CN104504714A - 图像共显著物体的检测方法 - Google Patents

Abstract

本发明提供一种图像共显著物体的检测方法，包括：a)获取n张图像；b)创建n个图像组；c)检测含有所述n张图像中的一张图像的图像组；d)针对检测的图像组中的每个图像组分别构建一个对应的随机森林；e)分别计算所述每个图像组中各个图像的显著物体的粗糙轮廓图；f)检测所述每个图像组中各个图像对应的显著物体的轮廓曲线；g)计算所述每个图像组中各个图像的显著性图；h)融合检测的图像组中的各个图像组中所述一张图像的显著性图，以得到所述一张图像的间显著性图；i)获得所述一张图像的内显著性图；j)将所述间显著性图与所述内显著性图相乘得到所述一张图像在n张图像中的共显著性图。能够有效检测大量图像的共显著物体。

Description

图像共显著物体的检测方法

技术领域

本发明属于计算机视觉领域，更具体地说，涉及一种图像共显著物体的检测方法。

背景技术

共显著物体为多幅图像中共有的显著性物体，检测出共有的显著性物体可以有效帮助物体的共分割和相似性图像检索。目前，已经有一些检测共显著物体的方法，它们主要用来检测数量较少(例如，十张以内)的图像中的共显著物体。虽然现有的共显著物体检测方法对数量较少的图像中共显著物体的检测具有比较好的效果，但是无法将这些方法应用于数量更多(例如，几百张)的图像的共显著物体的检测。

因此，需要一种能够有效地检测大量图像的共显著物体的方法。

发明内容

本发明的目的在于提供一种图像共显著物体的检测方法，能够有效的检测大量的图像的共显著物体。

本发明提供一种图像共显著物体的检测方法，其特征在于，所述检测方法包括：a)获取n张图像，其中，n为大于1的整数；b)基于所述n张图像针对所述n张图像中的每张图像创建一个图像组以得到n个图像组；c)从创建的n个图像组中检测含有所述n张图像中的一张图像的图像组；d)针对检测的图像组中的每个图像组分别构建一个对应的随机森林；e)基于各自对应的随机森林分别计算所述每个图像组中各个图像的显著物体的粗糙轮廓图；f)基于所述显著物体的粗糙轮廓图检测所述每个图像组中各个图像对应的显著物体的轮廓曲线；g)基于所述显著物体的轮廓曲线计算所述每个图像组中各个图像的显著性图；h)融合检测的图像组中的各个图像组中所述一张图像的显著性图，以得到所述一张图像的间显著性图；i)获得所述一张图像的内显著性图；j)将所述间显著性图与所述内显著性图相乘得到所述一张图像在所述n张图像中的共显著性图。

可选地，步骤b)中针对所述n张图像中的一张图像创建一个图像组的步骤包括：b1)计算所述n张图像中的每张图像与所述一张图像的全局特征信息描述符间的欧氏距离；b2)将所述n张图像按对应的所述欧氏距离从小到大的顺序排列；b3)提取前K张图像形成一个图像组，其中，K为大于0的整数。

可选地，步骤d)中针对检测的图像组中的一个图像组构建一个随机森林的步骤包括：d1)针对检测的图像组中的一个图像组，将所述一个图像组中的每张图像缩放，并对缩放后的每张图像按照预定规则进行分块，以划分出的所有图像块构成所述一个图像组的图像块集合；d2)根据所述图像块集合中的所有图像块构建一个由T棵树构成的随机森林，其中，T为大于0的整数。

可选地，步骤d2)中根据所述图像块集合中的所有图像块构建含有T棵树的随机森林中的一棵树的步骤包括：d21)将所述所有图像块从一棵树的根结点根据分割函数划分到所述根结点的左侧分支的结点和右侧分支的结点；d22)将所述根结点的左侧分支的结点处的图像块根据分割函数划分到所述根结点的左侧分支的结点的左侧分支的结点和右侧分支的结点；d23)将所述根结点的右侧分支的结点处的图像块根据分割函数划分到所述根结点的右侧分支的结点的左侧分支的结点和右侧分支的结点；d24)依次将各个结点处的图像块根据分割函数划分到对应的左侧分支的结点和右侧分支的结点，直至待划分的结点的深度达到预定的最大深度或待划分的结点处只包含一个图像块时停止划分。

