CN104217438A - 基于半监督的图像显著性检测方法 - Google Patents

Abstract

本发明公开一种基于半监督的图像显著性检测方法，主要解决现有技术中目标边界不清晰，目标提取不均匀，显著性检测准确率低的问题。本发明的步骤为：(1)获得初步显著性图像；(2)获得初步的标记的超像素；(3)贝叶斯选择；(4)聚类操作；(5)流形学习；(6)获得最终的显著性图像。本发明利用计算得到的初步的显著性图像标记待检测图像的超像素，得到标记超像素作为半监督的标记样本，不依靠凸包可以避免检测结果中出现凸包中的非目标部分，提高了显著性检测的准确性。本发明采用流形学习的方法对标记的超像素进行学习，可以获得均匀且边界完整的目标。

Description

基于半监督的图像显著性检测方法

技术领域

本发明属于图像处理技术领域，更进一步涉及图像增强技术领域中的一种基于半监督的图像显著性检测方法。本发明可应用于对相近图像的检索、图像中特定目标的检测和图像分割。

背景技术

图像中的显著性区域是指一副图片中人类视觉中最关注的目标区域，显著性检测的结果会将目标区域均匀提亮突出的同时抑制背景，便于图像的后期处理，是目前重要的研究领域之一。近年来显著性检测已经被广泛的应用于对相近图像的检索、图像和视频压缩、图像中特定目标的检测、图像及视频分割等许多图像处理领域，并很好的促进了这些领域的发展。

华东理工大学提出的专利申请“一种基于移动视觉焦点的图像视觉显著性检测方法”(专利申请号CN201410042192.2，公开号CN103810707A)，公开了一种基于移动视觉焦点的图像视觉显著性检测方法。该方法首先运用基于图的分割算法将原始图像分割成K个区域，然后对原始图像进行量化及高频颜色筛选；利用分割图像获得量化图像对应的分割区域并进行区域对比计算以获取某一区域的显著值从而获得初始显著图；以图像中心为初始视觉焦点对初始显著图进行加权计算；利用显著性引力模型计算视觉焦点的移动距离及移动方向以获取下一个视觉焦点，直到当前焦点距离与上一焦点距离小于1为止；运用最终的视觉焦点对获得最终视觉焦点的前一次获得的显著图加权从而获得最终显著图像。该检测方法的虽然可以突出显著物体，并很好地抑制图像背景，但是仍然存在的不足是，该方法获得的显著性图像目标不均匀，而且无法保留目标的完整边界。

重庆大学提出的专利申请“一种基于对比度与角点最小凸包的显著性检测方法”(专利申请号CN201410180885.8，公开号CN103927758A)公开了一种显著性检测方法。该方法实施步骤是：首先根据超像素的全局对比计算全局显著图，然后使用中心—周围算子计算局部显著图，最后根据Harris角点的最小凸包估计主要目标的位置与大小过滤到背景中部分区域的干扰，使得主要目标得以突出。该方法虽然可以均匀提亮突出目标，但是仍然存在的不足是，高度依赖于凸包的准确性，在突出目标的同时，凸包内很大一部分错误区域被突出，降低了显著性检测的准确率。

发明内容

本发明针对上述现有技术的不足，提出一种基于半监督的图像显著性检测方法，通过对输入图像进行简单的显著性检测，获得初步显著性图像，对初步显著性图像进行二值化，得到亮点像素，利用亮点像素对超像素进行标记，获得初步的标记超像素，针对获得的初步的标记超像素，通过发明中提及的相应方法对初步的标记超像素进行更新计算，获得标记超像素，通过对这些标记超像素的学习检测出其他具有显著性的超像素，得到的显著性图像目标均匀，准确率高。

实现本发明的具体思路是：首先采用超像素分割法，将图片划分成分割系数为K的超像素映射图像，并采用采用背景优先的测地距显著性Geodesic saliency usingbackground priors中的概念，将超像素映射图像中的超像素和边界超像素进行显著性计算，从而获得一张初步的显著性图像。对初步的显著性图进行高斯强化，形态学操作，大津法二值化获得初步的标记超像素，通过贝叶斯选择则获得半监督方法中需要的一部分标记超像素。对这些标记超像素进行聚类计算，对聚类结果的赋予不同分类不同的权值，最后将不同类的标记超像素使用流形学习法获得学习结果，并将学习结果乘以各自的权值后相乘获得最终的显著性图像。

为了实现上述目的，本发明包括如下步骤：

(1)获得初步显著性图像：

(1a)利用简单线性迭代聚类SLIC超像素分割算法，对待检测的图像进行分割，获得一个超像素映射图像；

(1b)将位于待检测图像边缘上的超像素作为边缘超像素；

(1c)利用显著性公式，计算超像素映射图像中每个超像素与边缘超像素的显著性值，获得初步显著性图像；

(2)获得初步的标记超像素：

(2a)对初步显著性图像进行高斯滤波，获得高斯显著性图像；

(2b)利用大津法，对高斯显著性图像进行二值化操作，获得二值图像；

(2c)对二值图像像进行形态学的开操作，获得开操作二值图像，对开操作二值图像进行形态学的填孔操作，获得优化二值图像，将优化二值图像中的值为1的像素点设定为亮点像素；

