CN104680545A - 光学图像中存在显著目标的检测方法 - Google Patents

Abstract

本发明公开了一种光学图像中存在显著目标的检测方法，其实现步骤为：(1)输入光学图像集；(2)获得所有光学图像的显著图；(3)获得归一化后的显著图；(4)获得二值化的显著图；(5)获得5个特征向量；(6)判断是否获取了光学图像集中的所有图像的显著图的5种特征向量；(7)建立训练特征集和待检测特征集；(8)训练分类器；(9)获得待检测光学图像各个特征的检测结果；(10)获得光学图像存在显著目标的检测结果。本发明降低光学图像中存在显著目标检测的复杂度，又较好避免了图像显著目标检测中由不含任何目标的图像的显著图生成虚假目标的情况，消除了传统算法对图像复杂程度的局限性，具有较高的检测准确度，可应用于光学图像中存在显著目标的检测。

Description

光学图像中存在显著目标的检测方法

技术领域

本发明属于计算机技术领域，更进一步涉及计算机视觉图像显著目标检测技术领域中的一种光学图像中存在显著目标的检测方法。本发明可以用于检测光学图像是否存在显著目标，以排除在光学图像显著目标检测中那些不包含任何显著目标的图像，避免在显著目标检测中产生虚假的显著目标。

背景技术

光学图像中存在显著目标的检测就是判断一副图像是否含有显著目标。显著目标是指图像中那些在色彩、纹理等属性上相对于周边区域不同的，能够吸引人们注意的单个或多个物体。图像显著目标检测的研究是近几年计算机视觉研究的重点，具有广泛的应用，例如图像修剪、图像在小型设备上的自适应显示、目标跟踪、目标识别等。以前的显著目标检测方法大多是在生成图像的显著图的基础上，判断显著目标的位置与形状，而很少判断一副图像是不是存在显著目标，这样往往会高亮一些毫无意义的区域作为显著区域，从而产生虚假的显著目标。所以需要一种能够从大量图像中快速挑选出那些包含显著目标的图像的方法。然而，尽管图像显著目标检测技术发展迅速，但相关图像中存在显著目标的检测的研究却非常少。

中国科学院光电技术研究所在其申请的专利“一种基于Gabor小波的频域显著性目标检测方法”(专利申请号：201310259775.6公开号：103295241A)中提出了一种图像显著目标检测方法。该方法对输入图像提取方向、2个色彩以及灰度4种特征图建立多项式矩阵。对多项式矩阵做傅里叶变换，提取幅度谱矩阵。然后，对幅度谱矩阵做多尺度高斯低通滤波后对一组幅度谱做多项式反傅里叶变换，对得到的每个时域多项式做直方图并计算一维熵函数。最后，提取最小信息熵对应的时域显著图为最终检测结果。该方法存在的不足之处是，由于该方法是在图像中含有显著目标的前提下提出的，对于那些不含目标的图像，由该方法产生的显著图常常会高亮一些属性独特，但不属于目标的区域作为显著区域。这些显著区域输入目标检测算法中会产生较大的错误的正样本检测率，从而影响显著目标检测的准确性。

Steven L.Waslander等人在论文“Existence Detection of Objects in Images for RobotVision Using Saliency Histogram Features”(《Computer and Robot Vision》2013年5月28日至31日《计算机和机器人视觉国际会议论文集》第75～82页)中提出了一种利用图像显著图的直方图的特征来区分不含显著目标图和含显著目标图的方法。该方法计算输入图像的显著图的直方图以确定显著值的概率分布。然后，利用主成分分析方法(Principal Component Analysis,PCA)确定最能区分包含显著目标的图像和不含显著目标的图像的显著值组成的特征向量。然后，利用该特征向量训练贝叶斯分类器。该方法的不足之处是，由于该方法利用的是显著图像素在低显著值处的分布情况来区分含显著目标和不含显著目标的图像。对于具有复杂背景的含目标图像由于其部分背景区域显著值也比较高，所以会导致在低显著值处含目标图像和不含目标图像显著图像素分布情况相近，区分能力不高，影响分类准确度。

王鹏等人在论文“Salient Object Detection for Searched Web Images via GlobalSaliency”(《Computer Vision and Pattern Recognition》2012年6月16日至21日IEEE会议，第3194～3201页)中提出一种基于随机森林(Random Forest,RF)分类器，综合多种显著图的全局特征预测图像中是否存在显著目标。该方法综合多种不同的显著线索，利用多尺度对比(Multi-scale Contrast,MC)，中心周边直方图(Center-Surrounding Histogram,CSH)，空间权值的区域对比(spatially weighted Region-based Contrast,RC)以及色彩空间分布(Color Spatial-Distribution,CSD)等方法提取4种显著图。然后，对每个显著图进行块分割，提取块平均值形成一个向量，再将所有这些显著图形成的向量拼接形成一个总的特征向量。最后用该特征向量对RF分类器进行训练。该方法的不足之处是，其一，直接采用显著图分块构成的向量作为识别特征，由于目标在图像中分布位置及自身体积大小各有不同，该特征很难明确体现不包含目标图像与含目标图像之间的区别，其二，未对目标自身分布的特性(如紧致分布性等)、目标的位置先验(如目标通常不与多个边界相连接)进行充分利用，导致分类准确度有限。

