CN109685806B - 图像显著性检测方法及装置 - Google Patents

图像显著性检测方法及装置 Download PDF

Info

Publication number
CN109685806B
CN109685806B CN201811355398.5A CN201811355398A CN109685806B CN 109685806 B CN109685806 B CN 109685806B CN 201811355398 A CN201811355398 A CN 201811355398A CN 109685806 B CN109685806 B CN 109685806B
Authority
CN
China
Prior art keywords
initial
superpixel
target image
saliency
path
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201811355398.5A
Other languages
English (en)
Other versions
CN109685806A (zh
Inventor
刘磊
徐新
穆楠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Science and Engineering WUSE
Original Assignee
Wuhan University of Science and Engineering WUSE
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University of Science and Engineering WUSE filed Critical Wuhan University of Science and Engineering WUSE
Priority to CN201811355398.5A priority Critical patent/CN109685806B/zh
Publication of CN109685806A publication Critical patent/CN109685806A/zh
Application granted granted Critical
Publication of CN109685806B publication Critical patent/CN109685806B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供一种图像显著性检测方法及装置，所述方法包括：从目标图像中提取多个特征，生成特征图，基于超像素分割算法对所述目标图像分别进行多个尺度的分割，获取初始超像素块，根据各所述特征图和各所述初始超像素块，获取各所述初始超像素块的显著值；根据各所述初始超像素块的显著值生成各所述尺度下的初始显著图，基于蚁群优化算法对各所述初始显著图进行优化，获取各所述尺度下的最优显著图；根据各所述尺度下的最优显著图，获取所述目标图像的最终显著图。本发明实施例提高了低光照下图像显著性检测的准确性。