可选地，步骤e)中计算一个图像组中各个图像的显著物体的粗糙轮廓图的步骤包括：e1)根据所述一个图像组的图像块集合中的各个图像块在所属图像内的稀有性和所述各个图像块在所述一个图像组内所有图像中的共有性，计算所述图像块集合中每个图像块跨立在共有物体的轮廓上的概率；e2)将每个图像块跨立在共有物体的轮廓上的概率作为对应的图像块的像素值，并对每个图像的像素值进行归一化得到所述一个图像组中各个图像的显著物体的粗糙轮廓图。

可选地，步骤f)检测一个图像组中各个图像的显著物体的轮廓曲线的步骤包括：基于所述一个图像组中各个图像的显著物体的粗糙轮廓图使用活动轮廓模型来检测所述一个图像组中各个图像的显著物体的轮廓曲线。

可选地，步骤g)计算一个图像组中一个图像的显著性图的步骤包括：g1)确定所述一个图像中的每个图像块为显著物体的轮廓曲线内部的图像块还是显著物体的轮廓曲线外部的图像块，以得到内部图像块集合和外部图像块集合；g2)基于所述内部图像块集合中的一个图像块与所述外部图像块集合中的每个图像块的相似度，计算所述内部图像块集合中的每个图像块位于显著物体内部的概率；g3)将所述内部图像块集合中的每个图像块位于显著物体内部的概率值进行归一化，并将所述概率值作为对应图像块的显著性值；g4)基于所述外部图像块集合中的一个图像块与所述内部图像块集合中的每个图像块的相似度，计算所述外部图像块集合中的每个图像块位于显著物体内部的概率；g5)将所述外部图像块集合中的每个图像块位于显著物体内部的概率值进行归一化，并将所述概率值作为对应图像块的显著性值；g6)基于所述一个图像中的所有图像块的显著性值得到所述一个图像组中一个图像的显著性图。

可选地，步骤h)包括：将检测的图像组中的各个图像组中所述一张图像的显著性图相加得到所述一张图像的间显著性图，并将所述间显著性图缩放到所述一张图像的原始尺寸。

可选地，步骤h)还包括：基于图的分割方法将所述一张图像进行分割，对所述一张图像的间显著性图中与分割后的所述一张图像的各个区域分别对应的区域的显著性值进行均化，并将均化后的显著性值作为对应的区域的显著性值，以修饰所述间显著性图。

可选地，所述检测方法还包括：针对n张图像中的其他图像，重复步骤c)-j)来获得所述其他图像在n张图像中的共显著性图。

根据本发明提供的一种图像共显著物体的检测方法，能够有效的检测大量的图像的共显著物体，并且检测方法中融合了图像的内显著性和间显著性能够有效地压制图像的背景区域，从而得到更精确的共显著性图。

将在接下来的描述中部分阐述本发明另外的方面和/或优点，还有一部分通过描述将是清楚的，或者可以经过本发明的实施而得知。

附图说明

通过下面结合附图进行的对实施例的描述，本发明的上述和/或其它目的和优点将会变得更加清楚，其中：

图1是示出根据本发明示例性实施例的图像共显著物体的检测方法的流程图；

图2是示出根据本发明示例性实施例的针对n张图像中的一张图像创建一个图像组的方法的流程图；

图3是示出根据本发明示例性实施例的针对检测的图像组中的一个图像组构建一个随机森林的方法的流程图；

图4是示出根据本发明示例性实施例的构建随机森林中的一棵树的方法的流程图；

图5是示出根据本发明示例性实施例的计算一个图像组中各个图像的显著物体的粗糙轮廓图的方法的流程图；

图6是示出根据本发明示例性实施例的计算一个图像组中一个图像的显著性图的方法的流程图。

具体实施方式

现将详细描述本发明的示例性实施例，所述实施例的示例在附图中示出，其中，相同的标号指示相同的部分。以下将通过参照附图来说明所述实施例，以便解释本发明。

图1是示出根据本发明示例性实施例的图像共显著物体的检测方法的流程图。

如图1所示，在步骤S101，获取待检测共显著物体的n张图像。这里，n为大于1的整数。

在步骤S102，基于所述n张图像针对所述n张图像中的每张图像创建一个图像组以得到n个图像组。换言之，使所述n张图像中的每张图像对应一个图像组，所述图像组内的图像来自所述n张图像。