(2d)利用亮点像素，对超像素映射图像中每个超像素进行选择，获得标记样本；

(2d)将标记样本设定为初步的标记超像素；

(3)贝叶斯选择：

(3a)使用贝叶斯选择方法，对初步的标记超像素进行选择，获得贝叶斯显著性图像；

(3b)利用大津法，对贝叶斯显著性图像二值化，获得进化二值图像，将进化二值图像中值为1的像素设定为亮点像素；

(3c)利用亮点像素，对超像素映射图像中每个超像素进行选择，获得标记样本；

(3d)将标记样本设定为标记超像素；

(4)聚类操作：

(4a)利用均值漂移算法，将标记超像素分成4类数目不均匀的标记超像素，获得4类标记超像素；

(4b)利用权值分配法，获得4类标记超像素的权值；

(5)流形学习：

(5a)利用流形学习法，计算流形学习矩阵；

(5b)利用流形学习法，对4类标记超像素进行学习，获得4类标记超像素学习结果；

(6)获得最终显著性图像：

(6a)将标记超像素学习结果与标记超像素的权值相乘，获得4个子显著性图像；

(6b)将4个子显著性图像相乘，获得最终显著性图像。

本发明与现有技术相比有以下优点：

第一，本发明采用了流形学习法，获得标记超像素的的学习结果，并最终获得显著性图像，克服了现有技术中利用显著性引力模型计算获得显著性图像造成的显著性图像目标不均匀，而且无法保留目标的完整边界的缺点，使得本发明可以获得均匀目标的同时，保留目标的完整边界。

第二，本发明利用贝叶斯选择方法，对超像素映射图像中的每一个超像素进行选择，获得贝叶斯显著性图像的方法，克服了现有技术由于高度依赖于凸包的准确性，在突出目标的同时，凸包内很大一部分错误区域被突出，降低了显著性检测的准确率的缺点，使得本发明可以准确的提取目标，大大提升显著性检测的准确率。

附图说明

图1为本发明的流程图；

图2为本发明的仿真图。

具体实施措施

下面结合附图对发明做进一步描述。

结合附图1对本发明方法的具体步骤描述如下：

步骤1，获得初步的显著性图像。

采用简单线性迭代聚类SLIC超像素分割算法，可以快速对待检测的图像进行分割，获得一个超像素映射图像。

第一步，按照下式，确定待检测图像的初始化网格：

$S=\sqrt{\left(\frac{N}{K}\right)}$

其中，S表示待检测图像的初始化网格的大小，N表示待检测图像的像素个数，K表示分割系数，K取值为200。

第二步，在每一个待检测图像的初始化网格内，随机选取一个像素作为初始化聚类中心。

第三步，在初始化聚类中心所对应像素的3×3邻域内，寻找梯度最小的像素σ。

第四步，将初始化聚类中心移到像素σ所在的位置。

第五步，将像素σ的五个值赋给初始化聚类中心，其中三个值为像素σ在国际照明委员会颜色-对比CIELab空间内的亮度值及两个颜色对立维度的值，另外两个值为像素σ所在位置的横纵坐标值。

第六步，将标签矩阵Lab内所有元素值赋值为-1，将距离矩阵Des内所有元素赋值为正无穷大的整数。

第七步，按照下式，计算第k个初始化聚类中心与第i个像素的距离：

$D=\sqrt{[{(r_i-r_k)}^2+{(a_i-a_k)}^2+{(b_i-b_k)}^2]+\frac{{(x_i-x_k)}^2+{(y_i-y_j)}^2}{S^2}\·{\mathrm{\θ}}^2}$

其中，D表示第k个初始化聚类中心与第i个像素的距离，r_i，a_i，b_i分别表示第i个像素在国际照明委员会颜色-对比CIELab空间内的亮度值及两个颜色对立维度的值，(x_i，y_i)分别表示第i个像素所在位置的横纵坐标值，r_k，a_k，b_k分别表示第k个初始化聚类中心在国际照明委员会颜色-对比CIELab空间内的亮度值及两个颜色对立维度的值，(x_k，y_k)分别表示初始化聚类中心所在位置的横纵坐标值，θ是一个常数，i的取值范围是初始化聚类中心领域2S×2S内的像素，其中S是初始化网格的大小。