Description

图像显著性检测方法及装置
技术领域
本发明实施例属于图像处理技术领域，更具体地，涉及一种图像显著性检测方法及装置。
背景技术
图像的视觉显著性信息能够反映图像中不同区域对人视觉***刺激程度。图像显著目标检测是计算机视觉领域的一项基础性研究，通过显著性检测可以从海量的图像数据中找出可能引起人眼视觉注意的重要区域或对象。
现有的图像显著性检测模型大多数仅适用于可见光环境，然而实际的应用场景中经常会出现一些低光照环境，比如受雨、雪、雾霾等天气干扰或者夜间光照条件很差的环境，从而导致特征的测度容易受到噪声干扰，以及背景变化、纹理模糊等诸多因素的影响，使得显著性检测结果的可靠性大幅度下降。
虽然现有研究在图像显著性检测上取得了一些成果，但由于低光照下信噪比低且有效特征有限，低光照下图像显著性检测的效果依然较差。因此如何对低光照图像进行显著性检测仍然是一个具有挑战性的问题。
发明内容
为克服上述现有的低光照下图像显著性检测效果差的问题或者至少部分地解决上述问题，本发明实施例提供一种图像显著性检测方法及装置。
根据本发明实施例的第一方面，提供一种图像显著性检测方法，包括：
从目标图像中提取多个特征，生成特征图，基于超像素分割算法对所述目标图像分别进行多个尺度的分割，获取初始超像素块，根据各所述特征图和各所述初始超像素块，获取各所述初始超像素块的显著值；
根据各所述初始超像素块的显著值生成各所述尺度下的初始显著图，基于蚁群优化算法对各所述初始显著图进行优化，获取各所述尺度下的最优显著图；
根据各所述尺度下的最优显著图，获取所述目标图像的最终显著图。
根据本发明实施例第二方面提供一种图像显著性检测装置，包括：
分割模块，用于从目标图像中提取多个特征，生成特征图，基于超像素分割算法对所述目标图像分别进行多个尺度的分割，获取初始超像素块，根据各所述特征图和各所述初始超像素块，获取各所述初始超像素块的显著值；
优化模块，用于根据各所述初始超像素块的显著值生成各所述尺度下的初始显著图，基于蚁群优化算法对各所述初始显著图进行优化，获取各所述尺度下的最优显著图；
获取模块，用于根据各所述尺度下的最优显著图，获取所述目标图像的最终显著图。
根据本发明实施例的第三个方面，还提供一种电子设备，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的图像显著性检测方法。
根据本发明实施例的第四个方面，还提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的图像显著性检测方法。
本发明实施例提供一种图像显著性检测方法及装置，该方法通过使用超像素分割算法将目标图像分割为多个初始超像素块，根据各初始超像素块的多维特征获取目标图像的初始显著图，将初始显著图中的各初始超像素块看作一个结点，构建图模型，在图模型的基础上使用蚁群优化算法对初始显著图进行优化，根据优化后的初始显著图检测出目标图像的显著性，提高了低光照图像显著性检测的准确性，为夜间安全监控和复杂环境目标定位等问题提供支持。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的图像显著性检测方法整体流程示意图；
图2为本发明又一实施例提供的图像显著性检测方法整体流程示意图；
图3为本发明实施例提供的图像显著性检测装置整体结构示意图；
图4为本发明实施例提供的电子设备整体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的一个实施例中提供一种图像显著性检测方法，图1为本发明实施例提供的图像显著性检测方法整体流程示意图，该方法包括：S101，从目标图像中提取多个特征，生成特征图，基于超像素分割算法对所述目标图像分别进行多个尺度的分割，获取初始超像素块，根据各所述特征图和各所述初始超像素块，获取各所述初始超像素块的显著值；
其中，对目标进行多维特征提取，本实施例不限于提取特征的种类。超像素分割算法是指将具有相似纹理、颜色、亮度等特征的相邻像素构成的有一定视觉意义的不规则像素块，利用像素之间特征的相似性将像素分组，用少量的超像素代替大量的像素来表达图像特征，从而降低图像后处理的复杂度。目标图像为需要进行显著性检测的图像。初始超像素块为直接使用超像素分割算法将目标图像进行分割获取的超像素。每个初始超像素块具有一个类别标签。使用超像素分割算法将目标图像分割为多个初始超像素块，本实施例适用于各种超像素分割算法。根据初始超像素块在目标图像中的区域，从目标图像的多维特征中获取初始超像素块的多维特征，根据各初始超像素块的多维特征，使用全局对比度方法获取各初始超像素块的显著值。基于超像素分割算法对目标图像分别进行多个尺度的分割是指使用超像素分割算法对目标图像进行多次分割，每次分割结果中初始超像素个数不同。