发明内容

本发明针对上述现有技术存在的不足，提出光学图像中存在显著目标的检测方法。本发明降低了检测复杂度，又较好避免了图像显著目标检测中由不含任何目标的图像的显著图生成虚假目标的情况，同时又消除了基于显著图直方图方法受限于图像复杂程度的缺点，具有较高的检测准确度。

本发明具体步骤包括如下：

(1)输入光学图像集：

(1a)输入已进行人工标注的训练光学图像集；

(1b)输入待检测光学图像集；

(2)获得所有光学图像的显著图：

采用中心周边直方图算法，分别获取人工标注的训练光学图像集和待检测光学图像集中的所有图像的显著图；

(3)获得归一化后的显著图：

将人工标注的训练光学图像集和待检测光学图像集中的任意一个图像的显著图除以255，得到归一化后的显著图；

(4)获得二值化的显著图：

对归一化后的显著图进行二值化操作，得到二值化的显著图；

(5)获得5个特征向量：

(5a)按照下式，计算二值化的显著图中灰度值为1的像素的位置和光学图像中心点的距离，得到第1个特征向量：

$f\left(k\right)=\frac{\underset{1}{\overset{G}{\mathrm{\Σ}}}{(r\left(m\right)-W/2)}^2+\underset{1}{\overset{Z}{\mathrm{\Σ}}}{(c\left(n\right)-H/2)}^2}{G}$

其中，f(k)表示第k个阈值二值化的显著图中的灰度值为1的像素的位置与光学图像中心点的距离，k表示10个灰度阈值的序号，∑表示求和操作，r(m)表示二值化的显著图中灰度值为1的像素的第m个行索引的值，m表示所有行索引中第m个行索引，表示c(n)表示二值化的显著图中灰度值为1的像素的第n个列索引的值，n表示所有列索引中的第n个列索引，W表示二值化的显著图宽度，H表示二值化的显著图的高度，G表示二值化的显著图中灰度值为1的像素的行索引和列索引的总个数；

(5b)按照下式，计算二值化的显著图中灰度值为1的像素的位置的分布方差，得到第2个特征向量：

$z\left(k\right)=\frac{\underset{1}{\overset{G}{\mathrm{\Σ}}}{(r\left(m\right)-A)}^2+\underset{1}{\overset{Z}{\mathrm{\Σ}}}{(c\left(n\right)-D)}^2}{G}$

其中，z(k)表示第k个阈值二值化的显著图中灰度值为1的像素的位置的分布方差，k表示10个灰度阈值的序号，∑表示求和操作，r(m)表示二值化的显著图中灰度值为1的像素的第m个行索引的值，m表示所有行索引中第m个行索引，表示c(n)表示二值化的显著图中灰度值为1的像素的第n个列索引的值，n表示所有列索引中的第n个列索引，A表示r(m)的均值，D表示c(n)的均值，G表示二值化的显著图中灰度值为1的像素的行索引和列索引的总个数；

(5c)按照下式，计算二值化的显著图中灰度值为1的像素在二值化的显著图边缘的分布，得到第3个特征向量：

$e\left(k\right)=\frac{T+B+L+R}{2(W+H)}$

其中，e(k)表示第k个阈值二值化的显著图中灰度值为1的像素在边缘的分布，k表示10个灰度阈值的序号，T，B，L，R分别表示宽度为10个像素的二值化的显著图的上边缘、下边缘、左边缘、右边缘的所有像素灰度值的和，W表示二值化的显著图的宽度，H表示二值化的显著图的高度；

(5d)采用分布熵公式，计算归一化后的显著图的分布熵，得到第4个特征向量；

(5e)使用灰度直方图法，计算归一化显著图的20个灰度值的分布概率，获得归一化显著图的20维灰度直方图，得到第5个特征向量；

(6)判断是否获取了光学图像集中的所有图像的显著图的5种特征向量，若是，则执行步骤(7)；否则，执行步骤(3)；

(7)建立训练特征集和待检测特征集：

(7a)将训练显著图集中所有显著图的第1个特征向量组成训练特征集1，第2个特征向量组成训练特征集2，第3个特征向量组成训练特征集3，第4个特征向量组成训练特征集4，第5个特征向量组成训练特征集5，得到5组训练特征集；

(7b)将待检测显著图集中所有显著图的第1个特征向量组成待检测特征集1，第2个特征向量组成待检测特征集2，第3个特征向量组成待检测特征集3，第4个特征向量组成待检测特征集4，第5个特征向量组成待检测特征集5，得到5组待检测特征集；

(8)训练分类器：

使用训练特征集1训练第1个随机森林分类器，使用训练特征集2训练第2个随机森林分类器，使用训练特征集3训练第3个随机森林分类器，使用训练特征集4训练第4个随机森林分类器，使用训练特征集5训练第5个随机森林分类器；

