该方法涉及图像处理、图像识别、计算机视觉技术领域。
背景技术：
显著目标识别是视觉显著性的一个重要应用。视觉显著性反映了场景中的目标对人类视觉注意力的吸引能力。通过建立视觉显著性计算模型可以对这种能力进行量化估计，并用灰度图像表示出来。视觉显著性广泛应用于视觉计算的各种领域，包括显著目标识别、视频分析、遥感图像处理、图像压缩等。起初，视觉显著性计算模型基于颜色、方向、亮度等特征而建立；随后，马尔科夫随机链的计算模型被提出，这些计算模型都是基于局部对比的计算模型，能有效地检测出目标像素与周围像素的特征差异大小，使得在边缘附近的像素显著性较大。但算法仅考虑了局部对比，未考虑全局的结构"布局等因素，容易检测到局部显著区域，而不能描述完整的显著目标。由于其局限性，基于全局对比的计算模型被提出来，基于全局对比的算法参数少且计算简单，充分考虑了全局的布局等因素，但由于算法缺乏局部对比机制，导致得到的显著性目标表示的一致性较差。
技术实现要素：
针对现有技术存在的上述问题，本发明综合考虑了局部对比与全局对比两方面因素，采用以空间距离为权值的颜色距离来表示显著性，并利用图像中颜色的分布性来以全局的角度定义目标整体，解决了片面考虑所带来的问题，并采用SLIC算法将图像抽象为多个超像素，每个超像素大小相似且适中，并且基于多尺度的思想，选择分割成不同的超像素个数，以实现多尺度分析的目的，从而更好地处理不同大小的显著目标的情况。
本发明的目的是：提高图像识别率。
本发明为实现上述目的所采用的的技术方案是：一种显著目标识别方法，该方法的步骤如下：
步骤一：在Lab颜色空间上分割图像，生成紧凑且边界清晰的超像素；
步骤二：以超像素间空间距离作为权值的加权颜色距离之和来表示超像素的稀少性Rik；
步骤三：选择超像素与其颜色相近的其他的超像素的空间距离之和来表示空间分散性Dik；
步骤四：计算超像素间的空间距离之和来表示空间分散性Sik；
步骤五：将每个尺度的显著值均归一化到[0，55]，并将其以灰度图形式表达；
步骤六：求得各尺度的显著图后，需将各尺度显著图融合以得到最终的显著图。
本发明的有益效果是：本发明提出的显著性计算模型相较于现有的一些模型，提高了显著目标识别的精确率，为进一步的目标分析提供了良好的基础。与现有的算法相比，该模型提高了算法对显著目标大小的适应性，减少了背景对显著目标识别的干扰，具有更好的一致性，能更好地识别显著目标。
具体实施方式
下面，具体的描述此发明。
1、图像抽象化处理
以SLIC算法为框架，把具有相似颜色且距离相近的像素聚类，形成视觉上均匀的区域，生成超像素。利用K-means聚类在Lab颜色空间上分割图像，生成紧凑且边界清晰的超像素，所以上述步骤一的超像素的生成方式如下：首先：设定抽象化图像分为3个尺度，所包含的超像素个数为NK＝{100,400,1000}，并定义第k个尺度中的第i个超像素在Lab颜色空间上的颜色为Cik，空间位置为Pik，其中超像素的颜色由其内部所有像素的平均颜色表示，空间位置取超像素的中心来表示。
2、计算单一尺度超像素的显著性
由于：(1)具有不同颜色的区域对应显著性值高，均匀的区域显著性值低，(2)经常出现的特征应当被抑制，(3)显著的像素应当聚集在一块，而不是遍布整幅图像。所以本算法取NK＝400，采用以超像素间空间距离作为权值的加权颜色距离之和来表示超像素的稀少性Rik，所以上述步骤二的稀少性Rik计算方法如下：
定义dcolor(i，j)为第i个超像素与第j个超像素在Lab颜色空间上的欧式距离，并对其归一化。
定义dposition(i，j)为两个超像素空间位置的欧式距离，并对其归一化，定义：
式中，用来控制空间距离对颜色对比的影响大小，本方法中当两个超像素的空间距离较小时，Rik可以基本看成是两个超像素间的颜色空间的欧式距离之和，当两者的空间距离较大时，会大幅度减小两者的颜色距离对稀少性的影响。所以Rik越大，则在第k个尺度下第i个超像素的稀少性越高。
选择超像素与其颜色相近的其他超像素的空间距离之和来表示空间分散性。首先要选出与第i个超像素颜色相近的超像素，采用高斯低通滤波，定义
式中，是关于中心的扩展度的度量，在本方法中δC＝0.1。当dcolor(i，j)＝3δC时，H(i，j)可近似为0。后通过计算超像素间的空间距离之和来表示空间分散性，所以上述步骤三空间分散性Dik的计算方法为：
当超像素间颜色相近时H(i，j)近似为1，即由超像素间的空间距离来表示空间分散性，而当超像素间的颜色距离较大时，H(i，j)近似为0，其空间距离对超像素的空间分散性基本没有影响。由式(3)可以看出，Dik越大，则表明第i个超像素所具有的颜色在整幅图像中分布越广泛，空间分散性越高。在分别计算得到每个尺度下的Rik与Dik的值后，定义Sik表示第k个尺度下第i个超像素的显著性。
由于Sik与Rik成正比，与Dik成反比，且若某个超像素的Dik值较大时，超像素的颜色在整幅图像中分布广泛，则即使它在局部较为显著，在整幅图像上看，也是不具备高显著性的，所以上述步骤四空间分散性Sik的计算方法为：
δk为第k个尺度下的参数，不同尺度下δk也不同，在本发明中，Nk取100/400/1000时，δk分别取0.5/0.2/0.1。
3、多尺度融合计算显著性
在单独计算出每个尺度的所有Sik值后，将每个尺度的显著值均归一化到[0，255]，并将其以灰度图形式表达，在求得各尺度的显著图后，需将各尺度显著图融合以得到最终的显著图由于要识别的显著目标大小未知，在没有先验知识的情况下并不能确定哪一个尺度下的显著值能更好地识别显著目标，故本发明选择求取各尺度显著值的平均值作为最终显著值，所以上述步骤六中显著图像的合成方法为：
首先分别将各尺度的显著值Sik分配到超像素内的各个像素，并归一化到[0，1]，然后3个尺度下对应像素的显著值相加求平均值，最后将求得的最终显著值重新归一化到[1，255]，并以灰度图像表示。
上述实施例只是为了更好的解释本发明，并不是限定本发明，本发明的保护范围依据权利要求书的内容确定。