S102，根据各所述初始超像素块的显著值生成各所述尺度下的初始显著图，基于蚁群优化算法对各所述初始显著图进行优化，获取各所述尺度下的最优显著图；
使用各尺度下的各初始超像素块生成目标图像的初始显著图。蚁群优化算法是一种用于寻找优化路径的概率型算法，该算法具有分布计算、信息正反馈和启发式搜索的特征，本质上是进化算法中的一种启发式全局优化算法。根据初始超像素块的特征使用蚁群优化算法对初始超像素块进行更新，获取多个超像素区域。超像素区域为使用蚁群优化算法对初始超像素块进行更新后获取的超像素。
S103，根据各所述尺度下的最优显著图，获取所述目标图像的最终显著图。
将各超像素区域在目标图像中对应区域的多维特征作为各超像素区域对应的多维特征。根据各超像素区域对应的多维特征，使用全局对比度方法计算各超像素区域的显著值。使用各超像素区域的显著值获取目标图像的显著图。
本实施例通过使用超像素分割算法将目标图像分割为多个初始超像素块，根据各初始超像素块的多维特征获取目标图像的初始显著图，将初始显著图中的各初始超像素块看作一个结点，构建图模型，在图模型的基础上使用蚁群优化算法对初始显著图进行优化，根据优化后的初始显著图检测出目标图像的显著性，提高了低光照图像显著性检测的准确性，为夜间安全监控和复杂环境目标定位等问题提供支持。
在上述实施例的基础上，本实施例中从目标图像中提取多个特征的步骤具体包括：提取目标图像的颜色特征、纹理特征、方向特征和梯度特征；其中，所述目标图像的颜色特征包括所述目标图像在LAB、HSV和YCbCr空间的颜色特征。
具体地，从目标图像中提取12个低层视觉特征，包括颜色特征、纹理特征、方向特征和梯度特征。其中，颜色特征通过将RGB格式的目标图像分别转换为LAB、HSV和YCbCr颜色空间的图像，然后从三个颜色空间的9个通道中提取9个特征。纹理特征使用目标图像的二维熵表示，对几何形变和背景噪声有很强的抵抗能力。使用不同方向的Gabor滤波器提取出具有旋转不变性和全局特性的方向特征，从而减少了弱光照的影响。通过对水平梯度和垂直梯度的平均，可以计算出梯度特征来描述局部灰度的幅度变化。
在上述实施例的基础上，本实施例中基于超像素分割算法对所述目标图像分别进行多个尺度的分割，获取初始超像素块的步骤具体包括：根据多个预设的超像素个数，在所述目标图像中确定初始种子点；根据各所述初始种子点的邻域中各像素点的梯度值，对所述初始种子点进行更新，获取新种子点；将以各所述新种子点为中心的预设范围内的像素作为各所述新种子点的邻域像素，根据各所述新种子点与各所述新种子点的邻域像素之间的距离，为各所述新种子点的邻域像素分配类别标签，将具有相同所述类别标签的像素作为一个初始超像素块。
具体地，本实施例使用SLIC(Simple Linear Iterative Clustering，简单线性迭代聚簇)算法对目标图像进行超像素分割。首先初始化种子点，即聚类中心。根据预先设定的超像素个数K在目标图像内均匀的分配种子点。假设目标图片总共有N个像素点，预分割为K个相同尺寸的超像素，那么每个超像素的大小为N/K，则相邻种子点的距离近似为S＝sqrt(N/K)。为了避免种子点落在梯度较大的轮廓边界上，影响后续聚类效果，本实施例在种子点的n*n邻域内重新选择种子点，一般取n＝3。具体方法为计算各种子点的邻域内所有像素点的梯度值，将种子点移到该种子点的邻域内梯度最小的地方。然后在每个种子点周围的邻域内为每个像素点分配类别标签，即属于哪个聚类中心。和标准的k-means在整张图中搜索不同，SLIC的搜索范围限制为2S*2S，可以加快收敛速度。
在上述实施例的基础上，本实施例中根据各所述初始超像素块的多维特征获取各所述初始超像素块的显著值的步骤具体包括：计算所述目标图像的各特征图的一维熵；将所述目标图像一维熵最大的预设个数的特征作为目标特征图；根据各所述初始超像素块的目标特征图，基于全局对比度方法获取各所述初始超像素块的显著值。
具体地，目标图像的每一维特征提取出一张特征图，计算目标图像每一张特征图的一维熵，计算公式如下：
Figure BDA0001865963400000061