第八步，比较第k个初始化聚类中心与第i个像素的距离的值与距离矩阵中对应元素的值，如果第k个初始化聚类中心与第i个像素的距离的值小于距离矩阵中第i个元素的值,则给距离矩阵中第i个元素赋值为第k个初始化聚类中心与第i个像素的距离的值，给标签矩阵的第i个元素赋值为K，否则，不改变距离矩阵和标签矩阵中第i个元素的值。

第九步，比较第k个初始化聚类中心与初始化聚类中心领域2S×2S内的所有像素的距离的值与距离矩阵中对应元素的值。

第十步，当第k个初始化聚类中心与初始化聚类中心领域2S×2S内的每个像素的距离的值与距离矩阵中对应元素的值都比较结束后，开始比较第K+1个初始化聚类中心与初始化聚类中心领域2S×2S内的每个像素的距离的值与距离矩阵中对应元素的值。

第十一步，将标签矩阵中值相同的像素分割到同一个区域。

第十二步，计算同一个区域内像素所在位置的横纵坐标的平均值及同一区域内像素在国际照明委员会颜色-对比CIELab空间内的亮度值及两个颜色对立维度的平均值，将结果赋给初始化聚类中心。

第十三步，循环第七步到第十二步十次，获得一个以超像素为单位的映射图。

将位于待检测图像边缘上的超像素定义为边缘超像素。

利用下式计算超像素映射图像中每个超像素与边缘超像素的显著性，获得初步的显著性图像：

$V_n=\frac{1}{M}\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\{1-\exp (-\frac{4\·\sqrt{{(r_m-r_n)}^2+{(a_m-a_n)}^2+{(b_m-b_n)}^2}}{1+\sqrt{{(x_m-x_n)}^2+{(y_m-y_n)}^2}})\}$

其中，V_n表示超像素映射图像中第n个超像素的显著性值，M表示边缘超像素的总数，m表示从第一个边缘超像素到第M个边缘超像素，r_n，a_n，b_n分别表示第n个超像素在国际照明委员会颜色-对比CIELab空间内的亮度值及两个颜色对立维度的值，x_n，y_n分别表示第i个超像素所在位置的横纵坐标值，r_m，a_m，b_m分别表示第k个边缘超像素在国际照明委员会颜色-对比CIELab空间内的亮度值及两个颜色对立维度的值，x_m，y_m分别表示第m个边缘超像素所在位置的横纵坐标值。

步骤2，获得初步的标记的超像素。

根据人类视觉习惯，为了加强初步的显著性图像中心区域的显著性值，对初步的显著性图像进行高斯滤波，获得高斯显著性图像。

其中高斯滤波器的参数为，高斯滤波器的大小与待检测图像的大小相同，高斯滤波器的方差为待检测图像最小边长的30％。

利用大津法，可以快速准确的对高斯滤波后的显著性图像进行二值化操作，获得二值图像。

二值图像中值为1的点设定为次亮点。

当次亮点像素个数占待检测图像的像素个数的比例小于自适应参数e时，子网掩码值为l₁，当次亮点像素个数占待检测图像的像素个数的比例大于自适应参数e时，子网掩码值为l₂，其中自适应参数e的取值范围为[0.1,0.2],l₁的取值范围为[5,7],l₂的取值范围为[8,10]，本发明的实施例中自适应参数e的取值为0.1，l₁的取值为6，l₂的取值为8。

使用子网掩码对二值图像像进行形态学的开操作，获得开操作二值图像，对开操作二值图像进行形态学的填孔操作，获得优化二值图像，将优化二值图像中的值为1的像素设定为亮点像素。

将亮点像素个数占待检测图像的像素个数的比例小于自适应参数ρ时的选择系数设定为s₁，将亮点像素个数占待检测图像的像素个数的比例大于自适应参数ρ时的选择系数设定为s₂,其中自适应参数ρ的取值范围为[0.1,0.2],s₁的取值范围为[0.55,0.65],s₂的取值范围为[0.7,0.8]，本发明的实施例中自适应参数ρ的取值为0.1，s₁的取值为0.6，s₂的取值为0.8。

统计亮点像素和超像素中像素重合的总数，获得重合数。

将重合数与超像素中像素数的比值与选择系数进行比较，如果重合数与超像素中像素数的比值大于选择系数，则将该超像素作为初步的标记样本。

将标记样本设定为初步的标记超像素。

步骤3，贝叶斯选择。

将初步的标记超像素和初步的标记超像素定义为同类超像素，将非初步的标记的超像素和非初步的标记超像素也定义为同类超像素，将初步的标记超像素和非初步的标记超像素定义为不同类超像素。

计算每一个超像素的同类概率值：

$p=\frac{1}{R}\underset{v=1}{\overset{R}{\mathrm{\Σ}}}\{1-\exp (-\frac{4\·\sqrt{{(r_w-r_v)}^2+{(a_w-a_v)}^2+{(b_w-b_v)}^2}}{1+\sqrt{{(x_w-x_v)}^2+{(y_w-y_v)}^2}})\}$

