CN107609594A - 基于自适应遗传方法的显著性检测方法 - Google Patents
基于自适应遗传方法的显著性检测方法 Download PDFInfo
- Publication number
- CN107609594A CN107609594A CN201710841894.0A CN201710841894A CN107609594A CN 107609594 A CN107609594 A CN 107609594A CN 201710841894 A CN201710841894 A CN 201710841894A CN 107609594 A CN107609594 A CN 107609594A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- pixel
- super
- mtd
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
基于自适应遗传方法的显著性检测方法,1:根据图像颜色差异分析,建立图像凸包;利用超像素分割方法将输入图像分割成N个超像素,并用超像素代替像素作为显著性检测方法的基本操作单位;2:利用自适应遗传方法来找出步骤1得到的凸包内显著性的目标并构造遗传先验图;3:在步骤1得到的凸包中通过颜色和位置构建中心先验模型;4:将步骤2的遗传先验图与步骤3的中心先验模型融合成先验图;5:将以凸包为划分,把凸包内部的似然概率作为显著性目标的似然概率引入贝叶斯优化模型来优化步骤4得到的先验图的先验概率,以得到最终的显著图。
Description
技术领域
本发明涉及图像数据处理领域,尤其涉及一种自适应遗传方法的显著性检测方法。
背景技术
近些年来,人们越来越多的开始关注计算机视觉这一重要的领域,大量的研究人员开始寻找一个行之有效的方法来描述图像中的重要信息。显著性检测的目的就是运用一种有效的方法找出图像中比较突出的部分。目前计算机视觉领域的许多研究中都已经将显著性检测作为其预处理步骤,如图像压缩,图像分割,目标定位,图像分类等。
通常,将显著性检测方法按照信息处理的方式进行划分,可以大致分为两类,一类是自上而下的方法,一类是自下而上的方法。自上而下的方法,需要先知道所检测目标的基本属性,并且进行监督训练,因此大多数自上而下的方法可以取得较高的准确率,但这类方法往往会忽略显著性目标的细节信息。相反,自下而上的方法往往是从底层的视觉信息出发,比如借助颜色等特征来构建显著图模型,而不需要某一特定的目标特征。因而该类方法可以很好地适应不同背景的图像,也能够检测出原始图像的细节信息。在自下而上的方法中,利用特征差异的方法检测目标在显著性检测领域中应用较多,其中大多数方法选择以底层信息(颜色,强度,直方图等)作为线索。总体上这些方法所得到的效果都不错,但当目标颜色与背景颜色相似时,找出来的区域就不是很准确。另外,中心先验原则也在自下而上的方法中应用广泛,中心先验原则认为人们在拍摄图片时,往往会将重要的物体放置在图像的中心,因此大多数的显著性目标处于图像的中心位置或中心位置附近,故先验地调整图像中心位置像素点的显著性值。尽管中心先验可以预测大多数目标,但依然存在一些图像,其显著性目标不在中心,进而使得该类方法的结果不准确。
发明内容
本发明要解决的技术问题是:设计一种克服显著性目标不在中心,或是图像的目标颜色和背景颜色相似时,图像显著性目标检测不够准确的问题。
为了解决上述技术问题,本发明提出一种基于自适应遗传方法的显著性检测方法,其特征在于:
步骤1:根据图像颜色差异分析,建立图像凸包;利用超像素分割方法将输入图像分割成N个超像素,并用超像素代替像素作为显著性检测方法的基本操作单位;
步骤2:利用自适应遗传方法来找出步骤1得到的凸包内显著性的目标并构造遗传先验图;
步骤3:在步骤1得到的凸包中通过颜色和位置构建中心先验模型;
步骤4:将步骤2的遗传先验图与步骤3的中心先验模型融合成先验图;
步骤5:将以凸包为划分,把凸包内部的似然概率作为显著性目标的似然概率引入贝叶斯优化模型来优化步骤4得到的先验图的先验概率,以得到最终的显著图。