其中，entropy为任一特征图的一维熵，pi表示灰度为i的像素点在该特征图中的比例。从目标图像的所有特征图中选择一维熵值最大的预设个数的特征图进行显著性检测。例如，提取目标图像的12维特征，从目标图像的12张特征图中选择一维熵值最大的9张特征图进行显著性检测，将选择的9张特征图对应的特征作为目标特征，即作为显著性检测所使用的特征，从而自适应地选择各种弱光照图像的最佳视觉特征。由于特征图的大小和目标图像的大小相同，根据各初始超像素块在目标图像中所在的区域，将各初始超像素块在9张特征图中对应的区域作为各初始超像素块的9种目标特征图。根据各初始超像素块的9种目标特征图，基于全局对比度方法获取各初始超像素块的显著值。同样地，根据各超像素区域在目标图像中对应的区域，将各超像素区域在9张特征图中对应的区域作为各超像素区域对应的9种目标特征，根据各超像素区域对应的9种目标特征图，基于全局对比度方法获取各超像素区域的显著值。
在上述实施例的基础上，本实施例中基于蚁群优化算法对所述初始超像素块进行合并，获取多个超像素区域的步骤具体包括：计算任意两个所述初始超像素块之间的距离；将所述任意两个初始超像素块之间的距离与预设阈值进行比较，获取所述任意两个初始超像素块之间路径的信息量；根据所述任意两个初始超像素块之间路径的信息量，计算蚂蚁选择所述路径的概率；在所述蚂蚁根据所述概率移动时，更新所述路径上的信息量，根据所述路径更新后的信息量计算蚂蚁选择所述路径的概率，直到达到预设终止条件；若各次迭代中所述蚂蚁选择路径的概率大于第一次迭代中所述蚂蚁选择路径的概率，则将所述蚂蚁选择的路径对应的初始超像素块进行合并，将合并后获取的超像素作为超像素区域。
具体地，将每个初始超像素块看作一个结点构建图模型，m只蚂蚁在随机选择的结点上进行扩展，将寻找最优超像素的过程作为蚂蚁在搜索空间中找到的食物来源的过程。任意两个初始超像素块si和sj之间的距离定义dij为：
Figure BDA0001865963400000071
其中，m表示蚂蚁或结点的维度，|·|表示欧几里得距离，wk表示加权因子，根据集簇中各初始超像素块的贡献程度确定。用r表示聚类半径，用Iij(t)表示在t时刻从si到sj之间路径上的信息量，dij表示从si到sj的距离，则：
Figure BDA0001865963400000072
根据启发函数和各路径上的信息量，计算蚂蚁选择从结点si到结点sj的路径概率。在蚂蚁移动过程中，每条路径上的剩余信息量将发生变化，每次迭代完成后，路径上的信息量将被更新，在下一次迭代中，使用各条路径上更新后的信息量计算蚂蚁选择各条路径的概率，直到达到预设终止条件，如迭代次数达到预设常数。在所述蚂蚁根据概率移动时，通过以下公式更新所述路径上的信息量：
Iij(t+1)＝(1-ρ)·Iij(t)+ρ·ΔIij；
其中，i和j表示任意两个初始超像素块的编号，Iij(t)表示t时刻从初始超像素块si到初始超像素块sj的信息量，Iij(t+1)表示t+1时刻从初始超像素块si到初始超像素块sj的信息量，ρ表示所述信息量随时间消失的变化率，
Figure BDA0001865963400000081
表示在迭代结束时m只蚂蚁在各路径上的信息增量。在所有m个蚂蚁移动后，信息矩阵可以更新为：
Figure BDA0001865963400000082
其中，
Figure BDA0001865963400000083
表示信息衰减参数，Iij(0)表示第一次循环的信息矩阵，n表示迭代总次数。
若在每次迭代中蚂蚁选择任一路径的概率大于第一次迭代中蚂蚁选择该条路径的概率，即
Figure BDA0001865963400000084
则将该条路径对应的初始超像素块sj合并到si的邻域，将合并后的每个超像素作为一个超像素区域。其中，
Figure BDA0001865963400000085
为第t次迭代中第k只蚂蚁选择从初始超像素块si到初始超像素块sj之间路径的概率，P(0)为第一次迭代中蚂蚁选择从初始超像素块si到初始超像素块sj之间路径的概率。得到的最优聚类中心为：
Figure BDA0001865963400000086
其中，sj为需要进行合并的初始超像素块，ni为需要进行合并的初始超像素块的个数，Oj作为食物源，可以作为si的理想邻域，然后计算各超像素区域的最优显著值，根据所有超像素区域的显著值来生成的显著图。
在上述实施例的基础上，本实施例中通过以下公式根据所述任意两个初始超像素块之间路径的信息量，计算蚂蚁选择所述路径的概率的步骤具体包括：
Figure BDA0001865963400000091