图2是示出根据本发明示例性实施例的针对n张图像中的一张图像创建一个图像组的方法的流程图。如图2所示，在步骤S201，计算所述n张图像中的每张图像与所述一张图像的全局特征信息(Gist)描述符间的欧氏距离。这里，可使用现有的欧氏距离计算公式来计算所述欧式距离。

在步骤S202，将所述n张图像按对应的所述欧氏距离从小到大的顺序排列。

在步骤S203，从排列的n张图像中提取前K张图像形成与所述一张图像对应的一个图像组，这里，K为大于0的整数。所述提取出的前K张图像为与所述一张图像相似的图像，并且所述欧氏距离越小所述欧氏距离对应的图像与所述一张图像越相似。

通过图2所示的针对n张图像中的一张图像创建一个图像组的方法，可对n张图像中的每张图像创建一个图像组，获得n个图像组。

在步骤S103，从步骤S102创建的n个图像组中检测含有所述n张图像中的一张图像的图像组。即，在创建的n个图像组中，将出现了所述一张图像的图像组检测出来。

在步骤S104，针对步骤S103检测的图像组中的每个图像组分别构建一个对应的随机森林。

图3是示出根据本发明示例性实施例的针对检测的图像组中的一个图像组构建一个随机森林的方法的流程图。如图3所示，在步骤S301，针对检测的图像组中的一个图像组，将所述一个图像组中的每张图像缩放，并对缩放后的每张图像按照预定规则进行分块，以划分出的所有图像块构成所述一个图像组的图像块集合。

作为示例，将所述一个图像组中的每张图像缩放到L×L的大小，将缩放后的每张图像划分为(L/r)×(L/r)个大小为r×r的图像块，并从缩放后的每张图像中将划分出的图像块提取出来，构成所述一个图像组的图像块集合，这里，L和r均为大于0的整数，L对r可整除。

进一步地，划分出的图像块由其内部的像素在RGB和Lab颜色空间的值表示，即，所述图像块的一个像素值通过RGB三个分量和Lab三个分量表示。这样，划分出的图像块可表示为所述图像块内所有像素值组成的长度为6r²的像素向量。

在步骤S302，根据步骤S301构成的所述图像块集合中的所有图像块构建一个由T棵树构成的随机森林，这里，T为大于0的整数。可以使用现有的方法来构建树从而得到随机森林。优选地，按照图4所示的方法来构建随机森林中的一棵树。

图4是示出根据本发明示例性实施例的构建随机森林中的一棵树的方法的流程图。如图4所示，在步骤S401，将所述图像块集合中的所有图像块从一棵树的根结点根据分割函数划分到所述根结点的左侧分支的结点和右侧分支的结点。这里，分割函数t_m(k_m,1,k_m,2)的表达式如下：

这里，u_i,j为结点m处的从第j张图像里提取的第i个图像块，S_ml为结点m的左侧分支的结点的图像块集合，S_mr为结点m的右侧分支的结点的图像块集合，h_m(k_m,1,k_m,2)u_i,j(k_m,1)-u_i,j(k_m,2)为测试函数，测试函数计算第j张图像的第i个图像块的特征差，u_i,j(k_m,1)为第j张图像的第i个图像块的像素向量中的第k_m,1分量，u_i,j(k_m,2)为第j张图像的第i个图像块的像素向量中的第k_m,2分量，τ_m为结点m处的所有图像块的特征差的平均，k_m,1、k_m,2为一组随机数值，所述一组随机数值为尝试的γ组不同的随机数值中使结点m处的所有图像块的特征差的方差最大的一组随机数值。