(9)获得待检测特征的检测结果：

从5组待检测特征集中各选择一个排序相同的待检测特征，组成一组待检测特征，将来自待检测特征集1的特征输入第1个训练好的随机森林分类器，得到第1个随机森林分类器的检测结果，将来自待检测特征集2的特征输入第2个训练好的随机森林分类器，得到第2个随机森林分类器的检测结果，将来自待检测特征集3的特征输入第3个训练好的随机森林分类器，得到第3个随机森林分类器的检测结果，将来自待检测特征集4的特征输入第4个训练好的随机森林分类器，得到第4个随机森林分类器的检测结果，将来自待检测特征集5的特征输入第5个训练好的随机森林分类器，得到第5个随机森林分类器的检测结果；

(10)获得光学图像存在显著目标的检测结果：

(10a)按照下式，计算5个随机森林分类器的检测结果的均值：

$Q=\frac{C1+C2+C3+C4+C5}{5}$

其中，Q表示5个随机森林分类器的检测结果的均值，C1、C2、C3、C4、C5分别表示第1个随机森林分类器、第2个随机森林分类器、第3个随机森林分类器、第4个随机森林分类器以及第5个随机森林分类器的检测结果；

(10b)将均值Q小于0.5的待检测特征组检测结果标志设为0，作为获得待检测特征组的光学图像不包含显著目标的标志；

(10c)将均值Q大于等于0.5的待检测特征组检测结果标志设为1，作为获得待检测特征组的光学图像包含显著目标的标志。

本发明与现有技术相比具有以下优点：

第一，由于本发明检测了光学图像中是否包含显著目标，通过本发明可以排除光学图像集中不包含显著目标的图像，避免了现有技术由于未从输入图像中排除不包含显著目标的图像，而产生较大错误的正样本检测率，影响检测准确性的不足，使得本发明提高了图像显著目标检测算法的准确度。

第二，由于本发明从光学图像显著图中获取了5种不同的特征向量，避免了现有技术仅采用光学图像显著图直方图特性，对于具有复杂背景的含目标图像和不含目标图像区分能力不高的不足的问题，综合考虑了光学图像显著目标的位置特性、光学图像显著目标与光学图像边缘的关系、光学图像显著目标的紧致特性以及光学图像显著图直方图特性，使得本发明提高了光学图像显著目标存在检测的准确性。

第三，由于本发明采用随机森林分类器分别对5种特征向量进行检测，并取5个分类器检测结果的均值，避免了现有技术采用显著图分块构成向量作为识别特征，不能有效区分含目标图像和不含目标图像的不足，综合考虑了5种特征向量的检测结果，使得本发明提高了光学图像显著目标存在检测的准确性。

附图说明

图1为本发明的流程图。

具体实施方式

下面结合附图1对本发明的步骤做进一步的详细描述。

步骤1：输入光学图像集。

输入已进行人工标注的训练光学图像集。

输入待检测光学图像集。

步骤2：获得所有光学图像的显著图。

采用中心周边直方图算法，分别获取人工标注的训练光学图像集和待检测光学图像集中的所有图像的显著图。

中心周边直方图算法具体步骤如下：

按照下式，计算矩形区域与包围矩形区域的矩形环区域的RGB颜色直方图之间的距离：

$X^2(R\left(x\right),R_S\left(x\right))=\frac{1}{2}\underset{1}{\overset{N}{\mathrm{\Σ}}}\frac{{(R^i\left(x\right)-{R_s}^i\left(x\right))}^2}{R^i\left(x\right)+{R_s}^i\left(x\right)}$

其中，X²(R(x),R_S(x))表示光学图像中矩形区域与包围矩形区域的矩形环区域的RGB颜色直方图之间的距离，R(x)表示以光学图像中任意一个像素点为中心的矩形区域，R_S(x)表示包围光学图像中矩形区域R(x)的矩形环区域，矩形区域R(x)和矩形环区域R_S(x)的面积相等，x表示光学图像中任意一个像素点，∑表示求和操作，N表示光学图像中矩形区域R(x)和矩形环区域R_S(x)的RGB颜色直方图中色彩的数目，Rⁱ(x)表示光学图像中矩形区域R(x)的RGB颜色直方图中第i个色彩的像素个数，R_s ⁱ(x)表示光学图像中矩形环区域R_S(x)的RGB颜色直方图中第i个色彩的像素个数，i表示RGB颜色直方图中第i个色彩，AR∈{0.5,0.75,1.5,2.0}，S_R(x)∈[0.1,0.7]×min(W,H)，AR表示光学图像中矩形区域R(x)的纵横比，S_R(x)表示光学图像中矩形区域R(x)的面积，∈表示属于操作，min(·)表示取最小操作，W表示光学图像的宽度，H表示光学图像的高度。

选取使RGB颜色直方图距离最大的矩形区域，作为以光学图像任意一个像素点为中心的最佳矩形区域。

按照下式，计算最佳矩形区域的高斯加权值：

w_xx'＝exp(-0.5σ_x'||x-x'||²)

其中，w_xx'表示最佳矩形区域的高斯加权值，x表示光学图像中包含在以任意一个像素点x'为中心的矩形区域内的任意一个像素，x'表示光学图像中任意一个像素，exp(·)表示求指数操作，σ_x'表示光学图像中以x'为中心并包括x像素点的最佳矩形区域内像素的位置方差，||·||²表示求模平方操作。