其中，p表示第w个超像素与同类的超像素的概率值，R表示同类超像素的总数，v表示从第一个到不与w相同的第R个同类超像素，r_w，a_w，b_w分别表示第w个超像素在国际照明委员会颜色-对比CIELab空间内的亮度值及两个颜色对立维度的值，x_w，y_w分别表示第w个超像素所在位置的横纵坐标值，r_v，a_v，b_v分别表示第v个同类超像素在国际照明委员会颜色-对比CIELab空间内的亮度值及两个颜色对立维度的值，x_v，y_v分别表示第v个同类超像素所在位置的横纵坐标值。

按照下式，计算每一个超像素的不同类概率值：

$q=\frac{1}{T}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\{1-\exp (-\frac{4\·\sqrt{{(r_w-r_t)}^2+{(a_w-a_t)}^2+{(b_w-b_t)}^2}}{1+\sqrt{{(x_w-x_t)}^2+{(y_w-y_t)}^2}})\},$

其中，q表示第w个超像素与不同类的超像素的概率值，T表示不同类的超像素的总数，t表示从第一个不同类超像素到第T个不同类超像素，r_w，a_w，b_w分别表示第w个超像素在国际照明委员会颜色-对比CIELab空间内的亮度值及两个颜色对立维度的值，x_w，y_w分别表示第w个超像素所在位置的横纵坐标值，r_t，a_t，b_t分别表示第t个不同类超像素在国际照明委员会颜色-对比CIELab空间内的亮度值及两个颜色对立维度的值，x_t，y_t分别表示第t个不同类超像素所在位置的横纵坐标值。

统计1000张初步显著性图像在召回率为0.9时的准确率，获得准确率为0.6，将0.6设定为不同类概率，则同类概率为0.4。

将同类超像素概率值与同类概率值乘积的值赋给贝叶斯显著概率，将不同类超像素概率值与不同类概率值乘积的值赋给贝叶斯非显著概率。

比较赋值后贝叶斯显著概率和赋值后贝叶斯非显著概率，如果赋值后贝叶斯显著概率大于赋值后贝叶斯非显著概率，将赋值后贝叶斯显著概率的值作为贝叶斯显著性赋给该超像素，否则，将赋值后贝叶斯非显著概率的值作为贝叶斯显著性值赋给该超像素，获得贝叶斯显著性图像。

利用大津法，对贝叶斯显著性图像二值化，获得进化二值图像，将进化二值图像中的值为1的像素设定为亮点像素。

按照步骤3中的方法利用亮点像素，对超像素映射图像中每个超像素进行选择，获得标记样本。

将标记样本设定为标记超像素。

步骤4，聚类操作。

利用均值漂移算法，将标记超像素分成4类数目不均匀的标记超像素，获得4类标记超像素。

统计4类标记超像素分类的每一类记超像素中标记超像素的总数。

求和4类标记超像素分类的每一类记超像素中标记超像素的总数，获得所有标记超像素的总数。

按照下式，计算出4类标记超像素的坐标值：

$x_{\mathrm{\κ}}=\frac{1}{\mathrm{\ζ}}\underset{j=1}{\overset{\mathrm{\ζ}}{\mathrm{\Σ}}}{x}_j$

$y_{\mathrm{\κ}}=\frac{1}{\mathrm{\ζ}}\underset{j=1}{\overset{\mathrm{\ζ}}{\mathrm{\Σ}}}{y}_j$

其中，x_κ表示第κ类标记超像素的横坐标值，κ的取值范围为[1,4]，ζ表示第κ类标记超像素中标记超像素的总数，j表示第κ类标记超像素中从第1个标记超像素到第ζ个标记超像素，x_j表示第κ类的标记超像素中第j个标记超像素的横坐标，y_κ表示第κ类标记超像素的纵坐标值，y_j表示第κ类的标记超像素中第j个标记超像素的纵坐标。

按照下式，计算所有标记超像素的坐标值：

其中，表示所有标记超像素横坐标的值，τ表示所有标记超像素的总数，表示从1个标记超像素到第τ个标记超像素，表示第类标记超像素的横坐标，表示所有标记超像素的纵坐标值，表示第类标记超像素的纵坐标。

按照下式，计算4类标记超像素的特征值：

${\mathrm{\η}}_{\mathrm{\κ}}=\mathrm{\δ}\·\frac{1}{\sqrt{{(x-\stackrel{\‾}{x})}^2+{(y-\stackrel{\‾}{y})}^2}}$

