基于马尔科夫模型的显著性检测方法
【技术领域】
[0001] 本发明涉及一种基于马尔科夫模型的显著性检测方法，属于图像处理和图像目标 检测技术领域。
【背景技术】
[0002] 视觉是人类最重要的感知觉，人脑所能接受的外界信息90%以上源于人眼的视觉 感知。视觉的主要功能就是解释人们生活的周围环境，并与其发生信息交互，信息技术的迅 速发展促使各种图像信息日益膨胀，人们不得不借助计算机系统来处理和分析这些海量数 据。但值得注意的是：一方面，图像数据的增加速度远比计算机处理能力的提高速度要快； 另一方面，人们所关心的内容通常只是整个数据集合中很小的一部分。为此，一视同仁全面 处理所有图像数据是不现实的，也是不必要的。如何尽快地从整个数据集中找到并提取与 任务相关的那部分重要的、有用的和值得关注的信息，即视觉显著性检测问题，一直就是机 器视觉和信息处理研究中长期面临的重要难题。以视觉注意为代表的图像显著性区域检测 技术成为提高海量数据筛选实时性和分析准确性的重要技术途径之一。显著性检测是图像 处理中一个重要内容，有着广泛的应用，如基于显著性的图像分割，图像检索，图像自动裁 剪以及图像视屏压缩等。
[0003] 显著性检测的本质是一种视觉注意模型，这种模型是依据视觉注意机制而建立的 模型，它能够对有限的信息加工资源进行分配，使感知具备选择能力。利用视觉注意机制得 到图像中最容易引起注意的显著部分，并用一幅灰度图像表示其显著度。视觉心理学研究 发现，人类视觉注意可分为两种类型：自底向上的数据驱动模式和自顶向下的任务驱动模 式。自底向上是在视觉处理初期，不受经验和目前任务的影响，人类对场景存在特殊关注区 域即显著性区域。自顶向下是视觉处理后期，人类依据自身的经验和任务选择关注的目标， 对目标进行认识。
[0004] 早期的图像显著性算法其主要缺点在于分辨率低，目标边界定义差，计算复杂度 尚。
【发明内容】
[0005] 发明目的：针对现有技术中存在的问题，本发明提供了一种分辨率高、计算复杂度 高的基于马尔科夫模型的显著性检测方法。
[0006] 技术方案：一种基于马尔科夫模型的显著性检测方法，包括如下步骤：
[0007] 步骤10 :采集图像数据；
[0008] 步骤20,对步骤10得到的图像用三种不同的方法进行显著性特征提取，得到与三 种不同的显著性特征函数对应的显著性特征图；
[0009] 步骤30 :采用马尔科夫模型的机器学习法对步骤10中采集的图像进行训练，并获 得步骤20中得到的每个显著性特征图的最优权重；
[0010] 步骤40 :对步骤20得到的三种不同的显著性特征函数用分配函数Z进行归一化 处理，得到的三个归一化显著性特征函数；
[0011] 步骤50:建立马尔科夫模型，对步骤40得到的三个归一化显著性特征函数用马尔 科夫模型进行组合；
[0012] 步骤60 :用最大似然准则对步骤50获得的组合求得最优解，得到最优化的线性组 合；
[0013] 步骤70:将步骤60计算得到的显著性像素用一个最小的矩形框框出，其中最小的 矩形框至少框出95%以上的显著性像素，得到最终的结果。
[0014] 进一步，所述步骤20中，所述三种进行特征提取的方法分别为：多尺度对比法、中 央周围直方图法和颜色空间分布法；
[0015] 其中，所述多尺度对比法，包括以下步骤：
[0016] 步骤211，对步骤10中采集到的图像基于高斯模糊之后向下采样，得到六层不同 分辨率的高斯金字塔图像；
[0017] 步骤212,将步骤211得到的六层高斯金字塔图像中每层对比度线性组合得到多 尺度对比特征函数与其对应的显著性特征图；
[0018] 所述中央周围直方图法，包括以下步骤：
[0019] 步骤221 :用多个不同长宽比例的矩形区域R标出步骤10得到的图像中的显著物 体，在多个矩形区域R的周围构造多个对应的面积相等的周围矩形区域Rs;
[0020] 步骤222:在步骤221获得的图像上计算每个以像素点X为中心的显著矩形区域R 与周围矩形区域札在RGB颜色直方图之间的X2距离；
[0021] 步骤223 :比较每个不同长宽比例的矩形区域R与周围矩形区域札在RGB颜色直 方图之间的X2距离，选择X2距离最大的矩形区域R为最优的矩形区域RYx);
[0022] 步骤224 :以相邻像素X'为中心的中央-周围直方图特征函数定义为步骤221中 所有以相邻像素？为中心的最优周围矩形区域R/U')的高斯加权X2距离之和；
[0023] 所述颜色空间分布法，包括以下步骤：
[0024] 步骤231 :对步骤10得到的图像中的所有颜色用高斯混合模型表示；
[0025] 步骤232 :利用步骤231中模型的参数计算每个像素被分配给一种颜色成分的概 率；
[0026] 步骤233 :对步骤232中每一个颜色成分计算对应的水平方差和垂直方差，得到对 应成分的空间方差；