按照下式，计算光学图像显著图：

$u\left(j\right)=\underset{\left\{x^{\′}\right|x\∈R^{*}\left(x^{\′}\right)\}}{\mathrm{\Σ}}{w}_{{\mathrm{xx}}^{\′}}{X}^2(R^{*}\left(x^{\′}\right),{R_S}^{*}\left(x^{\′}\right))$

其中，u(j)表示光学图像显著图中任意一个像素点的像素灰度值，j表示光学图像显著图的任意一个像素点，∑表示求和操作，{x'|x∈R^*(x')}表示以光学图像中任意一个像素点x'为中心的最佳矩形区域包含像素点x，∈表示属于操作，R^*(x')表示光学图像中以任意一个像素点为中心的最佳矩形区域，x表示光学图像中包含在以任意一个像素点x'为中心的矩形区域内的任意一个像素，x'表示光学图像中任意一个像素，光学图像显著图的像素点j的位置坐标与光学图像的像素点x的位置坐标相等，w_xx'表示最佳矩形区域的高斯加权值，X²(·)表示求光学图像中最佳矩形区域和矩形环区域的RGB颜色直方图之间距离的操作，R_s ^*(x')表示光学图像中以任意一个像素点为中心的最佳矩形环区域。

步骤3：获得归一化后的显著图。

将人工标注的训练光学图像集和待检测光学图像集中的任意一个图像的显著图除以255，得到归一化后的显著图。

步骤4：获得二值化的显著图。

对归一化后的显著图进行二值化操作，得到二值化的显著图。

二值化操作的具体步骤如下：

在灰度值范围[0,1]之间等间隔的选取10个灰度阈值θ。

按照下式，计算二值化的显著图像素点的像素灰度值：

$V\left(\mathrm{\&alpha;}\right)=\left\{\begin{array}{cc}0,& O\left(\mathrm{\&alpha;}\right)<{\mathrm{\&theta;}}_k\\ 1,& O\left(\mathrm{\&alpha;}\right)\&GreaterEqual;{\mathrm{\&theta;}}_k\end{array}\right.$

其中，V(α)表示二值化的显著图中任意一个像素点的像素灰度值，O(α)表示归一化后的显著图中任意一个像素点的像素灰度值，α表示二值化的显著图和归一化后的显著图中任意一个像素点，θ_k表示10个灰度阈值中的第k个阈值，k表示灰度阈值的序号。

将归一化的显著图中灰度阈值为V(α)的所有像素组成二值化显著图。

步骤5，获得5个特征向量：

按照下式，计算二值化的显著图中灰度值为1的像素的位置和光学图像中心点的距离，得到第1个特征向量：

$f\left(k\right)=\frac{\underset{1}{\overset{G}{\mathrm{\&Sigma;}}}{(r\left(m\right)-W/2)}^2+\underset{1}{\overset{Z}{\mathrm{\&Sigma;}}}{(c\left(n\right)-H/2)}^2}{G}$

其中，f(k)表示第k个阈值二值化的显著图中的灰度值为1的像素的位置与光学图像中心点的距离，k表示10个灰度阈值的序号，∑表示求和操作，r(m)表示二值化的显著图中灰度值为1的像素的第m个行索引的值，m表示所有行索引中第m个行索引，表示c(n)表示二值化的显著图中灰度值为1的像素的第n个列索引的值，n表示所有列索引中的第n个列索引，W表示二值化的显著图宽度，H表示二值化的显著图的高度，G表示二值化的显著图中灰度值为1的像素的行索引和列索引的总个数。

本发明中的光学图像的二值化的显著图中的灰度值为1的像素的位置，与光学图像中心点的距离特征表明，包含目标的光学图像和不包含目标的光学图像在显著目标在光学图像中位置的差异，包含显著目标的光学图像的二值化的显著图中的灰度值为1的像素的位置与光学图像中心点的距离小，不包含显著目标的光学图像的二值化的显著图中的灰度值为1的像素的位置与光学图像中心点的距离大。

按照下式，计算二值化的显著图中灰度值为1的像素的位置的分布方差，得到第2个特征向量：

$z\left(k\right)=\frac{\underset{1}{\overset{G}{\mathrm{\&Sigma;}}}{(r\left(m\right)-A)}^2+\underset{1}{\overset{Z}{\mathrm{\&Sigma;}}}{(c\left(n\right)-D)}^2}{G}$

其中，z(k)表示第k个阈值二值化的显著图中灰度值为1的像素的位置的分布方差，k表示10个灰度阈值的序号，∑表示求和操作，r(m)表示二值化的显著图中灰度值为1的像素的第m个行索引的值，m表示所有行索引中第m个行索引，表示c(n)表示二值化的显著图中灰度值为1的像素的第n个列索引的值，n表示所有列索引中的第n个列索引，A表示r(m)的均值，D表示c(n)的均值，G表示二值化的显著图中灰度值为1的像素的行索引和列索引的总个数。

本发明中的光学图像的二值化的显著图中灰度值为1的像素的位置的分布方差特征表明，包含目标的光学图像和不包含目标的光学图像在显著目标位置方差的差异，包含显著目标的光学图像的二值化的显著图中灰度值为1的像素的位置的分布方差小，不包含显著目标的光学图像的二值化的显著图中灰度值为1的像素的位置的分布方差大。