其中，η_κ表示第κ个标记超像素的分类的特征值，δ为第κ类标记超像素中标记超像素的总数，(x，y)分别为第κ类标记超像素的坐标，为所有标记超像素的坐标值。

当分类标记超像素的坐标和所有标记超像素的坐标越接近，分类标记标记超像中包含的超像素数目越多，特征值越大。

应给特征值越大的分类标记超像素赋越大的权值，所以设定的分类标记超像素权值为从1开始递减，分别为1，0.9，0.8，0.7。

对4个标记超像素的分类的特征值进行降序排列。

将分类权值1，0.9，0.8，0.7，按照4个标记超像素的分类的特征值的排列顺序，分别赋给标记超像素的分类，获得4类标记超像素的权值。

步骤5，流形学习。

按照下式，计算关系矩阵：

$W_{\mathrm{\α\β}}=\exp [-\frac{\sqrt{{(a_{\mathrm{\α}}-a_{\mathrm{\β}})}^2+{(a_{\mathrm{\α}}-a_{\mathrm{\β}})}^2+{(b_{\mathrm{\α}}-b_{\mathrm{\β}})}^2}}{{2\mathrm{\ϵ}}^2}]$

其中，W_αβ表示关系矩阵中第α行β列的值，未被赋值的W矩阵中的元素值为0，r_α，a_α，b_α分别表示第α个超像素在国际照明委员会颜色-对比CIELab空间内的亮度值及两个颜色对立维度的值，r_β，a_β，b_β分别表示第β个超像素在国际照明委员会颜色-对比CIELab空间内的亮度值及两个颜色对立维度的值，β的取值范围为与第α个超像素的相邻超像素，ε的取值范围为[0,1]，本发明的实施例中ε取值为0.99。

按照下式，计算流形学习矩阵：

Z＝(W/I)*(1-I)

其中，Z表示流形学习矩阵，W表示关系矩阵，I表示单位矩阵。

按照下式，建立关系进化矩阵：

其中，C_αβ表示关系进化矩阵C第α行β列的取值，β表示从关系矩阵的第一列到关系矩阵的第K列，K为超像素总数，W_αβ表示关系矩阵第α行β列的取值。

对标记超像素的学习向量，如果第Ω个超像素为标记超像素，则标记超像素的学习向量中的第Ω个元素的值为1，否则，该标记超像素的学习向量第Ω个元素的值为0。

按照下式，计算4类标记超像素的的学习结果：

f_φ＝(C-ΔZ)^-1u_φ

其中，f_φ表示第φ类标记超像素的的学习结果，C表示关系进化矩阵，Z表示流形学习矩阵,u_φ表示第φ类标记超像素的学习向量，φ的取值范围是从1到4。

步骤6，获得最终的显著性图像。

将标记超像素的的学习结果与标记超像素的权值相乘，获得4个子显著性图像。

将4个子显著性图像相乘，获得最终显著性图像。

下面结合仿真图对本发明做进一步的描述。

1.仿真条件：

本发明仿真实验的运行系统为：Intel(R)Core(TM)i5CPU1.8GHz，windows8，64位操作系统，仿真软件采用MATLAB2014a。

本发明的仿真实验在“获得初步的显著性图像”步骤中使用的参数为，分割系数K取值200。“获得初步的标记超像素”使用的参数为，高斯滤波器长宽设定为待检测图像的长宽，方差为待检测图像最小边长的30％，自适应参数e的取值0.1，子网掩码值l₁的取值6，子网掩码值l₂的取值8，自适应参数ρ的取值0.1，比例参数s₁的取值0.6，比例参数s₂的取值0.8；“流形学习”步骤中关系矩阵公式中的参数为，固定常数ε取值0.99。

2.仿真内容与结果分析：

参照图2，本发明的待检测图像如图2(a)所示，图2(a)为从Liu提供的数据库选取的一幅图像，图2(a)中的目标为一朵花。

参照图2，本发明的对待检测图像计算获得的最终显著性图像如图2(b)所示。由图2(b)可见，采用本发明提出的方法可以获得待检测图像图2(a)的目标一朵花。在图2(b)中只有花所在的区域被均匀提亮，并保留花的完整边界，所有背景和花的枝干都被抑制，没有被检测成为目标，由此可以说明本发明可以准确检测待检测图像的目标，提高显著性检测的准确率。

Claims (8)

1.一种基于半监督的图像显著性检测方法，包括以下步骤：

(1)获得初步显著性图像：

(1a)利用简单线性迭代聚类SLIC超像素分割算法，对待检测的图像进行分割，获得一个超像素映射图像；

(1b)将位于待检测图像边缘上的超像素作为边缘超像素；

(1c)利用显著性公式，计算超像素映射图像中每个超像素与边缘超像素的显著性值，获得初步显著性图像；

(2)获得初步的标记超像素：

(2a)对初步显著性图像进行高斯滤波，获得高斯显著性图像；

(2b)利用大津法，对高斯显著性图像进行二值化操作，获得二值图像；

(2c)对二值图像像进行形态学的开操作，获得开操作二值图像，对开操作二值图像进行形态学的填孔操作，获得优化二值图像，将优化二值图像中的值为1的像素点设定为亮点像素；

