基于信息融合的隱馬爾可夫顯著區(qū)域檢測(cè)方法
【專利摘要】本發(fā)明涉及一種基于信息融合的隱馬爾可夫顯著區(qū)域檢測(cè)方法，本發(fā)明可以應(yīng)用于復(fù)雜背景下的目標(biāo)區(qū)域檢測(cè)和識(shí)別。技術(shù)特征在于：首先計(jì)算圖像的三個(gè)顏色對(duì)比通道；然后，通過(guò)最大后驗(yàn)概率迭代計(jì)算各通道的最終標(biāo)簽圖像；再用最大互信息的標(biāo)簽類得到各通道突出圖；最后將3個(gè)通道中所有大于冗余信息的連通區(qū)域信息量相加并歸一化，得到最終顯著圖。本發(fā)明在充分利用了圖像先驗(yàn)信息同時(shí)保留了數(shù)據(jù)細(xì)節(jié)，解決了區(qū)域顏色信息丟失所帶來(lái)的問(wèn)題，能夠迅速對(duì)焦于廣泛的顯著區(qū)域而不用提前進(jìn)行訓(xùn)練。
【專利說(shuō)明】基于信息融合的隱馬爾可夫顯著區(qū)域檢測(cè)方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像處理【技術(shù)領(lǐng)域】，特別是涉及一種基于信息融合的隱馬爾可夫顯著 區(qū)域檢測(cè)方法。

【背景技術(shù)】
[0002] 顯著區(qū)域檢測(cè)是從復(fù)雜的自然場(chǎng)景中檢測(cè)出最能吸引觀察者注意的圖像區(qū)域，這 些區(qū)域可以給人眼帶來(lái)較強(qiáng)的刺激，使視覺(jué)系統(tǒng)能夠用有效的方式來(lái)分配有限的感性資 源。目前顯著區(qū)域檢測(cè)廣泛的應(yīng)用于自適應(yīng)壓縮和縮放，無(wú)監(jiān)督圖像分割，目標(biāo)識(shí)別等眾多 圖像處理領(lǐng)域。因此，研究顯著區(qū)域檢測(cè)方法有很重要的實(shí)用價(jià)值。
[0003] 目前針對(duì)顯著區(qū)域檢測(cè)的一些主要方法：
[0004]SUN方法是ChristopherKanan等在"RobustClassificationofObjects，F(xiàn)aces， andFlowersUsingNaturalImageStatistics"inCVPR2010 中提出的。其思路是從自 然圖像集合當(dāng)中，用獨(dú)立成分分析訓(xùn)練出一個(gè)基特征來(lái)模仿神經(jīng)元的感受野，從而求解圖 像中的顯著目標(biāo)區(qū)域。該方法符合自上而下的視覺(jué)系統(tǒng)，其計(jì)算速度較快。然而，人眼能夠 迅速的從大量復(fù)雜背景中尋找出有用的目標(biāo)，在很大程度上就是依賴于顏色信息。該方法 在處理時(shí)只考慮灰度圖像，忽略了圖像的顏色信息，而這些在不同的像素位置上的顏色值 反映的是真實(shí)場(chǎng)景的有關(guān)信息，這導(dǎo)致在不同顏色背景下計(jì)算出的顯著值近似，影響了檢 測(cè)的效果。
[0005] 四兀數(shù)方法是BorisSchauerte等在"Quatemion-basedSpectralSaliency DetectionforEyeFixationPrediction"inECCV2012 中提出的。其主要思想是將圖 像作為一個(gè)整體映射到四元數(shù)頻譜，從四元數(shù)頻譜的變化率出發(fā)給出一個(gè)通用顯著區(qū)域檢 測(cè)模型。該方法從純數(shù)學(xué)的角度考慮了區(qū)域顯著性在四元數(shù)頻譜的變化，檢測(cè)出的區(qū)塊較 完整。然而，該方法缺乏對(duì)圖像顯著區(qū)域的先驗(yàn)知識(shí)利用，顯著區(qū)域檢測(cè)是為了理解，但是 理想的檢測(cè)結(jié)果需要理解后的結(jié)果作為先驗(yàn)知識(shí)，因而顯著區(qū)域檢測(cè)是一個(gè)病態(tài)問(wèn)題，該 方法忽略了對(duì)這種病態(tài)性問(wèn)題的考慮，隨著圖像場(chǎng)景的復(fù)雜化，其檢測(cè)準(zhǔn)確性也急劇下降。