按照下式，计算二值化的显著图中灰度值为1的像素在二值化的显著图边缘的分布，得到第3个特征向量：

$e\left(k\right)=\frac{T+B+L+R}{2(W+H)}$

其中，e(k)表示第k个阈值二值化的显著图中灰度值为1的像素在边缘的分布，k表示10个灰度阈值的序号，T，B，L，R分别表示宽度为10个像素的二值化的显著图的上边缘、下边缘、左边缘、右边缘的所有像素灰度值的和，W表示二值化的显著图的宽度，H表示二值化的显著图的高度。

本发明中的光学图像的二值化的显著图中灰度值为1的像素在二值化的显著图边缘的分布特征表明，包含目标的光学图像和不包含目标的光学图像的显著目标在图像边缘分布的差异，包含显著目标的光学图像的二值化的显著图中灰度值为1的像素在二值化的显著图边缘的分布值小，不包含显著目标的光学图像的二值化的显著图中灰度值为1的像素在二值化的显著图边缘的分布值大。

采用分布熵公式，计算归一化后的显著图的分布熵，得到第4个特征向量。

分布熵公式为：

Y＝-∑(p(η)×log₂p(η))

其中，Y表示归一化后的显著图的分布熵，∑表示求和操作，p(η)表示归一化后的显著图中像素灰度值为η的像素的概率，log₂(·)表示求对数操作，η表示归一化后的显著图中像素的灰度值。

本发明中的光学图像的归一化的显著图的分布熵特征表明，包含目标的光学图像和不包含目标的光学图像在显著目标紧致性方面的差异，包含显著目标的光学图像的归一化的显著图的分布熵小，不包含显著目标的光学图像的归一化的显著图的分布熵大。

使用灰度直方图法，计算归一化显著图的20个灰度值的分布概率，获得归一化显著图的20维灰度直方图，得到第5个特征向量。

在灰度图像灰度值范围内等间隔的取20个灰度值。

计算灰度图像中像素值为20个灰度值中任意一个灰度值的像素的个数并除以灰度图像中像素的总个数，得到每个灰度值的分布概率。

将所有灰度值的概率组成灰度直方图。

本发明中的光学图像的归一化的显著图的灰度直方图特征表明，包含目标的光学图像和不包含目标的光学图像灰度直方图的差异，包含显著目标的光学图像的归一化的显著图的灰度直方图相对于不包含显著目标的光学图像的归一化的显著图的灰度直方图在灰度值较低的区域有一个峰值。

步骤6，判断是否获取了光学图像集中的所有图像的显著图的5种特征向量，若是，则执行步骤7；否则，执行步骤3。

步骤7，建立训练特征集和待检测特征集。

将训练显著图集中所有显著图的第1个特征向量组成训练特征集1，第2个特征向量组成训练特征集2，第3个特征向量组成训练特征集3，第4个特征向量组成训练特征集4，第5个特征向量组成训练特征集5，得到5组训练特征集。

将待检测显著图集中所有显著图的第1个特征向量组成待检测特征集1，第2个特征向量组成待检测特征集2，第3个特征向量组成待检测特征集3，第4个特征向量组成待检测特征集4，第5个特征向量组成待检测特征集5，得到5组待检测特征集。

步骤8，训练分类器。

使用训练特征集1训练第1个随机森林分类器，使用训练特征集2训练第2个随机森林分类器，使用训练特征集3训练第3个随机森林分类器，使用训练特征集4训练第4个随机森林分类器，使用训练特征集5训练第5个随机森林分类器。

其中的随机森林分类器树的个数设为200棵，最小叶子节点设为4。

步骤9，获得待检测特征的检测结果：

从5组待检测特征集中各选择一个排序相同的待检测特征，组成一组待检测特征，将来自待检测特征集1的特征输入第1个训练好的随机森林分类器，得到第1个随机森林分类器的检测结果，将来自待检测特征集2的特征输入第2个训练好的随机森林分类器，得到第2个随机森林分类器的检测结果，将来自待检测特征集3的特征输入第3个训练好的随机森林分类器，得到第3个随机森林分类器的检测结果，将来自待检测特征集4的特征输入第4个训练好的随机森林分类器，得到第4个随机森林分类器的检测结果，将来自待检测特征集5的特征输入第5个训练好的随机森林分类器，得到第5个随机森林分类器的检测结果。

步骤10，获得光学图像存在显著目标的检测结果。

按照下式，计算5个随机森林分类器的检测结果的均值：

$Q=\frac{C1+C2+C3+C4+C5}{5}$

其中，Q表示5个随机森林分类器的检测结果的均值，C1、C2、C3、C4、C5分别表示第1个随机森林分类器、第2个随机森林分类器、第3个随机森林分类器、第4个随机森林分类器以及第5个随机森林分类器的检测结果。

