基于Sugeno模糊积分的显著性检测方法与流程

本发明属于图像处理领域，涉及一种基于Sugeno模糊积分的显著性检测方法，采用有效的轮廓检测方法检测前景种子，得到大概的前景区域，并使用贝叶斯概率模型应用于超像素属于前景概率的计算。模糊积分将各个特征的优势依据具体图像进行有效的融合，属于自底向上显著性检测模型。

背景技术：

一般情况下，人们只会对视觉场景中感兴趣的只是某个局部而不是视力范围内的所有物体。显著性检测技术能够模拟人类的视觉系统，检测出图像中最能吸引人们注意最能表现图像内容的显著部分。这部分相对于它的邻近区域突出，比如在颜色、纹理、形状等方面与邻近区域有较明显的区别。

目前，随着人们对显著性检测的研究越来越深入，已经涌现出来很多好的检测方法与检测模型。自底向上的显著性检测模型是图像显著性检测中运用比较广泛的一种模型，相比于基于高层语义信息的自顶向下显著性检测模型，它基于底层特征，能更有效的检测图像的细节信息。同时，人们发现对比度是对检测结果影响较大的因素。对比度即两个单元在颜色、梯度、亮度、空间距离、形状等特征上的差别程度。根据对比单元分布，对比度分为全局对比度和局部对比度。局部对比度方法是基于周围邻近像素估计一特定区域的显著性，这类方法能产生较清晰的显著图，但忽略了全局关系结构，而且对图像的高频部分更为敏感。全局对比度方法在整幅图像上考察对比度关系。这类方法倾向于将大范围的目标同周围环境分离开，检测结果通常优于会在轮廓附近产生较高显著性的局部对比度方法，但是由于较多关注整幅图像的结构和统计特征，需要解决复杂的整合问题。对于特征差异较明显的图像，利用对比度理论能够得到较好的显著性检测结果，但是这种方法需要有明确的背景单元或者是前景单元作为参照进行特征间的对比计算，从而得到像素显著性值，而且针对各个特征对检测结果的影响，没有一个较好的融合方法。

技术实现要素：

本发明考虑到各个特征的重要程度，提出了一种基于Sugeno模糊积分的显著性检测方法，目的在于克服现有技术的不足。针对各个底层特征，采用贝叶斯概率模型作为积分的置信度计算函数，对每一个超像素在各个特征上得到的前景概率值使用模糊积分进行融合，得到较好的显著性图。

本发明的技术方案：

基于Sugeno模糊积分的显著性检测方法，步骤如下：

步骤1.划分前景区域和背景区域：采用概率边界(probability of boundary，PB)方法和最大类间差(OSTU)方法，获得前景种子，并使用DBSCAN聚类算法将前景种子分簇并消除噪音点，使用凸包将图像前景区域和背景区域两部分。

步骤2.计算置信度：基于各颜色空间的互补性，在多种颜色特征上计算像素点成为前景的概率。在各颜色直方图上，采用贝叶斯概率模型计算像素点成为前景的概率。本发明中采用CIELab、Ohta、HSV三种颜色空间。

步骤3.计算模糊测度：对前景区域和背景区域的超像素置信度求均值，两均值的差值作为超像素的模糊密度函数，根据λ模糊测度定义计算λ值并求得积分公式中各颜色特征的模糊测度。

步骤4.积分融合：对各个颜色空间上得到的像素概率进行模糊积分，得到最终的显著图。

本发明的有益效果：本发明所提出的基于Sugeno模糊积分的显著性检测方法，考虑到了由于噪声、光照变化等的影响，像素存在错误划分的可能性。采用模糊积分能更好的处理这种不确定性。模糊积分针对具体的图像，能够根据各个颜色特征对检测结果的重要程度进行融合，检测出更为准确的前景区域，得到较好的显著图。

附图说明

图1是本发明图像显著性检测方法的流程图

图2是本发明的实例检测流程的效果图

具体实施方式

以下结合附图和技术方案，进一步说明本发明的具体实施方式。

针对上述四个步骤，对每一个步骤进行以下具体说明：

步骤1：划分前景区域和背景区域

1.1检测前景种子：采用简单线性迭代聚簇方法将图像分割成超像素，作为本发明中图像处理的最小单元。用边界概率(probability of boundary，PB)方法检测出图像的边界信息，得到超像素i的边缘像素的平均PB值，计算公式为其中Ipb是超像素i中边缘像素I的PB值，|B_i|是超像素i中边缘像素数量。采用OTSU方法得到一个自适应阈值，把PB值大于阈值的超像素作为前景种子。