在步骤S402，将所述根结点的左侧分支的结点处的图像块根据分割函数(即，表达式(1))划分到所述根结点的左侧分支的结点的左侧分支的结点和右侧分支的结点。

在步骤S403，将所述根结点的右侧分支的结点处的图像块根据分割函数划分到所述根结点的右侧分支的结点的左侧分支的结点和右侧分支的结点。

在步骤S404，依次将各个结点处的图像块根据分割函数划分到对应的左侧分支的结点和右侧分支的结点，直至待划分的结点的深度达到预定的最大深度或待划分的结点处只包含一个图像块时停止划分。

通过图4所示的构建随机森林中的一棵树的方法，可构建出所述一个图像组对应的含有T棵树的随机森林，进而为检测的图像组中的每个图像组分别构建一个对应的随机森林。

在步骤S105，基于各自对应的随机森林分别计算所述每个图像组中各个图像的显著物体的粗糙轮廓图。

图5是示出根据本发明示例性实施例的计算一个图像组中各个图像的显著物体的粗糙轮廓图的方法的流程图。如图5所示，在步骤S501，根据所述一个图像组的图像块集合中的各个图像块在所属图像内的稀有性和所述各个图像块在所述一个图像组内所有图像中的共有性，计算所述图像块集合中每个图像块跨立在共有物体的轮廓上的概率。这里，计算所述概率的表达式如下：

$S_{j,q}^c\left(u_{i,j}\right)=\left(\frac{1}{T}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\frac{\exp (\mathrm{\α}\·H\left(l_t\right))}{\left|V_{l_{i,j}}\right|}\right)\×d_s(z_{i,j},c_j)---\left(2\right)$

这里，exp(α·H(l_t))用于表示图像块的共有性，H(l_t)为树t的叶子结点(一棵树的所有结点中不能继续划分的结点)l_t中的图像块的熵，p(j)为产生于图像组中的第j张图像的图像块在叶子结点l_t处的图像块内所占的比例， 为处于叶子结点l_t的图像块的数量，为处于叶子结点l_t的图像块中产生于图像组中的第j张图像的图像块的数量，用于表示图像块的稀有性，G_q为图像组，T为随机森林中树的棵数，α为预定值，用于调整熵H(l_t)的权重，d_s(z_i,j,c_j)＝exp(-(z_i,j-c_j)²/σ²)为将图像组中的第j张图像的第i个图像块u_i,j的中心坐标进行规范化后的坐标z_i,j与图像组中的第j张图像的中心坐标c_j的距离权重，σ为预定值。

在步骤S502，将步骤S501计算的每个图像块跨立在共有物体的轮廓上的概率作为对应的图像块的像素值，并对每个图像的像素值进行归一化得到所述一个图像组中各个图像的显著物体的粗糙轮廓图。这里，可通过现有的归一化方法进行归一化。

通过图5所示的计算一个图像组中各个图像的显著物体的粗糙轮廓图的方法，可计算出所述每个图像组中各个图像的显著物体的粗糙轮廓图。

在步骤S106，基于步骤S105计算的所述显著物体的粗糙轮廓图检测所述每个图像组中各个图像对应的显著物体的轮廓曲线。这里，可使用各种检测显著物体轮廓曲线的方法。在检测一个图像组中各个图像的显著物体的轮廓曲线时，优选地，可使用活动轮廓模型来检测所述轮廓曲线。所述活动轮廓模型的表达式如下：

$\min \underset{j=1}{\overset{K}{\mathrm{\Σ}}}{f}_j\left(C_j\right),\mathrm{rank}\left(X\right)\≤Q---\left(3\right)$

