一种基于深度特征的显著性目标检测方法与流程

本发明涉及一种基于深度特征的显著性目标检测方法，属于图像识别技术领域。

背景技术

随着智能设备和社会网络的发展，如何利用有限的时间和精力从大量的数据中提取有用的信息，为后续处理做准备成为一个重要的问题。正如人类视觉系统只能聚焦于所看到的场景中最引人注目的少量信息一样，一张图像中往往只有部分突出的物体能吸引我们的注意。显著性检测是指识别图像中最吸引人注意的区域，因其在图像处理和计算机视觉领域的广泛应用，如图像检索、图像分割、图像分类和目标识别等等，近几年已成为一个热门的研究领域。

目前，显著性检测的研究方法主要分为两种，一种是视点预测，即根据人眼在眼动仪的注视移动情况来判断图像显著的大致区域；另一种是显著性物体检测，即检测图像中最显著的物体。而显著性物体检测又可以分为自底向上和自顶向下这两种模型，前者主要基于一些图像的底层特征(如颜色、亮度、方向等)和先验信息(如紧凑度、唯一性、背景等)，而后者主要通过对图像中有代表性的特征进行标注、训练再检测。

现有的方法提取的深度特征的维度高、计算复杂，存在维度灾难带来的显著性区域不明显问题。

技术实现要素：

本发明提供了一种基于深度特征的显著性目标检测方法，解决了维度灾难带来的显著性区域不明显问题。

为了解决上述技术问题，本发明所采用的技术方案是：

一种基于深度特征的显著性目标检测方法，包括以下步骤，

对图像进行超像素分割，获取图像所有超像素的深度特征矩阵；

通过主成分深度特征进行显著性计算，得到多个分割尺度下的显著图；

利用加权元胞自动机对多尺度显著图进行迭代融合，得到最终的显著图。

对图像进行超像素分割，确定每个超像素的输入区域，将确定好的输入区域送入alexnet网络，得到深度特征，然后得到图像所有超像素的深度特征矩阵。

基于主成分分析，提取主成分深度特征，根据主成分深度特征计算有目标先验的显著值，得到多个分割尺度下的显著图。

利用pca算法计算深度特征矩阵的转换矩阵，获取主成分深度特征。

设置不同分割尺度显著图的权重，利用加权元胞自动机对多尺度显著图进行迭代融合，得到最终的显著图。

不同分割尺度显著图的权重公式为，

其中，wi为分割尺度为i的显著图权重，wi-1为分割尺度为i-1的显著图权重，α为常数，ni为二值化目标先验图中标记为1的像素数量，ni为相同位置上二值化目标先验图标记为1且当前分割尺度显著图二值化后也为1的像素数量。

最终显著图公式为，

其中，为经过n2次迭代后得到的最终显著图，m为多尺度显著图的数量，为第m幅显著图经过n2次迭代得到的显著图。

本发明所达到的有益效果：本发明通过获取图像超像素的深度特征矩阵，对主成分深度特征进行显著性计算得到多个分割尺度下的显著图，利用加权元胞自动机对多尺度显著图进行进行迭代融合，得到最终的显著图；能有效解决维度灾难带来的显著性区域不明显问题，可以应用到图像检索、图像分割、图像分类和目标识别等场景。

附图说明

图1为本发明的流程图；

图2为基于深度特征的显著性目标检测架构图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，一种基于深度特征的显著性目标检测方法，包括以下步骤：

步骤1，对图像进行超像素分割，获取图像所有超像素的深度特征矩阵。

具体过程为：对图像进行超像素分割，确定每个超像素的输入区域，将确定好的输入区域送入alexnet网络，得到深度特征，然后得到图像所有超像素的深度特征矩阵。

定义图像i，多尺度分割数为n，分割尺度为i，根据分割尺度是否为1，执行不同的操作；若分割尺度为1，则确定每个超像素的输入区域rectself、rectlocal和rectglobal，将确定好的输入区域送入alexnet网络，提取深度特征[fself,flocal,fglobal]，将所有超像素的深度特征构成深度特征矩阵；其中，rectself是指每个超像素所在的最小矩形区域，rectlocal是包含自身及其相邻超像素的最小矩形区域，rectglobal为整幅图像作为矩形输入区域，fself,flocal,fglobal分别对应输入区域rectself、rectlocal和rectglobal的深度特征。