1.2设定前景区域和背景区域：使用DBSCAN算法将前景种子进行分簇，消除噪音点。采用包含所有前景种子的凸包区域作为初步设定的前景区域F，凸包外的作为初步设定的背景区域B。令N代表图像中所有超像素个数，N_f表示在前景区域F中的超像素个数，N_b代表背景区域B超像素个数。

步骤2：计算置信度

2.1统计各颜色直方图：本发明中采用三种颜色空间，针对每一个颜色特征，分别统计凸包内外区域F和B的颜色直方图。

2.2设置置信度函数：本发明中，将贝叶斯概率模型作为模糊积分中的置信度函数，函数形式表示为h(x)。针对每一超像素p，在x颜色特征上其置信度为：

其中，表示前景区域在整幅图像中的比例，P(B)＝1-P(F)表示背景区域在整幅图像中的比例。C_p为超像素p的颜色通道向量

P(C_p|F)和P(C_p|B)计算公式如下：

其中分别表示前景区域中超像素p的每一个颜色向量值所在颜色区间在对应的颜色直方图中的值。分别表示背景区域中超像素p的颜色向量值所在颜色区间在对应颜色直方图中的值。

根据以上方法，分别在CIELab、Ohta、HSV三个颜色空间上计算超像素的置信度，超像素p的置信度函数分别表示为h_p(x₁)、h_p(x₂)、h_p(x₃)。

步骤3：计算模糊测度

3.1计算λ模糊测度的λ值：模糊测度表示积分的各元素对积分结果的重要程度，本发明中，模糊测度表示各颜色特征对积分结果的重要程度。本发明中，令特征集合表示为X＝{x₁,x₂,x₃}，x₁、x₂、x₃分别表示CIELab、Ohta、HSV颜色特征。在Sugeno模糊积分定义中，若模糊测度满足条件：存在常数λ,λ＞-1，使得g(A∪B)＝g(A)+g(B)+λg(A)g(B)，则称g为λ-模糊测度。λ可通过一下公式得到：

其中，g_i＝g({x_i})表示模糊密度函数。

本发明中，采用各个颜色特征上前景区域与背景区域的超像素置信度的均值差作为其模糊密度，它用于表示单个颜色特征划分前景区域和背景区域的能力。由以下公式得到：

其中，表示在颜色特征x_i上前景区域超像素属于前景的概率均值，表示在颜色特征x_i上背景区域超像素属于背景的概率均值。

由公式(4)和公式(5)可得到λ值。

3.2计算每个超像素上各特征的模糊测度：针对每个超像素p，其在特征集合X＝{x₁,x₂,x₃}上，有h:1≥h_p(x₁)≥h_p(x₂)≥h_p(x₃)≥0，若h无法满足这个关系，则将集合X的元素重新排列直到满足这个关系为止。设θ为排序函数，应有X_θ＝{x_θ(1),x_θ(2),x_θ(3)}满足关系1≥h_p(x_θ(1))≥h_p(x_θ(2))≥h_p(x_θ(3))≥0，且当g是λ模糊测度时，对A_θ(1)＝{x_θ(1)}，A_θ(2)＝{x_θ(1),x_θ(2)}，A_θ(3)＝{x_θ(1),x_θ(2),x_θ(3)}等任意集合，g(A_i)的值可由下式计算：

g(A_θ(1))＝g({X_θ(1)})＝g_θ(1) (6)

g(A_θ(2))＝g_θ(2)+g(A_θ(1))+λg_θ(2)g(A_θ(1)) (7)

g(A_θ(3))＝g_θ(3)+g(A_θ(2))+λg_θ(3)g(A_θ(2)) (8)

其中g_θ(i)＝g({x_θ(i)})，λ由步骤3.1得到。

步骤4：积分融合

最后一步是依据步骤2和步骤3得到的置信度函数h和模糊测度函数g，采用Sugeno模糊积分函数对每一超像素p在本发明中采用的三个特征上进行积分融合。每一个超像素在集合特征X上的关于模糊测度g的函数h的Sugeno积分可如下计算：