将均值Q小于0.5的待检测特征组检测结果标志设为0，作为获得待检测特征组的光学图像不包含显著目标的标志。

将均值Q大于等于0.5的待检测特征组检测结果标志设为1，作为获得待检测特征组的光学图像包含显著目标的标志。

下面仿真实验对本发明的效果做进一步的描述。

1、仿真条件：

本发明的仿真是在主频2.4GHZ的Intel(R)Core(TM)2Duo、内存4GB的硬件环境和MATLAB R2014a的软件环境下进行的。

本发明实施实例中采用的随机森林分类器的树的个数设为200棵，最小叶子节点大小设为4。

2、仿真内容：

本发明仿真实验所用数据为10000张包含目标的光学图像和4000张不含目标的光学图像，所有光学图像尺寸为130×130像素。

3、仿真效果分析：

表1本发明方法与现有技术仿真结果对比表

方法	GFED	HFED	本发明
				准确度	81.20％	88.10％	92.17％
精度	86.20％	89.60％	93.50％
				召回率	74.20％	72.90％	96.10％
F-measure	81.77％	83.21％	93.90％

表1为本发明方法与现有技术对比仿真效果表。其中，GFED表示王鹏等人在论文“Salient Object Detection for SearchedWeb Images via Global Saliency”中提出的基于全局特征的显著目标存在性检测算法，HFED表示Steven L.Waslander等人在论文“Existence Detection of Objects in Images for Robot Vision Using Saliency HistogramFeatures”中提出的基于直方图特征的显著目标存在性检测算法，准确度、精度、召回率、F-Measure是衡量三种检测算法的四个指标。

四个指标的计算公式如下：

$\mathrm{Accuracy}=\frac{\mathrm{TP}+\mathrm{TN}}{\mathrm{TP}+\mathrm{TN}+\mathrm{FP}+\mathrm{FN}}$

其中，Accuracy表示准确度，TP表示检测正确的正样本，TN表示检测正确的负样本，FP表示检测错误的正样本，FN表示检测错误的负样本。

$\mathrm{Precision}=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FP}}$

其中，Precision表示精度，TP表示检测正确的正样本，TN表示检测正确的负样本，FP表示检测错误的正样本，FN表示检测错误的负样本。

$\mathrm{Recall}=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FN}}$

其中，Recall表示召回率，TP表示检测正确的正样本，TN表示检测正确的负样本，FP表示检测错误的正样本，FN表示检测错误的负样本。

$F-\mathrm{measure}=\frac{(1+\mathrm{\&beta;})*\mathrm{Precision}*\mathrm{Recall}}{\mathrm{\&beta;}*\mathrm{Precision}+\mathrm{Recall}}$

其中，参数β设为0.5，Precision表示精度，Recall表示召回率。

本发明中，仿真结果表1中基于全局特征的显著目标存在性检测算法的准确度为81.2％，基于直方图特征的显著目标存在性检测算法的准确度为88.1％，本发明方法的准确度为92.17％，可以看出本发明方法的检测准确度最高。

仿真结果表1中基于全局特征的显著目标存在性检测算法的精度为86.2％，基于直方图特征的显著目标存在性检测算法的精度为89.6％，本发明方法的精度为93.5％，可以看出本发明方法的检测精度最高。

仿真结果表1中基于全局特征的显著目标存在性检测算法的召回率为74.2％，基于直方图特征的显著目标存在性检测算法的召回率为72.9％，本发明方法的召回率为96.1％，可以看出本发明方法的召回率最高。

仿真结果表1中基于全局特征的显著目标存在性检测算法的F-measure为81.77％，基于直方图特征的显著目标存在性检测算法的F-measure为83.21％，本发明方法的F-measure为93.9％，可以看出本发明方法的F-measure最高。

综上所述，本发明对光学图像存在显著目标检测相对于现存两种检测算法的准确度、精度、召回率以及F-measure都比较高。因此，利用光学图像中存在显著目标的检测方法，较好的避免了漏检、错检和误检，具有较高的检测准确度。

Claims (5)

1.一种光学图像中存在显著目标的检测方法，包括如下步骤：

(1)输入光学图像集：

(1a)输入已进行人工标注的训练光学图像集；

(1b)输入待检测光学图像集；

(2)获得所有光学图像的显著图：

采用中心周边直方图算法，分别获取人工标注的训练光学图像集和待检测光学图像集中的所有图像的显著图；

(3)获得归一化后的显著图：

将人工标注的训练光学图像集和待检测光学图像集中的任意一个图像的显著图除以255，得到归一化后的显著图；

(4)获得二值化的显著图：

对归一化后的显著图进行二值化操作，得到二值化的显著图；

(5)获得5个特征向量：

(5a)按照下式，计算二值化的显著图中灰度值为1的像素的位置和光学图像中心点的距离，得到第1个特征向量：

$f\left(k\right)=\frac{\underset{1}{\overset{G}{\mathrm{\&Sigma;}}}{(r\left(m\right)-W/2)}^2+\underset{1}{\overset{Z}{\mathrm{\&Sigma;}}}{(c\left(n\right)-H/2)}^2}{G}$

其中，f(k)表示第k个阈值二值化的显著图中的灰度值为1的像素的位置与光学图像中心点的距离，k表示10个灰度阈值的序号，∑表示求和操作，r(m)表示二值化的显著图中灰度值为1的像素的第m个行索引的值，m表示所有行索引中第m个行索引，表示c(n)表示二值化的显著图中灰度值为1的像素的第n个列索引的值，n表示所有列索引中的第n个列索引，W表示二值化的显著图宽度，H表示二值化的显著图的高度，G表示二值化的显著图中灰度值为1的像素的行索引和列索引的总个数；

