一种基于直方图幂函数拟合的显著目标检测方法
【技术领域】
[0001] 本发明设及图像显著目标检测领域，具体地说是一种基于直方图幕函数拟合的显 著目标检测方法。
【背景技术】
[0002] 众所周知，计算机性能和功能的飞速发展为机器智能提供了可靠的可行条件，随 着机器学习、模式识别等学科的深入，人们越来越希望计算机可W更加自主更加智能的完 成任务。要实现该个目标，需要计算机能够理解周围的环境。人类感知外界信息最主要方 式是通过视觉，所W计算机理解周围环境的关键是具有视觉感知处理能力。
[0003] 显著目标是图像中人们最为关注的目标，一般包含更多人们感兴趣的、更有用的 信息。因此，显著目标检测广泛应用于目标识别、图像分割、图像检索等领域。常用的显著 目标检测技术主要有基于局部对比的显著区域检测技术，如；基于局部对比和模糊生长技 术、多尺度中屯、-周围直方图和颜色空间分布对比技术等；W及基于全局对比的显著区域 检测技术，如；Achanta从频率域角度出发，提出一种基于全局对比的显著区域检测的方法 (Rrequen巧-tunedsalientregiondetection,简称FT方法)，该方法将经过高斯低通滤 波图像中的每个像素值和整幅图像的平均像素值之间的欧几里得距离作为该点的显著值。 但在W下两种情况下会失效： (1) 显著区域的颜色占图像中的大部分，通过该方法计算后，背景会具有更高的显著 值； (2) 背景中含有少量突出的颜色，该样背景中的该部分颜色的显著值也会非常高。
[0004]相关文献；ACHANTAR，肥MAMIS，ESTRADAF，etal.化equen巧-tuned salientregiondetection[C] //IEEEConferenceonComputerVisionandPattern Recognition, 2009 ; 1597 - 1604. 此外，目前许多显著目标检测模型虽然在单显著目标和简单背景场景下的性能已接近 测试集的标准，但在多目标和复杂背景下，尤其是在目标相融的背景下不能取得较好的表 现。
[0005] 图流形排序（GraphBasedManifoldRanking)是近期出现的一种聚类方法，通过 计算图的邻接矩阵和度矩阵得到Laplacian正则化或非正则化矩阵，不同的变体可应用在 不同的环境下。化uanYang等人将图流形排序应用于显著目标检测，将图像进行化1C分 害d，分割后的超像素作为图结点，W图像边缘结点作为相关性查询的种子W检测背景，再求 反差得到显著区域。该种方法在单目标和简单背景下的检测效果比较好，但是，当显著目标 位于图像边缘、多目标场景、背景复杂或前景与背景相融的情况下，检测效果不够理想。
[0006] 相关文献：ChuanYang,LiheZhang,HuchuanLu,MinghsuanYang,Saliency DetectionviaGraph-BasedManifoldRanking,CVPR2013,P3166-3173。
【发明内容】
[0007] 本发明所要解决的技术问题是提供一种基于直方图幕函数拟合的显著目标检测 方法，通过计算FT算法获得的显著图的直方图数据找到一个灰度阔值，该阔值能够提取属 于显著目标区域的超像素，并将该些超像素作为图流形排序的查询种子，再通过自适应二 值化法提取所有可能存在显著像素的超像素，作为查询种子的补充，实现接近测试集标准 的显著图，从而实现对位于图像边缘、多目标场景、背景复杂或前景与背景相融等较难检测 的显著目标的检测。
[0008] 本发明为解决上述技术问题所采用的技术方案是：一种基于直方图幕函数拟合的 显著目标检测方法，其特征在于：所述的目标检测方法包括W下步骤： 步骤一；直方图幕函数拟合；将原图像用FT算法生成FT显著图并计算得到该显著图 的灰度直方图数据，根据灰度直方图数据用最小二乘法拟合幕函数曲线方程求得FT显著 图中用于超像素分类的灰度阔值X。； 步骤二；超像素分类；将原图像用化1C算法分割成n个超像素，根据步骤一得到的灰 度阔值将超像素分为显著超像素和背景超像素； 步骤显著区域定位：找出存在显著像素的超像素； 步骤四；显著目标检测：用图流形排序法计算超像素相关度矩阵和每个超像素的相关 性排序值，并通过将每个超像素的相关性排序值归一化得到每个超像素的显著度，将每个 超像素的显著度赋值给其包含的所有像素生成最终的显著图。
[0009] 本发明所述步骤一中用最小二乘法拟合幕函数曲线方程求灰度阔值的方法为：根 据FT显著图的灰度直方图数据用最小二乘法拟合幕函数曲线方程；将得到的幕函数曲线 方程求导，将导数为-1的点（X。，y。）作为背景灰度与显著灰度的拐点；X。作为FT显著图中 分离背景和显著目标的灰度阔值； 本发明所述步骤二中将超像素分为显著超像素和背景超像素的方法为： 一、 计算FT显著图中属于同一个超像素i的所有像素平均灰度mean_gray(i); 二、 将所有超像素按编号生成一个指示向量Yl=[yl，y2, ???yn]T，将所有超像素中平均 灰度mean_gray(i)大于灰度阔值的归为显著超像素，其值yi(i=l,2, ???,]!)设为1，否则归 为背景超像素，其值yi(i=l，2,…，n)设为0; 本发明所述步骤=中显著区域定位的方法为： 一、 将FT显著图二值化；采用自适应二值化法，把灰度高于FT显著图平均灰度2倍值 的像素灰度设为255,灰度低于该灰度的像素灰度设为0; 二、 将所有超像素按编号生成一个指示向量Y2=[yi，72,…yJT，统计FT显著二值图中灰 度为255的像素所属的超像素编号，把存在显著像素的超像素i的指示值yi设为1，其余设 为0。
[0010] 本发明所述步骤四中超像素相关度矩阵的计算方法为；将原图像分割后的超像素 组成图G= (V，E)，其中V表示图G的所有超像素集合，E表示所有结点的全连接边集合，用图 流形排序法计算超像素相关度矩阵C=〇)-aWri，其中，D为图G的度矩阵，W为超像素的邻 接矩阵，a为相关系数。
[0011] 本发明所述步骤4中每个超像素的相关性排序值的计算方法为： 一、将所有超像素按编号生成一个指示向量Y=[yi，y2,…y"]T，令Y=Yi.IY2,即Y取Yi和Y2按位或运算的值； 二、按照公式巧=(D-aW) -ly求得每个超像素的相关性排序值。
[0012]本发明所述步骤二原图像被化1C算法分割的超像素个数n为180-230个。
[0013]本发明的有益效果是；（1)使用