECSSD，MSRA，DUT-OMRON四个不同的标准数据库上运行的，每个标准数据库都包含大量的图片，每行中最好的两个结果分别用**和*进行了标注，具体计算方法为：

其中,S为显著性图,GT为真值,H为像素个数,h代表每个像素，MAE是平均绝对误差。

表1不同算法的MAE值

表格1中展示的相当低的MAE值同样表明了本发明得到的显著性图与真值的相似性，即显著性检测结果的准确性。