基于双通道低秩分解的协同学显著性检测方法

摘要

本发明公开了一种基于双通道低秩分解的协同学显著性检测方法。本发明根据人类视觉感知系统的初级视觉特性，模拟视觉平行加工理论，将显著性检测过程处理为双通道协同学过程，分别获取“where”特征显著图和“what”特征显著图，通过融合机制有效地将两幅特征显著图结合起来，并对融合后的特征显著图进行扩散，有效地突出了显著性区域并且抑制了背景噪声，使得本发明具有较好的检测结果，提高了检测的准确率和召回率。

主权项

一种基于双通道低秩分解的协同学习显著性检测方法，包括以下步骤：(1)提取图像特征：(1a)输入一幅自然图像；(1b)采用区域超像素分割方法，将输入的自然图像分割成不同的区域超像素；(1c)分别求出每个区域对应红绿蓝RGB空间和LAB空间的颜色特征的平均值；(1d)将每个区域对应红绿蓝RGB空间和LAB空间的颜色特征的平均值，作为该区域超像素的颜色特征；(1e)分别求出输入自然图像中每个区域对应像素坐标位置的平均值；(2)分解边界矩阵：(2a)提取输入自然图像的四周区域超像素，组成边界矩阵；(2b)按照下式，对边界矩阵进行低秩分解：min||L||_*+λ||S||₁s.t.B＝S+L其中，min表示取最小值操作，||·||_*表示核范数操作，L表示边界矩阵分解后的低秩矩阵，λ表示用于平衡低秩矩阵L和稀疏矩阵S的参数，λ的取值范围为[0,1]，||·||₁表示一范数操作，S表示边界矩阵分解后的稀疏矩阵，s.t.表示约束条件符号，Β表示边界矩阵；(2c)计算边界矩阵分解后的低秩矩阵的每一列中对应的一范数，对所有的一范数取平均值，用该平均值作为背景阈值；(2d)从边界矩阵分解后的低秩矩阵中选取一范数大于背景阈值的所有列数，将所有一范数大于背景阈值的列数对应的超像素作为纯净背景；(3)获取“where”特征显著图：按照下式，计算纯净背景的“where”特征值，将计算出的特征值组合为“where”特征显著图；${\alpha }_i=\mathrm{argmin}\left|\right|x_i-{\mathrm{D\alpha }}_i|{|}_2^2+\mu |\left|{\alpha }_i\right|{|}_1$其中，α_i表示自然图像被分割成不同区域超像素中的第i个区域超像素的稀疏系数，argmin表示取最小值操作，表示二范数操作，x_i表示自然图像被分割成不同区域超像素中的第i个区域超像素的特征值，D表示边界矩阵分解后的低秩矩阵，μ表示用于平衡稀疏约束项||α_i||₁和重构误差项的参数，μ的取值范围为[0,1]，||·||₁表示一范数操作；(4)获取“where”区域超像素：(4a)对纯净背景的“where”所有的特征值取平均值，用该平均值作为目标阈值；(4b)从纯净背景的“where”所有的特征值中选取大于目标阈值的值，将所有大于目标阈值的值的区域超像素作为“where”区域超像素；(5)获取“what”特征显著图：(5a)计算非“where”区域超像素与“where”区域超像素的混合相似度值，得到混合相似度矩阵；(5b)计算非“where”区域的自相似度值，得到自相似度矩阵；(5c)将自相似度矩阵逐行求和，依次将所求之和组成对角矩阵；(5d)计算非“where”区域超像素的特征值；(5e)将非“where”区域与“where”区域的所有特征值组合为“what”特征显著图；(6)融合特征显著图：按照下式，将“where”特征显著图和“what”特征显著图进行融合，得到融合后的特征显著图：S(i)＝S^bg(i).*S^goal(i)其中，S表示融合后的特征显著图，i表示自然图像被分割成不同区域中的第i个区域超像素，i的取值范围为[0,N]，N表示自然图像被分割的区域总数，S^bg表示“where”特征显著图，.*表示点乘操作，S^goal表示“what”特征显著图；(7)扩散；(7a)利用K均值聚类算法，将输入自然图像分成8类；(7b)按照下式，对融合后的特征显著图进行扩散，得到扩散后的特征显著图：其中，表示属于第t类的第i个区域超像素扩散后的显著性值，t表示第t类，t的取值范围为[1,8]，i表示第i个区域超像素，i的取值范围为[1,N]，N为第t类区域超像素的总数，表示第t类的第i个区域超像素的显著性值，∑表示求和操作，表示第t类的第j个区域超像素的显著值，j表示第j个区域超像素，j的取值范围为[1,N]，且j≠i，w_ij表示区域超像素i与区域超像素j的相似程度；(8)输出扩散后的特征显著图。