作为一种优选:步骤1中的图像颜色差异分析是通过采用基于图像灰度的方法:计算点的曲率及梯度来检测角点,并以这些角点围成一块区域作为图像凸包,所述的角点检测算法是Harris角点检测算法。
作为一种优选:步骤2中超像素分割方法是SLIC方法。
作为一种优选:步骤2中的自适应选择函数是公式(1):
f=n1n2(c1-c2)2 (1)
其中:n1与n2分别为凸包内显著性目标区域超像素个数和背景区域超像素个数,c1与c2分别为上述两区域内的超像素的平均颜色特征值;
交叉算子选用单点交叉,先将解空间中的染色体两两配对,在染色体中以交叉概率pc设定一个交叉点,实行交叉时,使得该点前的两个个体的部分结构进行互换,并生成新个体,交叉概率pc求解公式(2)如下:
对以变异概率pm挑选解空间的染色体上的基因并进行变异,变异概率pm的求解公式(3)如下:
上述公式(2)和(3)中:fmax为种群最大适应度;为平均适应度;f为变异个体适应度;f'为交叉两个体适应度的较大值;k1~k4为[0,1]内常数,设置k1=k3=1.0,k2=k4=0.5。
作为一种优选:步骤2和步骤3中的遗传先验图的构建方法是将输入图像的每个超像素标记为i(i=1,2,…,N);计算所有超像素的平均颜色值和平均位置值,并分别标记为和对于凸包内显著性目标区域(记为s1)中的第p(p∈1,2,…,n1)个超像素,标记为Lp(Lp∈1,2,…,N);然后,对图像中每个超像素进行赋值,公式(4)如下:
其中
其中d(·,·)为特征间的欧氏距离,α为平衡参数,平衡公式中颜色和位置的重要性,设置为0.4;另外,设定凸包内超像素的λ值高于凸包外超像素的λ值,使得相对提升凸包内超像素的显著值;将Gi归一化到[0,1]中。
作为一种优选:步骤3中的中心先验模型的方法是先构建初步中心先验模型c(i):
其中xi和yi表示超像素i的平均水平值和平均垂直坐标值;x0和y0表示输入图像的中心点的水平坐标值和垂直坐标值;参数σx和σy分别表示水平方差和垂直方差;之后,对于图像中每个超像素,通过CIELab颜色特征,构建一个N×N的相关性矩阵
其中i,j∈[1,N],N为图像中超像素的个数,并且dist(i,j)表示第i个和第j个超像素之间颜色的欧式距离,其中,设定dist(i,i)=0;
计算中每一列的和,得到一个向量计算如下公式(9),
将向量归一化,并且利用中的值作为每个超像素的权重,构建中心先验模型c(i)的计算公式(10)如下:
Ci=vi×c(i) (10)
其中,c(i)为初步中心先验模型,vi表示向量中的第i项。
作为一种优选:步骤4中将遗传先验图与中心先验模型进行融合得到先验图的方法是,对于每个超像素i,设定Si表示先验图中该超像素的显著值,计算公式(11)如下:
其中:Gi和Ci为公式(4),(10)中的遗传先验图与中心先验模型.β是平衡参数。
作为一种优选:步骤5中采用的贝叶斯优化模型公式如下:
其中,n是凸包内像素的个数,v表示图像的像素,nout表示凸包外像素的个数,Nin(f(v))和Nout(f(v))分别为凸包内外颜色的统计值,L,a,b是CIELab颜色模型中的独立特征,p(·)表示概率,p(sal)表示显著性的先验概率,由先验图的Si提供;p(v|sal)表示显著性的似然概率由凸包提供;p(bg)则是背景的概率,p(bg)=1-p(sal)。
本发明有益效果:
1、通过遗传分类模型,输入图像中所需要得到显著性目标与背景的颜色区别不大的时候,当常规颜色特征对方法的作用下降时,空间特征便可以起到弥补颜色特征不足的作用,使得本方法可以更好的适应不同背景下的图像。
2、把超像素看作为基因,一系列超像素的组合看作为染色体,所有可能存在超像素的组合看作为种群。采用包括选择、交叉和变异三种基本形式的遗传方法。利用适应度选择函数将更为重要的超像素挑选出来,即选择优质个体而抛弃劣质个体,从而提高方法整体的全局收敛性和计算效率。
