本发明涉及一种基于路径瓶颈分析的显著度检测方法，属于图像处理
技术领域：
。
背景技术：
：近些年来，随着大量显著度检测算法的提出，显著目标检测技术得到了飞速发展，尤其适用于检测简单的和规则的物体或目标，但当自然场景中显著目标的形状不规则或者尺度不一致时，现有的算法很难有效的估计显著目标和其周围背景区域之间的对比差异。基于空间加权对比度的方法利用欧式距离来计算图像单元之间的特征差异和空间距离，但欧氏距离对自然图像中的噪声较为敏感，容易造成检测结果不理想。基于图像背景对比度的方法利用测地距离来计算图像单元和图像背景之间的差异，但最短距离的方法容易累积属于同一区域中的微小差异，造成检测的显著目标不均匀。技术实现要素：本发明针对上面的问题，研制基于最平滑路径瓶颈距离的显著度检测方法。该算法充分利用图像单元之间的语义关系，(1)空间顺序，即空间位置信息，通过无向图中的边进行描述；(2)图像单元的标签，不同的图像单元是否属于同一区域，来达到有效的估计图像单元之间的对比度，提高检测算法鲁棒性的目的。本发明包括四步：基于超像素分割的无向图表达，最平滑路径分析，路径瓶颈距离计算和显著图生成。第一步：基于超像素分割的无向图表达。第二步：最平滑路径分析。第三步：路径瓶颈距离计算。第四步：在得到无向图中任意节点之间的最平滑路径以及任意路径上的瓶颈距离之后，就可以利用最平滑路径上的瓶颈距离来估计输入图像中超像素之间的差异。显著度检测算法可以采用基于空间加权对比度和到图像背景的对比度两种方法来计算，从而生成最终的显著图。自然图像中的显著目标大量存在着形状不规则或者尺度不一致现象，但属于同一区域内(目标或背景区域)的图像单元之间相互连通，其特征差异和属于不同区域的图像单元之间的特征差异相比较小。结合这种特征，本发明提出了基于路径瓶颈分析的显著度检测算法，该方法不仅能够估计图像块之间的语义关系，而且能够处理形状不规则或者不同尺度的显著物体。与已有的显著度检测算法相比，该方法生成的显著图更为均匀一致，准确度更高。附图说明图1最平滑路径示意图。图2路径瓶颈示意图。图3显著图。具体实施方式本发明包括四步：基于超像素分割的无向图表达，最平滑路径分析，路径瓶颈距离计算和显著图生成。第一步：基于超像素分割的无向图表达。利用SLIC(SimpleLinearIterativeClustering简单线性迭代聚类)超像素分割方法对输入图像进行分割，得到大小和内容基本均匀一致的超像素块。然后利用这些超像素块构建无向图G＝(V,E)，其中，图的顶点集合V由超像素分割得到的图像块组成，空间位置相邻的超像素顶点之间有边存在，并构成边的集合E，而且边的权重描述了相互连接的超像素之间的特征差异。为了加快计算速度，我们构建了k正则图，即每个节点至多和其k个邻居节点相连接，实验中，k＝7。第二步：最平滑路径生成。路径分析的目的是得到无向图G中任意两个顶点之间的最平滑路径。对于图中的任意一条可达的路径，我们利用最大权重边对应的权值来表达该路径。那么对于图中任意的顶点A和B，首先计算图G中连接顶点A和B所有的路径集合Pa,b，然后求得路径集合Pa,b中每条路径上最大权重边的集合，表示为{w1,w2,w3,…}。最后对这些最大权重边按照权值大小进行排序，选择最小权值所在的路径p，即为顶点A和B之间的最平滑路径S–path(A,B)。如图1中(b)所示，顶点A和B之间有三条可达的路径，顶点A和B之间的最平滑路径S–path(A,B)为最小最大权重边所在的路径，如图1(c)。在无向图G中全局搜索所有顶点对之间的所有可达路径的方法时间复杂度和空间复杂度均较高。为了降低计算复杂度，通过分析不难证明，最小生成树中任意两点之间的路径是无向图中对应两点之间的最平滑路径。因此我们利用普里姆算法来生成图中所有顶点对之间的最平滑路径。第三步：路径瓶颈距离计算。对于无向图中连接顶点A、B的任意一条路径p，假设C为该路径上不同于A和B的一个顶点，瓶颈距离B–Dis(A,B)定义为该路径上所有瓶颈边的权重之和。B-Dis(A,B)＝B-Dis(A,C)+B-Dis(C,B)(2)并且瓶颈检测的目的是检测出路径p上所有的瓶颈边，如图2所示，路径p上共有两个瓶颈边，其他则为非瓶颈边。