其中，k表示蚂蚁编号，i和j表示任意两个初始超像素块的编号，Iij(t)表示t时刻从初始超像素块si到初始超像素块sj的信息量，ηij＝1/dij表示启发函数，dij为si到sj的距离，Ω(si)表示si的邻域，α表示信息启发式因子，β表示启发信息的影响
在上述实施例的基础上，本实施例中根据各所述尺度下的最优显著图，获取所述目标图像的最终显著图的步骤具体包括：将各所述尺度下的最优显著图进行融合；对融合后的显著图进行过滤，获取所述目标图像的最终显著图。
具体地，使用预设超像素个数不同的SLIC算法对目标图像进行多次分割，如图2所示，例如，分别使用预设超像素个数为100、200和300的SLIC算法对目标图像进行分割，获取三种超像素分割结果。同时提取目标图像的12种特征，包括目标图像在LAB空间中三个通道上的值L、A和B，目标图像在HSV空间中三个通道上的值H、S和V，目标图像在YCbCr空间中三个通道上的值Y、Cb和Cr，目标图像的纹理特征T，目标图像的方向特征O，以及目标图像的梯度特征G。根据目标图像的12种特征对应的特征图，计算各特征图的一维熵。选择一维熵最大的9张特征图作为最优特征。根据每种超像素分割结果中各初始超像素块的9种特征，基于全局对比度方法获取三种分割结果对应的三种初始显著图，对每种初始显著图使用蚁群优化算法进行优化，然后基于全局对比度方法获取三种初始显著图的优化结果。将三种优化结果进行融合，将融合结果进行过滤，从而获取目标图像的最终显著图。
在本发明的另一个实施例中提供一种图像显著性检测装置，该装置用于实现前述各实施例中的方法。因此，在前述图像显著性检测方法的各实施例中的描述和定义，可以用于本发明实施例中各个执行模块的理解。图3为本发明实施例提供的图像显著性检测装置整体结构示意图，该装置包括分割模块301、优化模块302和获取模块303；其中：
分割模块301，用于从目标图像中提取多个特征，生成特征图，基于超像素分割算法对所述目标图像分别进行多个尺度的分割，获取初始超像素块，根据各所述特征图和各所述初始超像素块，获取各所述初始超像素块的显著值；
其中，对目标进行多维特征提取，本实施例不限于提取特征的种类。超像素分割算法是指将具有相似纹理、颜色、亮度等特征的相邻像素构成的有一定视觉意义的不规则像素块，利用像素之间特征的相似性将像素分组，用少量的超像素代替大量的像素来表达图像特征，从而降低图像后处理的复杂度。目标图像为需要进行显著性检测的图像。初始超像素块为直接使用超像素分割算法将目标图像进行分割获取的超像素。每个初始超像素块具有一个类别标签。分割模块301使用超像素分割算法将目标图像分割为多个初始超像素块，本实施例适用于各种超像素分割算法。根据初始超像素块在目标图像中的区域，从目标图像的多维特征中获取初始超像素块的多维特征，根据各初始超像素块的多维特征，使用全局对比度方法获取各初始超像素块的显著值。
优化模块302用于根据各所述初始超像素块的显著值生成各所述尺度下的初始显著图，基于蚁群优化算法对各所述初始显著图进行优化，获取各所述尺度下的最优显著图；
使用各初始超像素块的显著值生成目标图像的初始显著图。蚁群优化算法是一种用于寻找优化路径的概率型算法，该算法具有分布计算、信息正反馈和启发式搜索的特征，本质上是进化算法中的一种启发式全局优化算法。优化模块302根据初始超像素块的特征使用蚁群优化算法对初始超像素块进行更新，获取超像素区域。超像素区域为使用蚁群优化算法对初始超像素块进行更新后获取的超像素。
获取模块303用于根据各所述尺度下的最优显著图，获取所述目标图像的最终显著图。
将各超像素区域在目标图像中对应区域的多维特征作为各超像素区域对应的多维特征。获取模块303根据各超像素区域对应的多维特征，使用全局对比度方法计算各超像素区域的显著值。使用各尺度下超像素区域的显著值获取目标图像的最终显著图。
本实施例本实施例通过使用超像素分割算法将目标图像分割为多个初始超像素块，根据各初始超像素块的多维特征获取目标图像的初始显著图，将初始显著图中的各初始超像素块看作一个结点，构建图模型，在图模型的基础上使用蚁群优化算法对初始显著图进行优化，根据优化后的初始显著图检测出目标图像的显著性，提高了低光照图像显著性检测的准确性，为夜间安全监控和复杂环境目标定位等问题提供支持。
在上述实施例的基础上，本实施例中分割模块进一步用于：提取目标图像的颜色特征、纹理特征、方向特征和梯度特征；其中，所述目标图像的颜色特征包括所述目标图像在LAB、HSV和YCbCr空间的颜色特征。