【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的是針對(duì)【背景技術(shù)】存在的缺陷，提出一種基于信息融合的隱馬爾可夫 顯著區(qū)域檢測(cè)方法，保留了圖像的先驗(yàn)知識(shí)和顏色信息，可以從一個(gè)復(fù)雜的自然場(chǎng)景當(dāng)中 自動(dòng)檢測(cè)出顯著區(qū)域，能夠迅速對(duì)焦于廣泛的顯著區(qū)域而不用提前進(jìn)行訓(xùn)練。
[0007] 為實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案包括如下幾個(gè)步驟：
[0008] 步驟1)讀取待檢測(cè)圖像Y，用RGB顏色空間轉(zhuǎn)換為對(duì)比顏色空間方法，計(jì)算出三個(gè) 對(duì)比顏色通道YK(；，
[0009] 步驟2)將通道YK(；視作觀察場(chǎng)來(lái)計(jì)算完全數(shù)據(jù)ZK(；和初始標(biāo)簽圖；^e，具體步驟如 下：
[0010] 2a)用canny算法求通道YK(；的邊緣響應(yīng)，該邊緣響應(yīng)就是完全數(shù)據(jù)ZK(；。
[0011] 2b)對(duì)通道YKe用高斯模糊來(lái)降低圖像細(xì)節(jié)并減少噪聲。
[0012]2c)用k-means聚類算法計(jì)算通道YK(；的初始標(biāo)簽圖，聚類數(shù)即標(biāo)簽類1的個(gè) 數(shù)。
[0013] 步驟3)計(jì)算初始標(biāo)簽圖中各類標(biāo)簽的均值與方差，作為初始參數(shù)。
[0014]步驟4)通過(guò)最大后驗(yàn)概率來(lái)計(jì)算新標(biāo)簽圖像尤^，詳細(xì)步驟如下：
[0015] 4a)求似然能量函數(shù)U(y|x;X)，方法為

【權(quán)利要求】
1. 一種基于信息融合的隱馬爾可夫顯著區(qū)域檢測(cè)方法，其特征在于步驟如下： 步驟1)讀取待檢測(cè)圖像Y，將RGB顏色空間轉(zhuǎn)換為對(duì)比顏色空間，計(jì)算出三個(gè)對(duì)比顏色 通道YK(；，YBY，YIt) 步驟2)將通道視作觀察場(chǎng)來(lái)計(jì)算完全數(shù)據(jù)ZK(；和初始標(biāo)簽圖，具體步驟如下： 2a)用canny算法求通道YK(；的邊緣響應(yīng)，該邊緣響應(yīng)就是完全數(shù)據(jù)ZKe。 2b)對(duì)通道YK(；用高斯模糊來(lái)降低圖像細(xì)節(jié)并減少噪聲。 2c)用k-means聚類算法計(jì)算通道YK(；的初始標(biāo)簽圖聚類數(shù)即標(biāo)簽類1的個(gè)數(shù)。 步驟3)計(jì)算初始標(biāo)簽圖中各類標(biāo)簽的均值與方差，作為初始參數(shù)。 步驟4)通過(guò)最大后驗(yàn)概率來(lái)計(jì)算新的標(biāo)簽圖像，詳細(xì)步驟如下： 4a)求似然能量函數(shù)U(y|x;A)，方法為：
.其中 為通道YKe的第i個(gè)像素，隊(duì)，與心，為標(biāo)簽圖像的第i個(gè)像素所在的標(biāo)簽類1的均值和 方差，
為參數(shù)集合。 4b)計(jì)算先驗(yàn)?zāi)芰亢瘮?shù)U(x)，可以通過(guò)該式得到