路径瓶颈的特征为：(1)瓶颈是连接相邻图像块的边，而且瓶颈边对应的权值大于非瓶颈边对应的权重。(2)对于任意一条路径，瓶颈的个数大于非瓶颈的个数。(3)对于任意一条路径，所有的瓶颈边通常是非连续的。(4)如果(C,D)是顶点A和B路径上的瓶颈边，B–Dis(A,B)可分解为计算左子路径的瓶颈距离B–Dis(A,C)和右子路径的瓶颈距离B–Dis(D,B)。B-Dis(A,B)＝weight(C,D)+B-Dis(A,C)+B-Dis(D,B)(4)首先分别计算路径p上所有边权值的最大值max(p)和中值med(p)；然后选择所有权重值小于δ*med(p)的边，并计算它们的均值avg(p)；如果max(p)＞λ*avg(p)，那么最大权重值max(p)对应的边即为检测得到的瓶颈，否则，则认为路径p不存在瓶颈；最后，利用已经检测到的瓶颈边将路径p分解为左子路径和右子路径，并分别检测子路径的瓶颈边，直到所有的瓶颈检测完为止。实验中，δ和λ分别设置为固定值3.0和2.5。第四步：显著图生成。在得到无向图中任意节点之间的最平滑路径以及任意路径上的瓶颈距离之后，就可以利用最平滑路径上的瓶颈距离来估计输入图像中超像素之间的差异。显著度检测算法可以采用基于空间加权对比度和到图像背景的对比度两种方法来计算，从而生成最终的显著图。如图3所示为利用到图像背景的对比度方法得到的显著图。(1)空间加权对比度方法对于任意一个超像素Ni，假设在Lab颜色空间的特征向量Fi以及在图像空间中的坐标位置pi，那么该超像素的显著度定义为和所有其他超像素的空间距离加权的特征差异之和，其中，特征差异利用Lab颜色特征在最平滑路径上的瓶颈距离来估计，权重为超像素之间空间距离的高斯函数，即其中，σp控制空间距离权重的强度，大小设置为0.2.(2)到图像背景的对比度方法对于输入图像I，观察到图像边界区域基本上属于背景区域，因此在构建的无向图中新增一个虚拟背景节点Nv，且到所有的图像边界节点均有边存在。假设该虚拟背景节点的特征向量为Fv(0,0,0)。则对于任意一个超像素Ni，在Lab颜色空间的特征向量为Fi，那么该超像素的显著度定义为和虚拟背景节点Nv的最平滑路径上的瓶颈距离，即S(Ni)＝B-Dis(Fi,Fv)(6)本发明原理及有益效果：自然图像中的显著目标大量存在着形状不规则或者尺度不一致现象，但属于同一区域内(目标或背景区域)的图像单元之间相互连通，其特征差异和属于不同区域的图像单元之间的特征差异相比较小。我们结合这种特征，提出了基于路径瓶颈分析的显著度检测算法。与现有的显著目标检测算法相比，该方法不仅能够估计图像块之间的语义关系，而且能够处理形状不规则或者不同尺度的显著物体。与已有的显著度检测算法相比，该方法生成的显著图更为均匀一致，准确度更高。我们从定性和定量两个方面对提出的最平滑路径上的瓶颈距离在显著度检测的应用进行分析验证。就定性分析方面，主要验证最平滑路径上的瓶颈距离处理不同形状和不同尺度显著目标的能力，目前凭借人眼进行观察。就定量分析方面，主要使用ROC曲线和AUC面积大小来评估提出的显著度检测算法在数据集上的总体性能。包括两个部分：(1)和其他距离函数的效果对比结果。我们针对显著度测试数据集ASD中的1000幅图像进行实验，选取经典的Euclidean(欧式距离)和Geodesic(测地距离)作为对照，结果如表1所示。可见最平滑路径上的瓶颈距离的AUC值更大，这说明我们的方法在总体上更能有效的估计图像块之间的对比度。表1DistanceEuclideanGeodesicB–DisAUC0.94790.93840.9498(2)和其他显著目标检测算法的效果对比。同样，我们对1000幅自然图像进行测试，选取经典的PCA、SF、GS_GD、RC、HS、IT、LC、FT、MZ和SR方法，先得到平均的ROC曲线，然后计算ROC曲线下的AUC面积。如表2所显示的，我们的方法获得更高的AUC值，这说明最平滑路径上的瓶颈距离的平均检测准确率更高。表2ModelsPCASFGS_GDRCHSB–DisAUC0.97050.95610.97000.95930.96880.9741ModelsITLCFTMZSRAUC0.63030.77700.86470.75110.6741当前第1页1 2 3