在上述实施例的基础上，本实施例中分割模块具体用于：根据多个预设超像素个数，分别在所述目标图像中确定初始种子点；根据各所述初始种子点的邻域中各像素点的梯度值，对所述初始种子点进行更新，获取新种子点；将以各所述新种子点为中心的预设范围内的像素作为各所述新种子点的邻域像素，根据各所述新种子点与各所述新种子点的邻域像素之间的距离，为各所述新种子点的邻域像素分配类别标签，将具有相同所述类别标签的像素作为一个初始超像素块。
在上述实施例的基础上，本实施例中分割模块进一步用于：计算所述目标图像的各特征图的一维熵；将所述目标图像一维熵最大的预设个数的特征图作为目标特征图；根据各所述初始超像素块的目标特征图，基于全局对比度方法获取各所述初始超像素块的显著值。
在上述实施例的基础上，本实施例中优化模块具体用于：计算任意两个所述初始超像素块之间的距离；将所述任意两个初始超像素块之间的距离与预设阈值进行比较，获取所述任意两个初始超像素块之间路径的信息量；根据所述任意两个初始超像素块之间路径的信息量，计算蚂蚁选择所述路径的概率；在所述蚂蚁根据所述概率移动时，更新所述路径上的信息量，根据所述路径更新后的信息量计算蚂蚁选择所述路径的概率，直到达到预设终止条件；若各次迭代中所述蚂蚁选择路径的概率大于第一次迭代中所述蚂蚁选择路径的概率，则将所述蚂蚁选择的路径对应的初始超像素块进行更新，将更新后获取的超像素作为超像素区域。
在上述实施例的基础上，本实施例中优化模块具体通过以下公式根据所述任意两个初始超像素块之间路径的信息量，计算蚂蚁选择所述路径的概率的步骤具体包括：
Figure BDA0001865963400000121
其中，k表示蚂蚁编号，i和j表示任意两个初始超像素块的编号，Iij(t)表示t时刻从初始超像素块si到初始超像素块sj的信息量，ηij＝1/dij表示启发函数，dij为si到sj的距离，Ω(si)表示si的邻域，α表示信息启发式因子，β表示启发信息的影响，
在上述各实施例的基础上，本实施例中获取模块具体用于：将各所述尺度下的最优显著图进行融合；对融合后的显著图进行过滤，获取所述目标图像的最终显著图。
本实施例提供一种电子设备，图4为本发明实施例提供的电子设备整体结构示意图，该设备包括：至少一个处理器401、至少一个存储器402和总线403；其中，
处理器401和存储器402通过总线403完成相互间的通信；
存储器402存储有可被处理器401执行的程序指令，处理器调用程序指令能够执行上述各方法实施例所提供的方法，例如包括：从目标图像中提取多个特征，生成特征图，基于超像素分割算法对所述目标图像分别进行多个尺度的分割，获取初始超像素块，根据各所述特征图和各所述初始超像素块，获取各所述初始超像素块的显著值；根据各所述初始超像素块的显著值生成各所述尺度下的初始显著图，基于蚁群优化算法对各所述初始显著图进行优化，获取各所述尺度下的最优显著图；根据各所述尺度下的最优显著图，获取所述目标图像的最终显著图。
本实施例提供一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行上述各方法实施例所提供的方法，例如包括：从目标图像中提取多个特征，生成特征图，基于超像素分割算法对所述目标图像分别进行多个尺度的分割，获取初始超像素块，根据各所述特征图和各所述初始超像素块，获取各所述初始超像素块的显著值；根据各所述初始超像素块的显著值生成各所述尺度下的初始显著图，基于蚁群优化算法对各所述初始显著图进行优化，获取各所述尺度下的最优显著图；根据各所述尺度下的最优显著图，获取所述目标图像的最终显著图。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种图像显著性检测方法，其特征在于，包括：
从目标图像中提取多个特征，生成特征图，基于超像素分割算法对所述目标图像分别进行多个尺度的分割，获取初始超像素块，根据各所述特征图和各所述初始超像素块，获取各所述初始超像素块的显著值；
根据各所述初始超像素块的显著值生成各所述尺度下的初始显著图，基于蚁群优化算法对各所述初始显著图进行优化，获取各所述尺度下的最优显著图；
根据各所述尺度下的最优显著图，获取所述目标图像的最终显著图；
其中，各所述初始显著图进行优化，获取各所述尺度下的最优显著图的步骤具体包括：
计算任意两个所述初始超像素块之间的距离；
将所述任意两个初始超像素块之间的距离与预设阈值进行比较，获取所述任意两个初始超像素块之间路径的信息量；
根据所述任意两个初始超像素块之间路径的信息量，计算蚂蚁选择所述路径的概率；
在所述蚂蚁根据所述概率移动时，更新所述路径上的信息量，根据所述路径更新后的信息量计算蚂蚁选择所述路径的概率，直到达到预设终止条件；