这里，K为图像组中图像的数量，X＝[C₁,L C_K]为图像组中每个图像的显著物体的轮廓曲线的集合，C_j为图像组中第j张图像的显著物体的轮廓曲线，Q为预定值，f_j(C_j)为基于区域的能量函数， $f_j\left(C_j\right)={\∫}_{R_1}{(I_j(x,y)-u_1)}^2\mathrm{dxdy}+{\∫}_{R_2}{(I_j(x,y)-u_2)}^2\mathrm{dxdy}+\mathrm{\β}\·\mathrm{Length}\left(C_j\right),$ 其中，I_j(x,y)为第j张图像的显著物体的粗糙轮廓图在坐标(x，y)处的像素值，R₁为第j张图像的显著物体的粗糙轮廓图中轮廓的内部区域，u₁为R₁区域的像素的平均灰度，R₂为第j张图像的显著物体的粗糙轮廓图中轮廓的外部区域，u₂为R₂区域的像素的平均灰度，Length(C_j)为轮廓曲线C_j的长度，β为预定值。

在步骤S107，基于步骤S106检测的所述显著物体的轮廓曲线计算所述每个图像组中各个图像的显著性图。

图6是示出根据本发明示例性实施例的计算一个图像组中一个图像的显著性图的方法的流程图。如图6所示，在步骤S601，对产生于一个图像的图像块，确定每个图像块为显著物体的轮廓曲线内部的图像块还是显著物体的轮廓曲线外部的图像块，将确定的显著物体的轮廓曲线内部的图像块作为内部图像块集合，将确定的显著物体的轮廓曲线外部的图像块作为外部图像块集合。

在步骤S602，基于所述内部图像块集合中的一个图像块与所述外部图像块集合中的每个图像块的相似度，计算所述内部图像块集合中的每个图像块位于显著物体内部的概率。计算所述概率的表达式如下：

$S_{j,q}^{o1}\left(u_{i,j}\right)=\exp \{-\frac{1}{\left|{\mathrm{\Ω}}_{\mathrm{out}}\right|}\underset{u_{k,j}\∈{\mathrm{\Ω}}_{\mathrm{out}}}{\mathrm{\Σ}}\mathrm{\π}(u_{i,j},u_{k,j})\}---\left(4\right)$

这里，|Ω_out|为图像j内显著物体的轮廓曲线的外部图像块集合Ω_out中图像块的数量，u_k,j为第j张图像的第k个图像块，π(u_i,j,u_k,j)为图像块u_i,j与图像块u_k,j在所属的一个图像组对应的随机森林中的相似度，π_t(u_i,j,u_k,j)为图像块u_i,j与图像块u_k,j在所属的一个图像组对应的随机森林F中的树t中的相似度，

在步骤S603，将所述内部图像块集合中的每个图像块位于显著物体内部的概率值进行归一化，并将所述概率值作为对应图像块的显著性值。这里，可使用现有的各种归一化方法进行归一化。

在步骤S604，基于所述外部图像块集合中的一个图像块与所述内部图像块集合中的每个图像块的相似度，计算所述外部图像块集合中的每个图像块位于显著物体内部的概率。计算所述概率的表达式如下：

$S_{j,q}^{o2}\left(u_{k,j}\right)=\exp \left\{\frac{1}{\left|{\mathrm{\Ω}}_{\mathrm{in}}\right|}\underset{u_{i,j}\∈{\mathrm{\Ω}}_{\mathrm{in}}}{\mathrm{\Σ}}\mathrm{\π}(u_{k,j},u_{i,j})\right\}---\left(5\right)$

这里，|Ω_in|为图像j内显著物体的轮廓曲线的内部图像块集合Ω_in中图像块的数量，π(u_k,j,u_i,j)为图像块u_k,j与图像块u_i,j在所属的一个图像组对应的随机森林中的相似度，π_t(u_k,j,u_i,j)为图像块u_k,j与图像块u_i,j在所属的一个图像组对应的随机森林F中的树t中的相似度，

在步骤S605，将所述外部图像块集合中的每个图像块位于显著物体内部的概率值进行归一化，并将所述概率值作为对应图像块的显著性值。这里，可使用现有的各种归一化方法进行归一化。

在步骤S606，基于所述一个图像中的所有图像块的显著性值得到所述一个图像组中一个图像的显著性图。

可以理解，这里不仅限于图6所示的步骤顺序，还可以在步骤S601之后顺序执行步骤S604、S605，然后顺序执行S602、S603，最后执行步骤S606来得到所述一个图像组中一个图像的显著性图。