[0027] 步骤234 :颜色空间分布特征函数定义为步骤233得到的空间方差中央加权之和。
[0028] 进一步，步骤50中，所述用马尔科夫模型组合显著性特征过程如下：
[0029] 步骤501，对步骤40得到的三个归一化显著性特征，分别计算一元势函数 Fk (ax，I)，Fk (ax，I)表示第k个显著特征；
[0030] 步骤502，对步骤40得到的三个归一化显著性特征，分别计算二元势函数 S(ax，ax，，I)配对特征，其中，二元势函数S(ax，ax，，I)表示对相邻像素标记为不同值的惩罚 项的值，ax表示X像素点的显著性，ax，表示X相邻像素点的显著性；
[0031] 步骤503,结合步骤30得到的每个显著性特征图的最优权重和步骤50U502中得 到的显著特征和配对特征，根据公：
进行 线性组合，其中，A为采集图像I中标签状态集合，Z为分配函数，λk表示第k个显著特征 图的权重，K为显著特征图的总数，Fk(ax，I)是单一变量的势函数，Fk(ax，I)表示第k个显 著特征图，S(ax，ax'，1)是双变量交互势函数，S(ax，ax'，1)表示相邻像素x，x'之间的相 互作用关系。
[0032] 工作原理：本发明将显著性检测看作一个图像标注问题，运用多尺度对比，中央一 周围直方图和颜色空间分布这三种不同的显著度计算得到显著特征图。通过马尔科夫模型 学习计算各个显著特征图的显著度的权重，采用最大似然估计方法获取模型参数估计得到 最优解。最后利用马尔科夫模型检测测试图像。
[0033] 有益效果：与现有技术相比，本发明提供的方法能够更加精确地检测显著目标，检 测得到的结果分辨率高，目标边界定义精准，方法计算复杂度低。
【附图说明】
[0034] 图1为本发明的流程图；
[0035] 图2为本发明中显著性特征提取流程图；
[0036] 图3为本发明与现有技术的实验对比图。
【具体实施方式】
[0037] 下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明 而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价 形式的修改均落于本申请所附权利要求所限定的范围。
[0038] 如图1所示，基于马尔科夫模型的显著性检测方法，包括如下步骤：
[0039] 步骤10 :采集图像数据；定义采集图像为I。
[0040] 步骤20,对步骤10得到的图像I用三种不同的方法进行显著性特征提取，得到与 三种不同的显著性特征函数对应的显著性特征图；
[0041] 本实施例中采用多尺度对比法、中央周围直方图法和颜色空间分布法进行特征提 取。
[0042] 1、多尺度对比法
[0043] 在显著性检测中，对比度方法是最常被用在局部特征上的。在不知道显著对象大 小的情况下，我们采用多尺度方法分别进行局部区域的显著性检测。主要包括以下步骤：
[0044] 步骤211，对步骤10中采集到的图像基于高斯模糊之后向下采样，得到不同分辨 率的图像；同时每次得到的新的图像宽与高是原来图像的1/2,得到的一系列图像称为高 斯金字塔。
[0045]步骤21?检决聰⑴1钽面丨的女巨盒?全字塔图像中每层对比度线性组合得到多 尺度对比特征函I 与其对应的显著性特征图；其中，I1是金 字塔中的第1层图像，too表示在第1层图像上像素X的状态值，即too等于〇时，表示 第1层图像上像素X为显著性像素，I1 (X)等于1时，表示在第1层图像上像素X为非显著 性像素；Ikx')表示第1层图像上像素X的相邻像素X'的状态值，金字塔一共的层数是 L= 6,N(x)表示 9x9 的窗口。
[0046] 2、中央周围直方图法
[0047] 在给定的RGB颜色空间基础上，统计每种颜色分量的像素点占图像总像素的比 例，从而得到图像各种颜色分量的比例分布即直方图。假设一个显著物体由矩形区域R框 出，在其周围我们构造一个同等面积的矩形区域Rs。本文通过计算以像素X为中心的显著 矩形区域R与其周围矩形区域Rs，它们在RGB颜色直方图之间的X2距离来表示显著性。由 于显著性物体的目标尺寸不同，我们选择不同的长宽比的矩形区域进行测试。主要包括以 下步骤：
[0048] 步骤221 :用五组不同长宽比例的矩形区域R标出步骤10得到的图像中的显著物 体，在多个矩形区域R的周围构造多个对应的面积相等的周围矩形区域Rs;其中，五组不同 长宽比例为{〇· 5, 0· 75, 1. 0, 1. 5, 2};
[0049] 步骤222 :在步骤221获得的图像上计算每个以像素点X为中心的显著矩形区域R 与周围矩形区域札在RGB颜色直方图之间的X2距离；
[0050] 步骤223 :比较每个不同长宽比例的矩形区域R与矩形区域R等面积的周围矩形 区域&在1^?颜色直方图之间的X2距离，选择X2距离最大的矩形区域R为最优的矩形 区域R*(x);