(5b)按照下式，计算二值化的显著图中灰度值为1的像素的位置的分布方差，得到第2个特征向量：

$z\left(k\right)=\frac{\underset{1}{\overset{G}{\mathrm{\&Sigma;}}}{(r\left(m\right)-A)}^2+\underset{1}{\overset{Z}{\mathrm{\&Sigma;}}}{(c\left(n\right)-D)}^2}{G}$

其中，z(k)表示第k个阈值二值化的显著图中灰度值为1的像素的位置的分布方差，k表示10个灰度阈值的序号，∑表示求和操作，r(m)表示二值化的显著图中灰度值为1的像素的第m个行索引的值，m表示所有行索引中第m个行索引，表示c(n)表示二值化的显著图中灰度值为1的像素的第n个列索引的值，n表示所有列索引中的第n个列索引，A表示r(m)的均值，D表示c(n)的均值，G表示二值化的显著图中灰度值为1的像素的行索引和列索引的总个数；

(5c)按照下式，计算二值化的显著图中灰度值为1的像素在二值化的显著图边缘的分布，得到第3个特征向量：

$e\left(k\right)=\frac{T+B+L+R}{2(W+H)}$

其中，e(k)表示第k个阈值二值化的显著图中灰度值为1的像素在边缘的分布，k表示10个灰度阈值的序号，T，B，L，R分别表示宽度为10个像素的二值化的显著图的上边缘、下边缘、左边缘、右边缘的所有像素灰度值的和，W表示二值化的显著图的宽度，H表示二值化的显著图的高度；

(5d)采用分布熵公式，计算归一化后的显著图的分布熵，得到第4个特征向量；

(5e)使用灰度直方图法，计算归一化显著图的20个灰度值的分布概率，获得归一化显著图的20维灰度直方图，得到第5个特征向量；

(6)判断是否获取了光学图像集中的所有图像的显著图的5种特征向量，若是，则执行步骤(7)；否则，执行步骤(3)；

(7)建立训练特征集和待检测特征集：

(7a)将训练显著图集中所有显著图的第1个特征向量组成训练特征集1，第2个特征向量组成训练特征集2，第3个特征向量组成训练特征集3，第4个特征向量组成训练特征集4，第5个特征向量组成训练特征集5，得到5组训练特征集；

(7b)将待检测显著图集中所有显著图的第1个特征向量组成待检测特征集1，第2个特征向量组成待检测特征集2，第3个特征向量组成待检测特征集3，第4个特征向量组成待检测特征集4，第5个特征向量组成待检测特征集5，得到5组待检测特征集；

(8)训练分类器：

使用训练特征集1训练第1个随机森林分类器，使用训练特征集2训练第2个随机森林分类器，使用训练特征集3训练第3个随机森林分类器，使用训练特征集4训练第4个随机森林分类器，使用训练特征集5训练第5个随机森林分类器；

(9)获得待检测特征的检测结果：

从5组待检测特征集中各选择一个排序相同的待检测特征，组成一组待检测特征，将来自待检测特征集1的特征输入第1个训练好的随机森林分类器，得到第1个随机森林分类器的检测结果，将来自待检测特征集2的特征输入第2个训练好的随机森林分类器，得到第2个随机森林分类器的检测结果，将来自待检测特征集3的特征输入第3个训练好的随机森林分类器，得到第3个随机森林分类器的检测结果，将来自待检测特征集4的特征输入第4个训练好的随机森林分类器，得到第4个随机森林分类器的检测结果，将来自待检测特征集5的特征输入第5个训练好的随机森林分类器，得到第5个随机森林分类器的检测结果；

(10)获得光学图像存在显著目标的检测结果：

(10a)按照下式，计算5个随机森林分类器的检测结果的均值：

$Q=\frac{C1+C2+C3+C4+C5}{5}$

其中，Q表示5个随机森林分类器的检测结果的均值，C1、C2、C3、C4、C5分别表示第1个随机森林分类器、第2个随机森林分类器、第3个随机森林分类器、第4个随机森林分类器以及第5个随机森林分类器的检测结果；

(10b)将均值Q小于0.5的待检测特征组检测结果标志设为0，作为获得待检测特征组的光学图像不包含显著目标的标志；

(10c)将均值Q大于等于0.5的待检测特征组检测结果标志设为1，作为获得待检测特征组的光学图像包含显著目标的标志。

2.根据权利要求1所述的光学图像中存在显著目标的检测方法，其特征于：步骤(2)所述中心周边直方图算法的具体步骤如下：

第一步，按照下式，计算矩形区域与包围矩形区域的矩形环区域的RGB颜色直方图之间的距离：

$X^2(R\left(x\right),R_s\left(x\right))=\frac{1}{2}\underset{1}{\overset{N}{\mathrm{\&Sigma;}}}\frac{{(R^i\left(x\right)-{R_s}^i\left(x\right))}^2}{R^i\left(x\right)+{R_s}^i\left(x\right)}$

