本发明具体涉及一种新的显著性目标检测方法。
背景技术：
人类视觉在处理数量庞大的输入信息时，注意机制具有极其重要的作用。它能够将有限的资源优先分配给有用的信息，从而优先处理最有价值的数据。与人类的视觉注意行为相对应，计算机在处理输入图像时，通过检测显著性区域来实现判断其中视觉信息的重要程度。视觉显著性检测在诸如目标检测、图像压缩、基于内容的图像编辑等方面中具有广泛的应用，是计算视觉研究中非常重要的基础性课题。在显著性目标检测研究领域，基于区域的显著性检测方法由于检测速度快、精确度高等优点已经成为目前该领域中的主流方法。此类方法进行显著性检测的过程可以分为区域特征表示和对比度计算两个重要步骤，对图像区域的特征进行有效的表示直接影响到显著图的质量。
技术实现要素：
本发明要解决的技术问题是提供一种新的显著性目标检测方法。
一种新的显著性目标检测方法，包括以下步骤：
s1：利用目标性计算先验概率显著图；
s2：在图像的超像素区域内建立词袋模型，并基于此特征计算条件概率显著图；
s3：根据贝叶斯推断将先验概率和条件概率显著图进行合成。
根据权利要求1所述的显著性目标检测方法，其特征在于，利用目标性计算先验概率显著图的具体方法如下：
1）对于一幅给定的图像i，显著性检测的目的是将图像中任意像素x归于前景目标区域或者背景区域两种可能状态之一，将这两种状态分别简记为s(salient)和b(background)，它们的先验概率相应地简记为p(s)和p(b)，则根据贝叶斯推断原理，像素x的显著性计算公式为：
式中，
2）对于图像中的任意像素x，以此像素为中心，随机抽取图像中的w个窗口，分别从以下四个方面计算每个窗口的目标性：
a）窗口显著性，首先利用任意显著性检测方法计算得到图像中每个像素的显著值i(p)，则窗口w∈w的显著性计算公式为：
式中，
b)颜色对比度，对于窗口w∈w，以
式中，
c）边缘密度，对于窗口w∈w，以
式中，
d）轮廓闭合性，
首先将图像分割为若干超像素s，则窗口w∈w的轮廓闭合性的计算公式为：
式中，s∈s表示图像中的第s个超像素，|s\w|表示超像素s位于窗口w之外的面积，而|s∩w|表示超像素s位于窗口w内部的面积；
3）将上述得到的窗口显著性
根据权利要求1所述的显著性目标检测方法，其特征在于，计算条件概率显著图的具体方法如下：
1）假定图像周边的超像素区域为背景区域，假设背景区域内超像素的数目为
式中，k为核函数，σ为窗宽，k为背景超像素特征的维数，即词袋特征的维数；
2）核函数选用高斯核函数，则1)中公式变为：
式中，
3）在背景区域已知的情况下，图像中任意超像素区域
本发明的有益效果是：
本发明将具有更好区分度的中层语义特征—词袋模型应用到显著性目标检测领域，具有非常强的新颖性，具有更高的精度和更好的查全率，能够一致高亮地凸显图像中的显著性目标。
具体实施方式
以下具体实施例对本发明作进一步阐述，但不作为对本发明的限定。
一种新的显著性目标检测方法，包括以下步骤：
s1：利用目标性计算先验概率显著图；
s2：在图像的超像素区域内建立词袋模型，并基于此特征计算条件概率显著图；
s3：根据贝叶斯推断将先验概率和条件概率显著图进行合成。
进一步的，利用目标性计算先验概率显著图的具体方法如下：
1）对于一幅给定的图像i，显著性检测的目的是将图像中任意像素x归于前景目标区域或者背景区域两种可能状态之一，将这两种状态分别简记为s(salient)和b(background)，它们的先验概率相应地简记为p(s)和p(b)，则根据贝叶斯推断原理，像素x的显著性计算公式为：
式中，
2）对于图像中的任意像素x，以此像素为中心，随机抽取图像中的w个窗口，分别从以下四个方面计算每个窗口的目标性：
a）窗口显著性，首先利用任意显著性检测方法计算得到图像中每个像素的显著值i(p)，则窗口w∈w的显著性计算公式为：
式中，
b)颜色对比度，对于窗口w∈w，以
式中，
c）边缘密度，对于窗口w∈w，以
式中，
d）轮廓闭合性，
首先将图像分割为若干超像素s，则窗口w∈w的轮廓闭合性的计算公式为：
式中，s∈s表示图像中的第s个超像素，|s\w|表示超像素s位于窗口w之外的面积，而|s∩w|表示超像素s位于窗口w内部的面积；
3）将上述得到的窗口显著性
进一步的，计算条件概率显著图的具体方法如下：
1）假定图像周边的超像素区域为背景区域，假设背景区域内超像素的数目为
式中，k为核函数，σ为窗宽，k为背景超像素特征的维数，即词袋特征的维数；
2）核函数选用高斯核函数，则1)中公式变为：
式中，
3）在背景区域已知的情况下，图像中任意超像素区域