若各次迭代中所述蚂蚁选择路径的概率大于第一次迭代中所述蚂蚁选择路径的概率，则将所述蚂蚁选择的路径对应的初始超像素块进行更新。
2.根据权利要求1所述的方法，其特征在于，从目标图像中提取多个特征的步骤具体包括：
提取目标图像的颜色特征、纹理特征、方向特征和梯度特征；其中，所述目标图像的颜色特征包括所述目标图像在LAB、HSV和YCbCr空间的颜色特征。
3.根据权利要求1所述的方法，其特征在于，基于超像素分割算法对所述目标图像分别进行多个尺度的分割，获取初始超像素块的步骤具体包括：
根据多个预设超像素个数，分别在所述目标图像中确定初始种子点；
根据各所述初始种子点的邻域中各像素点的梯度值，对所述初始种子点进行更新，获取新种子点；
将以各所述新种子点为中心的预设范围内的像素作为各所述新种子点的邻域像素，根据各所述新种子点与各所述新种子点的邻域像素之间的距离，为各所述新种子点的邻域像素分配类别标签，将具有相同所述类别标签的像素作为一个初始超像素块。
4.根据权利要求1所述的方法，其特征在于，根据各所述特征图和各所述初始超像素块获取各所述初始超像素块的显著值的步骤具体包括：
计算所述目标图像的各特征图的一维熵；
将所述目标图像一维熵最大的预设个数的特征图作为目标特征图；
根据各所述初始超像素块的目标特征图，基于全局对比度方法获取各所述初始超像素块的显著值。
5.根据权利要求1所述的方法，其特征在于，通过以下公式根据所述任意两个初始超像素块之间路径的信息量，计算蚂蚁选择所述路径的概率的步骤具体包括：
Figure FDA0002462923780000021
其中，k表示蚂蚁编号，i和j表示任意两个初始超像素块的编号，Iij(t)表示t时刻从初始超像素块si到初始超像素块sj的信息量，ηij＝1/dij表示启发函数，dij为si到sj的距离，Ω(si)表示si的邻域，α表示信息启发式因子，β表示启发信息的影响。
6.根据权利要求1-5任一所述的方法，其特征在于，根据各所述尺度下的最优显著图，获取所述目标图像的最终显著图的步骤具体包括：
将各所述尺度下的最优显著图进行融合；
对融合后的显著图进行过滤，获取所述目标图像的最终显著图。
7.一种图像显著性检测装置，其特征在于，包括：
分割模块，用于从目标图像中提取多个特征，生成特征图，基于超像素分割算法对所述目标图像分别进行多个尺度的分割，获取初始超像素块，根据各所述特征图和各所述初始超像素块，获取各所述初始超像素块的显著值；
优化模块，用于根据各所述初始超像素块的显著值生成各所述尺度下的初始显著图，基于蚁群优化算法对各所述初始显著图进行优化，获取各所述尺度下的最优显著图；
获取模块，用于根据各所述尺度下的最优显著图，获取所述目标图像的最终显著图；
其中，优化模块具体用于：
计算任意两个所述初始超像素块之间的距离；
将所述任意两个初始超像素块之间的距离与预设阈值进行比较，获取所述任意两个初始超像素块之间路径的信息量；
根据所述任意两个初始超像素块之间路径的信息量，计算蚂蚁选择所述路径的概率；
在所述蚂蚁根据所述概率移动时，更新所述路径上的信息量，根据所述路径更新后的信息量计算蚂蚁选择所述路径的概率，直到达到预设终止条件；
若各次迭代中所述蚂蚁选择路径的概率大于第一次迭代中所述蚂蚁选择路径的概率，则将所述蚂蚁选择的路径对应的初始超像素块进行更新，将更新后获取的超像素作为超像素区域。
8.一种电子设备，其特征在于，包括：
至少一个处理器、至少一个存储器和总线；其中，
所述处理器和存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至6任一所述的方法。
9.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至6任一所述的方法。
CN201811355398.5A 2018-11-14 2018-11-14 图像显著性检测方法及装置 Expired - Fee Related CN109685806B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811355398.5A CN109685806B (zh) 2018-11-14 2018-11-14 图像显著性检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811355398.5A CN109685806B (zh) 2018-11-14 2018-11-14 图像显著性检测方法及装置