3、初步中心先验模型加入颜色特征以构建本发明的中心先验模型,该模型在点亮图像显著区域的同时可以抑制初步中心先验模型所点亮的非显著区域,从而使得检测结果更加准确。
4、自适应找到的遗传先验图与中心先验模型进行数据融合得到的先验图后,把凸包内部的似然概率作为显著性目标的似然概率引入贝叶斯优化模型来优化先验图的先验概率,以得到最终的显著图,使得发明能解决图像的目标颜色和背景颜色相似时,图像显著性目标检测不够准确的问题。
附图说明
附图1:本发明方法的流程图。
附图2:本发明方法与十一种现有方法对8张不同类型图片生成的显著图的对比图。
具体实施方式
首先通过图像差异分析获取图像凸包的现有技术是比较多的,比如按照第一预定方向以及第二预定方向对图像进行扫描,以分别获得第一单极限点以及第二单极限点;将第一单极限点存储于第一矩阵,将第二单极限点存储于第二矩阵,并取第一矩阵以及第二矩阵的交集以获得候选点;根据候选点以及预定算法获取待处理图像的凸包。或是对图像进行显著性检测,得到二值化显著图;然后,对图像进行兴趣点检测;其次,进行去游离兴趣点处理得到显著兴趣点;再次,对显著兴趣点求取凸包。
如图1所示:本发明选取图像差异分析中基于图像灰度的方法,通过计算点的曲率及梯度来检测角点,此类的现有方法有Moravec算子,Harris算子,SUSAN算子,其中Harris算子的原理是:人眼对角点的识别通常是在一个局部的小区域或小窗口完成的。如果在各个方向上移动这个特征的小窗口,窗口内区域的灰度发生了较大的变化,那么就认为在窗口内遇到了角点。如果这个特定的窗口在图像各个方向上移动时,窗口内图像的灰度没有发生变化,那么窗口内就不存在角点;如果窗口在某一个方向移动时,窗口内图像的灰度发生了较大的变化,而在另一些方向上没有发生变化,那么,窗口内的图像可能就是一条直线的线段。
本发明采用的Harris算子的C++代码可在https://github.com/
RonnyYoung/ImageFeatures/blob/master/source/harris.cpp获得参考。
本发明构建凸包。通过文献:Xie Y L,Lu H C,Yang M H.Bayesian saliency vialow and midlevel cues[J].IEEE Transactions on Image Processing,2013,22(5):1689-1698中的颜色增强的Harris角点检测方法得到输入图像中的显著点,之后将靠近图像边界的显著点筛选掉。最后计算一个能刚好包围住剩下的显著点的区域S,该区域就是凸包,这个凸包大致确定了显著物体的位置和轮廓。
凸包将大部分的显著性目标都围住了。虽然大致地确定了显著性目标的位置,但同时将部分背景区域也包围在凸包内了,如果直接把凸包区域作为显著性目标的话,必然会导致方法结果的不准确,所以我们第二步构建遗传分类模型找到凸包内更为显著的区域,以此作为凸包内的显著性目标。
构建遗传分类模型的具体方法是:
通过SLIC方法(simple linear iterative cluster的简称),方法大致思想是这样的,将图像从RGB颜色空间转换到CIELab颜色空间,对应每个像素的(L,a,b)颜色值和(x,y)坐标组成一个5维向量V[L,a,b,x,y],两个像素的相似性即可由它们的向量距离来度量,距离越大,相似性越小。
方法首先生成K个种子点,然后在每个种子点的周围空间里搜索距离该种子点最近的若干像素,将他们归为与该种子点一类,直到所有像素点都归类完毕。然后计算这K个超像素里所有像素点的平均向量值,重新得到K个聚类中心,然后再以这K个中心去搜索其周围与其最为相似的若干像素,所有像素都归类完后重新得到K个超像素,更新聚类中心,再次迭代,如此反复直到收敛。方法主要采用两种特征来描述图像信息,分别为CIELab颜色特征和空间特征。通过大量的文献资料可知,CIELab颜色特征与人眼中的颜色特征类似,可以帮助显著性方法有效的找出显著性目标区域。由于输入图像中的显著性目标与背景的颜色未必区别很大,所以当颜色特征对方法的作用下降时,空间特征便可以起到弥补颜色特征不足的作用。因此,颜色与空间特征的融入,使得本方法可以更好的适应不同背景下的图像。
