一種基于超像素拓?fù)浞治龅目ㄍ▓D片顯著性檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及計(jì)算視覺(jué)圖片顯著性檢測(cè)，尤其是設(shè)及一種基于超像素拓?fù)浞治龅目?通圖片顯著性檢測(cè)方法。
【背景技術(shù)】
[0002] 卡通動(dòng)漫是一種重要的藝術(shù)形式，有著悠久的歷史與大量的作品。在信息化高度 發(fā)達(dá)的今天，卡通動(dòng)漫產(chǎn)業(yè)形成了爆炸性的增長(zhǎng)，人們通過(guò)各種各樣的終端接收、瀏覽、編 輯卡通作品。針對(duì)卡通圖片的計(jì)算機(jī)視覺(jué)與計(jì)算機(jī)圖形學(xué)的應(yīng)用也日益復(fù)雜，比如圖像分 害d、目標(biāo)識(shí)別、自適應(yīng)壓縮、內(nèi)容敏感圖片編輯、圖像檢索等。同時(shí)處理終端也從傳統(tǒng)的電腦 衍生到手機(jī)、平板等各種設(shè)備。
[0003] 人類(lèi)視覺(jué)系統(tǒng)只詳細(xì)處理圖像的某些局部，而對(duì)圖像的其余部分幾乎視而不見(jiàn)。 該種被視覺(jué)系統(tǒng)詳細(xì)處理的局部區(qū)域通常被稱(chēng)為顯著性區(qū)域。顯著性區(qū)域作為圖片中的重 要部分在圖像處理過(guò)程中有著重要的意義。顯著性檢測(cè)不僅是許多計(jì)算機(jī)視覺(jué)應(yīng)用的重要 步驟，而且人們可W能夠通過(guò)顯著性區(qū)域優(yōu)先分配計(jì)算資源。
[0004] 從計(jì)算的關(guān)注點(diǎn)來(lái)說(shuō)，顯著性檢測(cè)方法有基于局部中屯、周?chē)顒e的方法 (見(jiàn).Dominik A.Klein and Simone Frintrop, "Center-surround divergence of feature statistics for salient object detect ion，，，in Proc. IEEE Int. Conf. Comput. Vis.，Nov. 2011，pp. 2214 - 2219)與基于全局顏色的方法（見(jiàn)? Federico Perazzi,Philipp Krahenbuhl,Yael Pritch, and Alexander Hornung, "Saliency filters:Contrast based filtering for salient region detection，，，in Proc. IE 邸 Conf. Comput. Vis. Pattern Recog?，化 n. 2012, pp. 733 - 740)，也有基于圖片上下 文的方法（見(jiàn).S. Goferman, L. Zelnik-Manor, and A. Tal, "Context-aware saliency detect ion, ''in Proc. of the Conference on Computer Vision and Pattern Recognition. IEEE, 2010, pp. 2376 - 2383);從計(jì)算的單位來(lái)看，主要分為基于像素的 方法（見(jiàn).民.Achanta，S. Hemami，F(xiàn). Estrada，and S. Susstrunk，"Frequency-tuned salient region detection, ''in Conference on Computer Vision and Pattern Recognition. IE 邸，2009, pp. 1597 - 1604.)與基于分割的方法（見(jiàn).Ming-Ming Cheng,Guo-Xin Zhang, Niloy J.Mitra, Xiaolei Huang, and Shi-Min Hu, "Global contrast based salient region detection,，，in Proc. IEEE Conf. Comput. Vis. Pattern 民ecog.，化n. 2011，pp. 409 - 416.)。由于卡通圖片是人工所創(chuàng)作的，主要是由線(xiàn)條與顏色區(qū) 塊所構(gòu)成，顏色分布也較隨意，與自然圖片有著很大的區(qū)別。目前的顯著性檢測(cè)算法對(duì)于卡 通圖片檢測(cè)正確率并不高，尤其是在卡通人物或者物體的內(nèi)部顏色與背景顏色相近時(shí)，基 本上無(wú)法檢測(cè)出來(lái)。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于提供能夠正確檢測(cè)卡通圖片的一種基于超像素拓?fù)浞治龅目?通圖片顯著性檢測(cè)方法。