Publications (2)

Publication Number Publication Date
CN109685806A CN109685806A (zh) 2019-04-26
CN109685806B true CN109685806B (zh) 2020-06-30

Family

ID=66184682

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811355398.5A Expired - Fee Related CN109685806B (zh) 2018-11-14 2018-11-14 图像显著性检测方法及装置

Country Status (1)

Country Link
CN (1) CN109685806B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110070539A (zh) * 2019-04-28 2019-07-30 重庆大学 基于信息熵的图像质量评价方法
CN111242941B (zh) * 2020-01-20 2023-05-30 南方科技大学 基于视觉注意的显著区域检测方法及装置
CN111583279A (zh) * 2020-05-12 2020-08-25 重庆理工大学 一种基于pcba的超像素图像分割方法
CN114332633B (zh) * 2022-03-01 2022-06-10 北京化工大学 雷达图像目标检测识别方法、设备和存储介质
CN114581207B (zh) * 2022-05-09 2022-09-13 农夫铺子发展集团有限公司 一种面向电商平台的商品图像大数据精准推送方法及***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930542A (zh) * 2012-10-31 2013-02-13 电子科技大学 一种基于全局对比度的矢量化显著检测方法
CN103400129A (zh) * 2013-07-22 2013-11-20 中国科学院光电技术研究所 一种基于频域显著性的目标跟踪方法
CN107527348A (zh) * 2017-07-11 2017-12-29 湖州师范学院 基于多尺度分割的显著性检测方法
CN108345892A (zh) * 2018-01-03 2018-07-31 深圳大学 一种立体图像显著性的检测方法、装置、设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930542A (zh) * 2012-10-31 2013-02-13 电子科技大学 一种基于全局对比度的矢量化显著检测方法
CN103400129A (zh) * 2013-07-22 2013-11-20 中国科学院光电技术研究所 一种基于频域显著性的目标跟踪方法
CN107527348A (zh) * 2017-07-11 2017-12-29 湖州师范学院 基于多尺度分割的显著性检测方法
CN108345892A (zh) * 2018-01-03 2018-07-31 深圳大学 一种立体图像显著性的检测方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Particle Swarm Optimization Based Salient Object Detection for Low Contrast Images;Nan Mu et al.;《Springer International Publishing AG 2017》;20171231;第602-612页 *

Also Published As

Publication number Publication date
CN109685806A (zh) 2019-04-26

Similar Documents

Publication Publication Date Title
CN109685806B (zh) 图像显著性检测方法及装置
US9042648B2 (en) Salient object segmentation
KR101640998B1 (ko) 화상 처리 장치 및 화상 처리 방법
CN105184763B (zh) 图像处理方法和装置
CN110866896B (zh) 基于k-means与水平集超像素分割的图像显著性目标检测方法
CN109919944B (zh) 一种复杂场景建筑物变化检测的联合超像素图割优化方法
CN107369131B (zh) 图像的显著性检测方法、装置、存储介质和处理器
CN109522908A (zh) 基于区域标签融合的图像显著性检测方法
JP5939056B2 (ja) 画像におけるテキスト領域を位置決めする方法及び装置
CN109993753B (zh) 遥感影像中城市功能区的分割方法及装置
CN108022244B (zh) 一种基于前景和背景种子用于显著目标检测的超图优化方法
US20170178341A1 (en) Single Parameter Segmentation of Images
Feng et al. A color image segmentation method based on region salient color and fuzzy c-means algorithm
WO2019197021A1 (en) Device and method for instance-level segmentation of an image
JP6426441B2 (ja) 密度計測装置、密度計測方法、およびプログラム
CN109636809B (zh) 一种基于尺度感知的图像分割层次选择方法
CN111999741A (zh) 路侧激光雷达目标检测方法及装置
CN109658378B (zh) 基于土壤ct图像的孔隙辨识方法及***
Li et al. Unsupervised road extraction via a Gaussian mixture model with object-based features
CN110705634A (zh) 一种鞋跟型号识别方法、装置及存储介质
CN111274964B (zh) 一种基于无人机视觉显著性分析水面污染物的检测方法
CN114973057B (zh) 基于人工智能的视频图像检测方法及相关设备
CN111222546A (zh) 一种多尺度融合的食品图像分类模型训练及图像分类方法
CN115019163A (zh) 基于多源大数据的城市要素识别方法
Geetha et al. An improved method for segmentation of point cloud using minimum spanning tree

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200630

Termination date: 20201114