(2d)利用亮点像素，对超像素映射图像中每个超像素进行选择，获得标记样本；

(2d)将标记样本设定为初步的标记超像素；

(3)贝叶斯选择：

(3a)使用贝叶斯选择方法，对初步的标记超像素进行选择，获得贝叶斯显著性图像；

(3b)利用大津法，对贝叶斯显著性图像二值化，获得进化二值图像，将进化二值图像中值为1的像素设定为亮点像素；

(3c)利用亮点像素，对超像素映射图像中每个超像素进行选择，获得标记样本；

(3d)将标记样本设定为标记超像素；

(4)聚类操作：

(4a)利用均值漂移算法，将标记超像素分成4类数目不均匀的标记超像素，获得4类标记超像素；

(4b)利用权值分配法，获得4类标记超像素的权值；

(5)流形学习：

(5a)利用流形学习法，计算流形学习矩阵；

(5b)利用流形学习法，对4类标记超像素进行学习，获得4类标记超像素学习结果；

(6)获得最终显著性图像：

(6a)将标记超像素的的学习结果与标记超像素的权值相乘，获得4个子显著性图像；

(6b)将4个子显著性图像相乘，获得最终显著性图像。

2.根据权利要求1所述的基于半监督的图像显著性检测方法，其特征在于，步骤(1a)所述简单线性迭代聚类SLIC超像素分割算法的步骤如下：

第一步，按照下式，确定待检测图像的初始化网格：

$S=\sqrt{\left(\frac{N}{K}\right)}$

其中，S表示待检测图像的初始化网格的大小，N表示待检测图像的像素个数，K表示分割系数，K取值为[150,250]；

第二步，在每一个待检测图像的初始化网格内，随机选取一个像素作为初始化聚类中心；

第三步，在初始化聚类中心所对应像素的3×3邻域内，寻找梯度最小的像素σ；

第四步，将初始化聚类中心移到像素σ所在的位置；

第五步，将像素σ的五个值赋给初始化聚类中心，其中三个值为像素σ在国际照明委员会颜色-对比CIELab空间内的亮度值及两个颜色对立维度的值，另外两个值为像素σ所在位置的横纵坐标值；

第六步，将标签矩阵Lab内所有元素值赋值为-1，将距离矩阵Des内所有元素赋值为正无穷大的整数；

第七步，按照下式，计算第k个初始化聚类中心与第i个像素的距离：

$D=\sqrt{[{(r_i-r_k)}^2+{(a_i-a_k)}^2+{(b_i-b_k)}^2]+\frac{{(x_i-x_k)}^2+{(y_i-y_j)}^2}{S^2}\·{\mathrm{\θ}}^2}$

其中，D表示第k个初始化聚类中心与第i个像素的距离，r_i，a_i，b_i分别表示第i个像素在国际照明委员会颜色-对比CIELab空间内的亮度值及两个颜色对立维度的值，(x_i，y_i)分别表示第i个像素所在位置的横纵坐标值，r_k，a_k，b_k分别表示第k个初始化聚类中心在国际照明委员会颜色-对比CIELab空间内的亮度值及两个颜色对立维度的值，(x_k，y_k)分别表示初始化聚类中心所在位置的横纵坐标值，θ是一个常数，i的取值范围是初始化聚类中心领域2S×2S内的像素，其中S是初始化网格的大小；

第八步，比较第k个初始化聚类中心与第i个像素的距离的值与距离矩阵中对应元素的值，如果第k个初始化聚类中心与第i个像素的距离的值小于距离矩阵中第i个元素的值,则给距离矩阵中第i个元素赋值为第k个初始化聚类中心与第i个像素的距离的值，给标签矩阵的第i个元素赋值为K，否则，不改变距离矩阵和标签矩阵中第i个元素的值；

第九步，比较第k个初始化聚类中心与初始化聚类中心领域2S×2S内的所有像素的距离的值与距离矩阵中对应元素的值；

第十步，当第k个初始化聚类中心与初始化聚类中心领域2S×2S内的每个像素的距离的值与距离矩阵中对应元素的值都比较结束后，开始比较第K+1个初始化聚类中心与初始化聚类中心领域2S×2S内的每个像素的距离的值与距离矩阵中对应元素的值；

第十一步，将标签矩阵中值相同的像素分割到同一个区域；

第十二步，计算同一个区域内像素所在位置的横纵坐标的平均值及同一区域内像素在国际照明委员会颜色-对比CIELab空间内的亮度值及两个颜色对立维度的平均值，将结果赋给初始化聚类中心；