[0006] 本發(fā)明包括W下步驟：
[0007] 1)依據(jù)卡通圖片的色彩分布進(jìn)行聚類(lèi)分析，提取卡通圖片的超像素；
[000引2)依據(jù)卡通圖片超像素鄰接關(guān)系，結(jié)合特征線(xiàn)條信息建立拓?fù)浣Y(jié)構(gòu)；
[0009] 3)提取出所有與線(xiàn)條相鄰的超像素集，將之分為前景超像素集與背景超像素集；
[0010] 4)基于背景超像素集，計(jì)算所有超像素與背景超像素集在RGB顏色空間上的距離 之和從而得到全局顯著性圖；
[0011] 5)在全局顯著性圖上，基于前景超像素集，采用Saliency Flood方法評(píng)估超像素 局部顯著性值，最終得到卡通圖片的顯著性圖。
[0012] 在步驟2)中，所述依據(jù)卡通圖片超像素鄰接關(guān)系，結(jié)合特征線(xiàn)條信息建立拓?fù)浣Y(jié) 構(gòu)的具體方法可為；在卡通圖片的超像素基礎(chǔ)上，集合線(xiàn)條信息建立拓?fù)浣Y(jié)構(gòu)G<V，E〉，將 每個(gè)超像素spi當(dāng)作為G中頂點(diǎn)，SP iG V ;對(duì)于每個(gè)超像素SP i尋找其相鄰的超像素SP j.，若 sPi與sp j之間沒(méi)有線(xiàn)條阻隔，則設(shè)定e(i, j) G E，即sPi與sp j可達(dá)，否則判定sPi與sp j不 可達(dá)。
[0013] 在步驟3)中，所述提取出所有與線(xiàn)條相鄰的超像素集，將之分為前景超像素集與 背景超像素集的具體方法可為；首先提取與線(xiàn)條相鄰的超像素集SPE，并將其分為兩部分， 分別定義為背景超像素集SPE-B與前景超像素集SPE-F ;卡通圖片的四個(gè)邊緣的超像素集 定義為SPB，為了將S陽(yáng)-B與S陽(yáng)-F從SPE中區(qū)分開(kāi)來(lái)，圖G<V，E〉定義了所有超像素的拓?fù)?結(jié)構(gòu)；對(duì)于spi G SPE，只要SP i能在G中找到任意一條路徑到達(dá)SPB中任何一個(gè)超像素，貝U 可判定spi E S陽(yáng)-B，否則判定SP i E S陽(yáng)-F ;
[0014] 為了尋找到該一條路徑，在圖G<V，E>上使用啟發(fā)式捜索方法，定義估價(jià)函數(shù)用來(lái) 評(píng)估spi到達(dá)SPB每一步的最優(yōu)選擇，該函數(shù)定義為；
[0015] fkPj) = g kPj)+h kPj)，spj G SP and e (i, j) G E in G<V, E〉
[0016]
【主權(quán)項(xiàng)】
1. 一種基于超像素拓?fù)浞治龅目ㄍ▓D片顯著性檢測(cè)方法，其特征在于包括以下步驟： 1) 依據(jù)卡通圖片的色彩分布進(jìn)行聚類(lèi)分析，提取卡通圖片的超像素； 2) 依據(jù)卡通圖片超像素鄰接關(guān)系，結(jié)合特征線(xiàn)條信息建立拓?fù)浣Y(jié)構(gòu)； 3) 提取出所有與線(xiàn)條相鄰的超像素集，將之分為前景超像素集與背景超像素集； 4) 基于背景超像素集，計(jì)算所有超像素與背景超像素集在RGB顏色空間上的距離之和 從而得到全局顯著性圖； 5) 在全局顯著性圖上，基于前景超像素集，采用Saliency Flood方法評(píng)估超像素局部 顯著性值，最終得到卡通圖片的顯著性圖。
2. 如權(quán)利要求1所述一種基于超像素拓?fù)浞治龅目ㄍ▓D片顯著性檢測(cè)方法，其特征在 于在步驟2)中，所述依據(jù)卡通圖片超像素鄰接關(guān)系，結(jié)合特征線(xiàn)條信息建立拓?fù)浣Y(jié)構(gòu)的具 體方法為：在卡通圖片的超像素基礎(chǔ)上，集合線(xiàn)條信息建立拓?fù)浣Y(jié)構(gòu)G〈V，E>，將每個(gè)超像 素 Spi當(dāng)作為G中頂點(diǎn)，sp f V ;對(duì)于每個(gè)超像素 sp i尋找其相鄰的超像素 sp』，若Sp^ sp j 之間沒(méi)有線(xiàn)條阻隔，則設(shè)定e (i，j) e E，即^^與sp」可達(dá)，否則判定sp 1與sp」不可達(dá)。