通过图6所示的计算一个图像组中一个图像的显著性图的方法，可计算出所述每个图像组中各个图像的显著性图。

在步骤S108，融合检测的图像组中的各个图像组中所述一张图像的显著性图，以得到所述一张图像的间显著性图。即，将检测的含有所述一张图像的每个图像组中的所述一张图像所对应的显著性图进行融合得到所述一张图像的间显著性图。这里，间显著性图为一张图像与图像集合(即，n张图像)内的图像间的显著性图。

优选地，可通过将检测的图像组中的各个图像组中所述一张图像的显著性图相加得到所述一张图像的间显著性图，并将所述间显著性图缩放到所述一张图像的原始尺寸。

另外，在得到所述一张图像的间显著性图之后，优选地，还可以基于图的分割方法将所述一张图像进行分割，对所述一张图像的间显著性图中与分割后的所述一张图像的各个区域分别对应的区域的显著性值进行均化，并将均化后的显著性值作为对应的区域的显著性值，以修饰所述间显著性图。这里，可以使用现有的分割方法来分割所述间显著性图。

在步骤S109，获得所述一张图像的内显著性图。这里，内显著性图为一张图像自身的显著性图。可以使用现有的各种获得一张图像的内显著性图的方法。

在步骤S110，将所述间显著性图与所述内显著性图相乘得到所述一张图像在所述n张图像中的共显著性图。

在图1所示的图像共显著物体的检测方法中，还包括：针对n张图像中的其他图像，重复步骤S103-S110来获得所述其他图像在n张图像中的共显著性图，从而得到n张图像的共显著性图。

可以理解，本发明的图像共显著物体的检测方法中的步骤S103检测的含有所述n张图像中的一张图像的图像组中有可能存在相同的多个图像组，在这种情况下，对于后续的步骤S104、步骤S105、步骤S106、步骤S107的操作可仅针对相同的多个图像组中的一个图像组进行，然后将所述一个图像组的各个图像的显著性图作为其他相同的图像组中对应的相同图像的显著性图。由此，能够防止由重复计算而导致的资源浪费。

根据本发明提供的一种图像共显著物体的检测方法，能够有效地检测大量图像的共显著物体，并且检测方法中融合了图像的内显著性和间显著性能够有效地压制图像的背景区域，从而得到更精确的共显著性图。

本发明的以上实施例仅仅是示例性的，而本发明并不受限于此。本领域技术人员应该理解：在不脱离本发明的原理和精神的情况下，可对这些实施例进行改变，其中，本发明的范围在权利要求及其等同物中限定。

Claims (10)

1.一种图像共显著物体的检测方法，其特征在于，所述检测方法包括：

a)获取n张图像，其中，n为大于1的整数；

b)基于所述n张图像针对所述n张图像中的每张图像创建一个图像组以得到n个图像组；

c)从创建的n个图像组中检测含有所述n张图像中的一张图像的图像组；

d)针对检测的图像组中的每个图像组分别构建一个对应的随机森林；

e)基于各自对应的随机森林分别计算所述每个图像组中各个图像的显著物体的粗糙轮廓图；

f)基于所述显著物体的粗糙轮廓图检测所述每个图像组中各个图像对应的显著物体的轮廓曲线；

g)基于所述显著物体的轮廓曲线计算所述每个图像组中各个图像的显著性图；

h)融合检测的图像组中的各个图像组中所述一张图像的显著性图，以得到所述一张图像的间显著性图；

i)获得所述一张图像的内显著性图；

j)将所述间显著性图与所述内显著性图相乘得到所述一张图像在所述n张图像中的共显著性图。

2.根据权利要求1所述的检测方法，其特征在于，步骤b)中针对所述n张图像中的一张图像创建一个图像组的步骤包括：

b1)计算所述n张图像中的每张图像与所述一张图像的全局特征信息描述符间的欧氏距离；

b2)将所述n张图像按对应的所述欧氏距离从小到大的顺序排列；

b3)提取前K张图像形成一个图像组，其中，K为大于0的整数。

3.根据权利要求1所述的检测方法，其特征在于，步骤d)中针对检测的图像组中的一个图像组构建一个随机森林的步骤包括：

d1)针对检测的图像组中的一个图像组，将所述一个图像组中的每张图像缩放，并对缩放后的每张图像按照预定规则进行分块，以划分出的所有图像块构成所述一个图像组的图像块集合；