步骤2，通过主成分深度特征进行显著性计算，得到多个分割尺度下的显著图。

具体过程为：基于主成分分析，提取主成分深度特征，根据主成分深度特征计算有目标先验的显著值，得到多个分割尺度下的显著图。

利用pca算法计算深度特征矩阵的转换矩阵，获取主成分深度特征。

步骤3，利用加权元胞自动机对多尺度显著图进行迭代融合，得到最终的显著图。

具体过程为：设置不同分割尺度显著图的权重，利用加权元胞自动机对多尺度显著图进行迭代融合，得到最终的显著图。

不同分割尺度显著图的权重公式为：

其中，wi为分割尺度为i的显著图权重，wi-1为分割尺度为i-1的显著图权重，α为常数，ni为二值化目标先验图(目标先验可以理解为显著性检测中一种比较通用的说法，目标先验图是通过一系列的计算后得到的结果；首先对图像进行多尺度超像素分割，将每个尺度下的每个超像素提取平均颜色特征和空间位置坐标作为特征向量，然后获取显著目标的粗略位置，将其作为下一个分割尺度检测时的目标先验知识，用以指导预选目标区域提取，进行自适应阈值分割即可以得到二值化的目标先验图)中标记为1的像素数量，ni为相同位置(是指在二值化目标先验图上的某一位置和当前尺度显著图二值化后的图对应的同一位置)上二值化目标先验图标记为1且当前分割尺度显著图二值化后也为1的像素数量。

在m1层加权元胞自动机中，显著图中的每一个超像素点就是一个元胞，在任一显著图中的元胞都有m1-1个邻居，分别位于其他显著图上相同的位置，用元胞i′的显著值表示其作为前景f的概率p(i′∈f)＝si′，属于背景b的概率可用p(i′∈b)＝1-si′表示，通过提取每一幅图的适应性阈值，用γm表示第m幅显著图的二值化阈值，并对其进行二值化处理，如果元胞i′的显著值si′≥γm，则将其标记为前景，并用ηi′＝+1表示，相反，则ηi′＝-1，表示元胞i′为背景。

如果元胞i′被标记为前景，则它在其他显著图上相同位置的邻居j′被标记为前景的概率λ＝p(ηi′＝+1|i′∈f)，同样，可用μ＝p(ηi′＝+1|i′∈b)表示元胞i′标记背景时，其邻居j′成为背景的概率，假定λ与μ是一对相等的常量，则后验概率p(i′∈f|ηi′＝+1)可用下式表示：

p(i′∈f|ηi′＝+1)∝p(i′∈f)p(ηi′＝+1|i′∈f)＝si′·λ

将先验概率比定义为λ(i′∈f)，计算公式如下：

则后验概率比λ(i′∈f|ηi′＝+1)可表示如下：

对上式作l＝ln(λ)变换，形式如下：

其中，l(i′∈f|ηi′＝+1)＝ln(λ(i′∈f|ηi′＝+1))，l(i′∈f)＝l(λ(i′∈f))，

为了便于表示加权元胞自动机的更新机制，将先验概率比和后验概率比表示如下：

其中，si′t表示元胞i′在t时刻的显著值，同步更新机制f:s^m1-1→s定义如下：

其中，sm^t+1为t+1时刻第m幅显著图上所有元胞的显著值，为第m幅显著图t+1时刻所有加权元胞自动机的状态，sm^t为t时刻第m幅显著图上所有元胞的显著值，为第m幅显著图t时刻所有加权元胞自动机的状态，s^m1-1为m1-1层的显著图，s代表显著图；

如果一个元胞其邻居被判定为前景，则相应的增加自身的显著性值，即应有则有λ＞0.5，根据经验设置在v次更新后，可以通过下式得到最终的显著图如下：

其中，为经过n2次迭代后得到的最终显著图，m为多尺度显著图的数量，为第m幅显著图经过n2次迭代得到的显著图。

本发明原理如图2所示，通过获取图像超像素的深度特征矩阵，对主成分深度特征进行显著性计算得到多个分割尺度下的显著图，利用加权元胞自动机对多尺度显著图进行进行迭代融合，得到最终的显著图；能有效解决维度灾难带来的显著性区域不明显问题，可以应用到图像检索、图像分割、图像分类和目标识别等场景。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。