3. 如權(quán)利要求1所述一種基于超像素拓?fù)浞治龅目ㄍ▓D片顯著性檢測(cè)方法，其特征 在于在步驟3)中，所述提取出所有與線(xiàn)條相鄰的超像素集，將之分為前景超像素集與背景 超像素集的具體方法為：首先提取與線(xiàn)條相鄰的超像素集 SPE，并將其分為兩部分，分別定 義為背景超像素集SPE-B與前景超像素集SPE-F ;卡通圖片的四個(gè)邊緣的超像素集定義為 SPB，為了將SPE-B與SPE-F從SPE中區(qū)分開(kāi)來(lái)，圖G〈V，E>定義了所有超像素的拓?fù)浣Y(jié)構(gòu)； 對(duì)于sPi e SPE，只要sp i能在G中找到任意一條路徑到達(dá)SPB中任何一個(gè)超像素，則可判 定 SPi e SPE-B，否則判定 sp i e SPE-F ; 為了尋找到這一條路徑，在圖G〈V，E>上使用啟發(fā)式搜索方法，定義估價(jià)函數(shù)用來(lái)評(píng)估 SPi到達(dá)SPB每一步的最優(yōu)選擇，該函數(shù)定義為： f (spj) = g (spj)+h (spj), spjG SP and e(i, j) e E in G<V, E>
h (spj) = min (dist (spj, spk)) spke SPB 對(duì)于SpiG SPE，通過(guò)估價(jià)函數(shù)f，尋找出一條路徑，判斷sp i是否與邊緣的相通，若相 通，則判定sPie SPE-B ;否則sp # SPE-F，這樣就將與線(xiàn)條相鄰的超像素集合SPE分為 SPE-B和SPE-F兩部分。
4. 如權(quán)利要求1所述一種基于超像素拓?fù)浞治龅目ㄍ▓D片顯著性檢測(cè)方法，其特 征在于在步驟5)中，所述Saliency Flood方法是利用SPE-F評(píng)估局部顯著性值，對(duì)于 基于超像素的拓?fù)浣Y(jié)構(gòu)G〈V，E>，采用廣度優(yōu)先的算法，逐步評(píng)估局部區(qū) 域內(nèi)的顯著性值；具體方法為：首先將SPE-F中的超像素加入到隊(duì)列sq-queue，然后從 sq-queue取出一個(gè)超像素 Spi,在G中找到與Spi相鄰的超像素 sp j;若sp iG SPE-F,則設(shè) 置 SI (SPj) =SI(Spi);否則設(shè)置 SI (Spi) =SR(sPi，sPj)，之后將 SPj添加到隊(duì)列 sq-queue， 再重復(fù)之前的操作，直到sq-queue為空，其中，SR(sPi, spj)是根據(jù)超像素8口1與sp』在RGB 空間上顏色的差別來(lái)判定SI (spj的顯著性值，定義為：
【專(zhuān)利摘要】一種基于超像素拓?fù)浞治龅目ㄍ▓D片顯著性檢測(cè)方法，涉及計(jì)算視覺(jué)圖片顯著性檢測(cè)。1)依據(jù)卡通圖片的色彩分布進(jìn)行聚類(lèi)分析，提取卡通圖片的超像素；2)依據(jù)卡通圖片超像素鄰接關(guān)系，結(jié)合特征線(xiàn)條信息建立拓?fù)浣Y(jié)構(gòu)；3)提取出所有與線(xiàn)條相鄰的超像素集，將之分為前景超像素集與背景超像素集；4)基于背景超像素集，計(jì)算所有超像素與背景超像素集在RGB顏色空間上的距離之和從而得到全局顯著性圖；5)在全局顯著性圖上，基于前景超像素集，采用Saliency Flood方法評(píng)估超像素局部顯著性值，最終得到卡通圖片的顯著性圖。算法明確、界面友好、結(jié)果魯棒，所得卡通圖片上顯著性區(qū)域可廣泛運(yùn)用到各種計(jì)算機(jī)視覺(jué)與圖形學(xué)的應(yīng)用。
【IPC分類(lèi)】G06T7-00
【公開(kāi)號(hào)】CN104537679
【申請(qǐng)?zhí)枴緾N201510022114
【發(fā)明人】曾饒, 廖明宏, 高星, 賴(lài)永炫, 林俊聰, 康笛
【申請(qǐng)人】廈門(mén)大學(xué)
【公開(kāi)日】2015年4月22日
【申請(qǐng)日】2015年1月16日