d2)根据所述图像块集合中的所有图像块构建一个由T棵树构成的随机森林，其中，T为大于0的整数。

4.根据权利要求3所述的检测方法，其特征在于，步骤d2)中根据所述图像块集合中的所有图像块构建含有T棵树的随机森林中的一棵树的步骤包括：

d21)将所述所有图像块从一棵树的根结点根据分割函数划分到所述根结点的左侧分支的结点和右侧分支的结点；

d22)将所述根结点的左侧分支的结点处的图像块根据分割函数划分到所述根结点的左侧分支的结点的左侧分支的结点和右侧分支的结点；

d23)将所述根结点的右侧分支的结点处的图像块根据分割函数划分到所述根结点的右侧分支的结点的左侧分支的结点和右侧分支的结点；

d24)依次将各个结点处的图像块根据分割函数划分到对应的左侧分支的结点和右侧分支的结点，直至待划分的结点的深度达到预定的最大深度或待划分的结点处只包含一个图像块时停止划分。

5.根据权利要求1所述的检测方法，其特征在于，步骤e)中计算一个图像组中各个图像的显著物体的粗糙轮廓图的步骤包括：

e1)根据所述一个图像组的图像块集合中的各个图像块在所属图像内的稀有性和所述各个图像块在所述一个图像组内所有图像中的共有性，计算所述图像块集合中每个图像块跨立在共有物体的轮廓上的概率；

e2)将每个图像块跨立在共有物体的轮廓上的概率作为对应的图像块的像素值，并对每个图像的像素值进行归一化得到所述一个图像组中各个图像的显著物体的粗糙轮廓图。

6.根据权利要求1所述的检测方法，其特征在于，步骤f)检测一个图像组中各个图像的显著物体的轮廓曲线的步骤包括：

基于所述一个图像组中各个图像的显著物体的粗糙轮廓图使用活动轮廓模型来检测所述一个图像组中各个图像的显著物体的轮廓曲线。

7.根据权利要求1所述的检测方法，其特征在于，步骤g)计算一个图像组中一个图像的显著性图的步骤包括：

g1)确定所述一个图像中的每个图像块为显著物体的轮廓曲线内部的图像块还是显著物体的轮廓曲线外部的图像块，以得到内部图像块集合和外部图像块集合；

g2)基于所述内部图像块集合中的一个图像块与所述外部图像块集合中的每个图像块的相似度，计算所述内部图像块集合中的每个图像块位于显著物体内部的概率；

g3)将所述内部图像块集合中的每个图像块位于显著物体内部的概率值进行归一化，并将所述概率值作为对应图像块的显著性值；

g4)基于所述外部图像块集合中的一个图像块与所述内部图像块集合中的每个图像块的相似度，计算所述外部图像块集合中的每个图像块位于显著物体内部的概率；

g5)将所述外部图像块集合中的每个图像块位于显著物体内部的概率值进行归一化，并将所述概率值作为对应图像块的显著性值；

g6)基于所述一个图像中的所有图像块的显著性值得到所述一个图像组中一个图像的显著性图。

8.根据权利要求1所述的检测方法，其特征在于，步骤h)包括：

将检测的图像组中的各个图像组中所述一张图像的显著性图相加得到所述一张图像的间显著性图，并将所述间显著性图缩放到所述一张图像的原始尺寸。

9.根据权利要求8所述的检测方法，其特征在于，步骤h)还包括：

基于图的分割方法将所述一张图像进行分割，对所述一张图像的间显著性图中与分割后的所述一张图像的各个区域分别对应的区域的显著性值进行均化，并将均化后的显著性值作为对应的区域的显著性值，以修饰所述间显著性图。

10.根据权利要求1所述的检测方法，其特征在于，所述检测方法还包括：针对n张图像中的其他图像，重复步骤c)-j)来获得所述其他图像在n张图像中的共显著性图。