'它是基團(tuán)集合C中 所有基團(tuán)的勢(shì)函數(shù)火〇〇的總和。其中，勢(shì)函數(shù)Vjx)為
1是 點(diǎn)\的鄰域像素點(diǎn)。S(Xi，x'J是鄰域像素對(duì)的勢(shì)函數(shù)參數(shù)，該參數(shù)具有以下這種形式：
4c)重復(fù)步驟4a)-4b)，更新似然能量函數(shù)和先驗(yàn)?zāi)芰亢瘮?shù)，用來(lái)計(jì)算新標(biāo)簽圖像;，方法為：
步驟5)用步驟4)得到的新標(biāo)簽圖像來(lái)重新估計(jì)參數(shù)，具體步驟如下： 5a)計(jì)算通道YK(；的條件分布gGilxi;^)，條件分布用高斯分布來(lái)表達(dá)，^為新標(biāo)簽 圖像的第1類標(biāo)簽的參數(shù)集合。 5b)執(zhí)行t次迭代，計(jì)算標(biāo)簽類1的條件概率，方法為：
的計(jì)算方法同步驟4b)中勢(shì)函數(shù)的計(jì)算方 法，'是Xi的鄰域像素點(diǎn)。 5c)計(jì)算第1類標(biāo)簽的最大后驗(yàn)概率：
，P(yi)為通道 YKe在第i個(gè)像素上的概率，用高斯分布來(lái)表達(dá)。 5d)用最大后驗(yàn)概率P(t)(l|yi)重新估計(jì)參數(shù)，具體計(jì)算方法為：
步驟6)重復(fù)步驟4) -5)，得到通道YKe的最終標(biāo)簽圖像XKe。 步驟7)計(jì)算通道Yby與通道I的最終標(biāo)簽圖XBY與&，方法同步驟4) -6)。得到三個(gè)通 道的最終標(biāo)簽圖X= {XKe，XBY，XJ。 步驟8)計(jì)算三通道突出圖X'方法是在給定待檢測(cè)圖像Y的條件下，找到各通道下最 終標(biāo)簽圖X的互信息值最大的標(biāo)簽類1，該標(biāo)簽類1即為突出圖X%
其中，H(Xi)是標(biāo)簽圖像X中的標(biāo)簽類1所代表的圖像區(qū)域&的熵。H(X」Y)反映的是 當(dāng)人眼觀察到圖像Y后，圖像中出現(xiàn)標(biāo)簽區(qū)域&的熵。 步驟9)刪除各通道突出圖)T中過(guò)小的連通區(qū)域。突出圖由多個(gè)獨(dú)立的連通區(qū)域{&， R2. . .，Rk}構(gòu)成，若第k個(gè)連通區(qū)域滿足條件
，則保留，否則從突出圖中刪除，其中 d為面積閾值，m?n為圖像的尺寸。 步驟10)計(jì)算三個(gè)對(duì)比顏色通道突出圖礦中的各連通區(qū)域的自信息。 步驟11)最后將三通道下的突出圖融合成一幅顯著圖S，計(jì)算方法是將三通道中所有 大于冗余信息參數(shù)的連通區(qū)域的自信息相加，并歸一化，得到最終顯著圖S。
2. 根據(jù)權(quán)利要求1所述RGB顏色空間轉(zhuǎn)換對(duì)比顏色空間方法，利用文章Color invariance中提出的顏色空間轉(zhuǎn)換方法。
3. 根據(jù)權(quán)利要求1所述canny算法米用文章OnregularizedLaplacianzero crossingsandotheroptimaledgeintegrators中的canny邊緣檢測(cè)算法。
4. 根據(jù)權(quán)利要求1所述k-means聚類算法米用文章Afastk-meansimplementation usingcoresets中的k-means聚類算法。
【文檔編號(hào)】G06T7/00GK104408712SQ201410616754
【公開(kāi)日】2015年3月11日 申請(qǐng)日期:2014年10月30日 優(yōu)先權(quán)日:2014年10月30日
【發(fā)明者】彭進(jìn)業(yè), 李永恒, 馮曉毅, 譚歆, 王志成, 陳貴良, 毛琥博 申請(qǐng)人:西北工業(yè)大學(xué)