其中，X²(R(x),R_S(x))表示光学图像中矩形区域与包围矩形区域的矩形环区域的RGB颜色直方图之间的距离，R(x)表示以光学图像中任意一个像素点为中心的矩形区域，R_S(x)表示包围光学图像中矩形区域R(x)的矩形环区域，矩形区域R(x)和矩形环区域R_S(x)的面积相等，x表示光学图像中任意一个像素点，∑表示求和操作，N表示光学图像中矩形区域R(x)和矩形环区域R_S(x)的RGB颜色直方图中色彩的数目，Rⁱ(x)表示光学图像中矩形区域R(x)的RGB颜色直方图中第i个色彩的像素个数，R_s ⁱ(x)表示光学图像中矩形环区域R_S(x)的RGB颜色直方图中第i个色彩的像素个数，i表示RGB颜色直方图中第i个色彩，AR∈{0.5,0.75,1.5,2.0}，S_R(x)∈[0.1,0.7]×min(W,H)，AR表示光学图像中矩形区域R(x)的纵横比，S_R(x)表示光学图像中矩形区域R(x)的面积，∈表示属于操作，min(·)表示取最小操作，W表示光学图像的宽度，H表示光学图像的高度；

第二步，选取使RGB颜色直方图距离最大的矩形区域，作为以光学图像任意一个像素点为中心的最佳矩形区域；

第三步：按照下式，计算最佳矩形区域的高斯加权值：

w_xx'＝exp(-0.5σ_x'||x-x'||²)

其中，w_xx'表示最佳矩形区域的高斯加权值，x表示光学图像中包含在以任意一个像素点x'为中心的矩形区域内的任意一个像素，x'表示光学图像中任意一个像素，exp(·)表示求指数操作，σ_x'表示光学图像中以x'为中心并包括x像素点的最佳矩形区域内像素的位置方差，||·||²表示求模平方操作；

第四步，按照下式，计算光学图像显著图：

$u\left(j\right)=\underset{\left\{x^{\&prime;}\right|x\&Element;R^{*}\left(x^{\&prime;}\right)\}}{\mathrm{\&Sigma;}}{w}_{{\mathrm{xx}}^{\&prime;}}{X}^2(R^{*}\left(x^{\&prime;}\right),{R_s}^{*}\left(x^{\&prime;}\right))$

其中，u(j)表示光学图像显著图中任意一个像素点的像素灰度值，j表示光学图像显著图的任意一个像素点，∑表示求和操作，{x'|x∈R^*(x')}表示以光学图像中任意一个像素点x'为中心的最佳矩形区域包含像素点x，∈表示属于操作，R^*(x')表示光学图像中以任意一个像素点为中心的最佳矩形区域，x表示光学图像中包含在以任意一个像素点x'为中心的矩形区域内的任意一个像素，x'表示光学图像中任意一个像素，光学图像显著图的像素点j的位置坐标与光学图像的像素点x的位置坐标相等，w_xx'表示最佳矩形区域的高斯加权值，X²(·)表示求光学图像中最佳矩形区域和矩形环区域的RGB颜色直方图之间距离的操作，R_s ^*(x')表示光学图像中以任意一个像素点为中心的最佳矩形环区域。

3.根据权利要求1所述的光学图像中存在显著目标的检测方法，其特征于：步骤(4)所述二值化操作的具体步骤如下：

第一步，在灰度值范围[0,1]之间等间隔的选取10个灰度阈值θ；

第二步，按照下式，计算二值化的显著图像素点的像素灰度值：

$V\left(\mathrm{\&alpha;}\right)=\left\{\begin{array}{cc}0,& O\left(\mathrm{\&alpha;}\right)<{\mathrm{\&theta;}}_k\\ 1,& O\left(\mathrm{\&alpha;}\right)\&GreaterEqual;{\mathrm{\&theta;}}_k\end{array}\right.$

其中，V(α)表示二值化的显著图中任意一个像素点的像素灰度值，O(α)表示归一化后的显著图中任意一个像素点的像素灰度值，α表示二值化的显著图和归一化后的显著图中任意一个像素点，θ_k表示10个灰度阈值中的第k个阈值，k表示灰度阈值的序号；

第三步，将归一化的显著图中灰度阈值为V(α)的所有像素组成二值化显著图。

4.根据权利要求1所述的光学图像中存在显著目标的检测方法，其特征于：步骤(5d)所述的分布熵公式如下：

Y＝-Σ(p(η)×log₂p(η))

其中，Y表示归一化后的显著图的分布熵，∑表示求和操作，p(η)表示归一化后的显著图中像素灰度值为η的像素的概率，log₂(·)表示求对数操作，η表示归一化后的显著图中像素的灰度值。

5.根据权利要求1所述的光学图像中存在显著目标的检测方法，其特征在于：步骤(5e)所述的灰度直方图方法具体步骤如下：

第一步，在灰度图像灰度值范围内等间隔的取20个灰度值；

第二步，计算灰度图像中像素值为20个灰度值中任意一个灰度值的像素的个数并除以灰度图像中像素的总个数，得到每个灰度值的分布概率；

第三步，将所有灰度值的概率组成灰度直方图。