第十三步，循环第七步到第十二步十次，获得一个以超像素为单位的映射图。

3.根据权利要求1所述的基于半监督的图像显著性检测方法，其特征在于，步骤(1c)中所述的显著性公式如下：

$V_n=\frac{1}{M}\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\{1-\exp (-\frac{4\·\sqrt{{(r_m-r_n)}^2+{(a_m-a_n)}^2+{(b_m-b_n)}^2}}{1+\sqrt{{(x_m-x_n)}^2+{(y_m-y_n)}^2}})\}$

其中，V_n表示超像素映射图像中第n个超像素的显著性值，M表示边缘超像素的总数，m表示从第一个边缘超像素到第M个边缘超像素，r_n，a_n，b_n分别表示第n个超像素在国际照明委员会颜色-对比CIELab空间内的亮度值及两个颜色对立维度的值，(x_n，y_n)分别表示第i个超像素所在位置的横纵坐标值，r_m，a_m，b_m分别表示第k个边缘超像素在国际照明委员会颜色-对比CIELab空间内的亮度值及两个颜色对立维度的值，(x_m，y_m)分别表示第m个边缘超像素所在位置的横纵坐标值。

4.根据权利要求1所述的基于半监督的图像显著性检测方法，其特征在于，步骤(2d)、步骤(3c)中所述利用亮点像素，对超像素映射图像中每个超像素进行选择的步骤如下：

第一步，将亮点像素个数占待检测图像的像素个数的比例小于自适应参数时的选择系数设定为s₁，将亮点像素个数占待检测图像的像素个数的比例大于自适应参数时的选择系数设定为s₂，其中，自适应参数的取值范围为[0.1,0.2],s₁的取值范围为[0.55,0.65],s₂的取值范围为[0.7,0.8]；

第二步，统计亮点像素和超像素中像素重合的总数，获得重合数；

第三步，将重合数与超像素中像素数的比值与选择系数进行比较，如果重合数与超像素中像素数的比值大于选择系数，则将该超像素作为标记样本。

5.根据权利要求1所述的基于半监督的图像显著性检测方法，其特征在于，步骤(3a)中所述贝叶斯选择方法的步骤如下：

第一步，将初步的标记超像素和初步的标记超像素定义为同类超像素，将非初步的标记的超像素和非初步的标记超像素定义为同类超像素，将初步的标记超像素和非初步的标记超像素定义为不同类超像素；

第二步，计算每一个超像素的同类概率值：

$p_w=\frac{1}{R}\underset{v=1}{\overset{R}{\mathrm{\Σ}}}\{1-\exp (-\frac{4\·\sqrt{{(r_w-r_v)}^2+{(a_w-a_v)}^2+{(b_w-b_v)}^2}}{1+\sqrt{{(x_w-x_v)}^2+{(y_w-y_v)}^2}})\}$

其中，p_w表示第w个超像素与同类的超像素的概率值，R表示与p_w同类超像素的总数，v表示从第一个到不与w相同的第R个同类超像素，r_w，a_w，b_w分别表示第w个超像素在国际照明委员会颜色-对比CIELab空间内的亮度值及两个颜色对立维度的值，(x_w，y_w)分别表示第w个超像素所在位置的横纵坐标值，r_v，a_v，b_v分别表示第v个同类超像素在国际照明委员会颜色-对比CIELab空间内的亮度值及两个颜色对立维度的值，(x_v，y_v)分别表示第v个同类超像素所在位置的横纵坐标值；

第三步，按照下式，计算每一个超像素的不同类概率值：

$q_w=\frac{1}{T}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\{1-\exp (-\frac{4\·\sqrt{{(r_w-r_t)}^2+{(a_w-a_t)}^2+{(b_w-b_t)}^2}}{1+\sqrt{{(x_w-x_t)}^2+{(y_w-y_t)}^2}})\},$

其中，q_w表示第w个超像素与不同类的超像素的概率值，T表示与q_w不同类的超像素的总数，t表示从第一个不同类超像素到第T个不同类超像素，r_w，a_w，b_w分别表示第w个超像素在国际照明委员会颜色-对比CIELab空间内的亮度值及两个颜色对立维度的值，(x_w，y_w)分别表示第w个超像素所在位置的横纵坐标值，r_t，a_t，b_t分别表示第t个不同类超像素在国际照明委员会颜色-对比CIELab空间内的亮度值及两个颜色对立维度的值，(x_t，y_t)分别表示第t个不同类超像素所在位置的横纵坐标值；

第四步，将同类概率值设定为0.4，不同类概率值设定为0.6；

第五步，将同类超像素概率值与同类概率值乘积的值赋给贝叶斯显著概率，将不同类超像素概率值与不同类概率值乘积的值赋给贝叶斯非显著概率；

第六步，比较赋值后贝叶斯显著概率和赋值后贝叶斯非显著概率，如果赋值后贝叶斯显著概率大于赋值后贝叶斯非显著概率，将赋值后贝叶斯显著概率的值作为贝叶斯显著性赋给该超像素，否则，将赋值后贝叶斯非显著概率的值作为贝叶斯显著性值赋给该超像素，获得贝叶斯显著性图像。

6.根据权利要求1所述的基于半监督的图像显著性检测方法，其特征在于，步骤(4b)中所述权值分配法的步骤如下：

第一步，统计4类标记超像素分类的每一类记超像素中标记超像素的总数；

第二步，求和4类标记超像素分类的每一类记超像素中标记超像素的总数，获得所有标记超像素的总数；

第三步，按照下式，计算出4类标记超像素的坐标值：

$x_{\mathrm{\κ}}=\frac{1}{\mathrm{\ζ}}\underset{j=1}{\overset{\mathrm{\ζ}}{\mathrm{\Σ}}}{x}_j$

$y_{\mathrm{\κ}}=\frac{1}{\mathrm{\ζ}}\underset{j=1}{\overset{\mathrm{\ζ}}{\mathrm{\Σ}}}{y}_j$

其中，x_κ表示第κ类标记超像素的横坐标值，κ的取值范围为[1,4]，ζ表示第κ类标记超像素中标记超像素的总数，j表示第κ类标记超像素中从第1个标记超像素到第ζ个标记超像素，x_j表示第κ类的标记超像素中第j个标记超像素的横坐标，y_κ表示第κ类标记超像素的纵坐标值，y_j表示第κ类的标记超像素中第j个标记超像素的纵坐标；

第四步，按照下式，计算所有标记超像素的坐标值：

其中，表示所有标记超像素横坐标的值，τ表示所有标记超像素的总数，表示从1个标记超像素到第τ个标记超像素，表示第类标记超像素的横坐标，表示所有标记超像素的纵坐标值，表示第类标记超像素的纵坐标；

第五步，按照下式，计算4类标记超像素的特征值：

${\mathrm{\η}}_{\mathrm{\κ}}=\mathrm{\δ}\·\frac{1}{\sqrt{{(x-\stackrel{\‾}{x})}^2+{(y-\stackrel{\‾}{y})}^2}}$

其中，η_κ表示第κ个标记超像素的分类的特征值，δ为第κ类标记超像素中标记超像素的总数，(x，y)分别为第κ类标记超像素的坐标，为所有标记超像素的坐标值；

第六步，对4个标记超像素的分类的特征值进行降序排列；

第七步，设定4个分类权值分别为1，0.9，0.8，0.7；

第八步，将分类权值1，0.9，0.8，0.7，按照4个标记超像素的分类的特征值的排列顺序，分别赋给标记超像素的分类，获得4类标记超像素的权值。

7.根据权利要求1所述的基于半监督的图像显著性检测方法，其特征在于，步骤(5a)所述利用流形学习法，计算流形学习矩阵的步骤如下：

第一步，按照下式,计算关系矩阵：

$W_{\mathrm{\α\β}}=\exp [-\frac{\sqrt{{(a_{\mathrm{\α}}-a_{\mathrm{\β}})}^2+{(a_{\mathrm{\α}}-a_{\mathrm{\β}})}^2+{(b_{\mathrm{\α}}-b_{\mathrm{\β}})}^2}}{{2\mathrm{\ϵ}}^2}]$

其中，W_αβ表示关系矩阵中第α行β列的值，未被赋值的W矩阵中的元素值为0，r_α，a_α，b_α分别表示第α个超像素在国际照明委员会颜色-对比CIELab空间内的亮度值及两个颜色对立维度的值，r_β，a_β，b_β分别表示第β个超像素在国际照明委员会颜色-对比CIELab空间内的亮度值及两个颜色对立维度的值，β的取值范围为与第α个超像素的相邻超像素，ε的取值范围为[0,1]；

第二步，按照下式，计算流形学习矩阵：

Z＝(W/I)*(1-I)

其中，Z表示流形学习矩阵，W表示关系矩阵，I表示单位矩阵。

8.根据权利要求1所述的基于半监督的图像显著性检测方法，其特征在于，步骤(5b)所述利用流形学习法，对4类标记超像素进行学习，获得4类标记超像素学习结果的步骤如下：

第一步，按照下式，计算关系进化矩阵：

其中，C_αβ表示关系进化矩阵C第α行β列的取值，β表示从关系矩阵的第一列到关系矩阵的第K列，K为超像素总数，W_αβ表示关系矩阵第α行β列的取值；

第二步，对标记超像素的学习向量，如果第Ω个超像素为标记超像素，则标记超像素的学习向量中的第Ω个元素的值为1，否则，该标记超像素的学习向量第Ω个元素的值为0；

第三步，按照下式，计算4类标记超像素的的学习结果：

f_φ＝(C-ΔZ)^-1u_φ

其中，f_φ表示第φ类标记超像素的的学习结果，C表示关系进化矩阵，Z表示流形学习矩阵,u_φ表示第φ类标记超像素的学习向量，φ的取值范围是从1到4。