假设凸包内区域S有n个超像素,凸包内的显著性目标区域(记为s1)中有n1个超像素,凸包内的背景区域(记为s2)中有n2个超像素,即n=n1+n2。之后,我们选用自适应的遗传方法对凸包内超像素进行分类,以筛选出凸包内的显著性目标区域。
本方法的遗传分类模型,最终要找到的解是凸包内的显著性目标区域,也就是一系列更为显著的超像素的集合。所以我们把超像素看作为基因,一系列超像素的组合看作为染色体,所有可能存在超像素的组合看作为种群。因为本发明方法只需要区分出显著性目标区域和背景区域的超像素。
遗传方法的操作算子包括选择、交叉和变异三种基本形式,构成了遗传方法的强大搜索能力的核心,通过适应度选择优质个体而抛弃劣质个体,其主要作用是提高全局收敛性和计算效率,本发明采用的适应度选择函数如公式(1)所示:
f=n1n2(c1-c2)2 (1)
其中,n1与n2分别为凸包内显著性目标区域超像素个数和背景区域超像素个数,c1与c2分别为上述两区域内的超像素的平均颜色特征值。而n1,n2,c1,c2的具体数值取决于该组染色体(即超像素的一组集合),即由该组染色体的中基因(即超像素)的具体类别决定。本发明的选择运算使用的是排序选择,即根据各个体的适应度大小f进行排序,然后基于所排序号进行选择,每次迭代保留下最优的个体并将其放入下一次的迭代。由公式(1)可知,当两类超像素之间的颜色差异与两类超像素的个数的积f达到最大的时候,此时方法收敛,即确定出凸包内超像素各自的类别,从而筛选出凸包内显著性目标区域与背景区域。
交叉能使个体间的遗传物质进行交换从而产生更好的个体。本发明的交叉算子选用的是单点交叉,先将解空间中的染色体两两配对,在染色体中以交叉概率pc设定一个交叉点,实行交叉时,使得该点前的两个个体的部分结构进行互换,并生成新个体。
变异能恢复个体失去的或未开发的遗传物质,以防止个体在形成的最优解过程中过早收敛。本发明方法对以概率pm挑选解空间的染色体上的基因并进行变异,以产生新的个体,进而增加解的多样性。
在遗传方法运行过程中,存在着对其性能产生重大影响的一组参数,主要包括染色体长度,种群规模nga,交叉概率pc及变异概率pm。本发明方法中,染色体的长度即为凸包内超像素的个数,设置为n。采用了自适应的遗传方法,主要使交叉改概率和变异概率自适应于适应度,交叉概率pc及变异概率pm的求解公式分别是公式(2)和公式(3):
其中,pc和pm分别为交叉、变异概率;fmax为种群最大适应度;为平均适应度;f为变异个体适应度;f'为交叉两个体适应度的较大值。k1~k4为[0,1]内常数,我们设置k1=k3=1.0,k2=k4=0.5。本发明中自适应的遗传方法,对于高于种群平均适应度的个体,随着适应度的增加,将使得交叉变异概率逐渐减小,以便对较优模式进行保护;而对于低于种群适应度的个体采用最大交叉变异概率,使之产生较优的个体。
我们已经找出了凸包内更为显著的区域,即凸包内的显著性目标。基于此,我们构建本发明的遗传先验图。对于图像中的N个超像,其中的每个超像素标记为i(i=1,2,…,N)。我们计算所有超像素的平均颜色值和平均位置值,并分别标记为和对于凸包内显著性目标区域(记为s1)中的第p(p∈1,2,…,n1)个超像素,标记为Lp(Lp∈1,2,…,N)。然后,我们对图像中每个超像素进行赋值,方法如下,
其中
其中,d(·,·)为特征间的欧氏距离,α为平衡参数,平衡公式中颜色和位置的重要性,我们设置为0。4。另外,我们设定凸包内超像素的λ值高于凸包外超像素的λ值,使得相对提升凸包内超像素的显著值。然后,将Gi归一化到[0,1]中得到本发明方法的遗传先验图。
对于之前的遗传先验图,虽然凸包可以大致地将图像中显著性目标区域包围住,之后将凸包内的显著性目标区域与背景区分开,但依然存在一些图像,其凸包不能完全将图像的显著性目标区域包围住,使得凸包外部存在显著性目标区域,如果直接将凸包内的显著性目标区域看作整个图像的显著性目标区域,势必会不准确。
为解决此问题,本发明构建中心先验模型。据观察,大多数图像的目标位于图像的中心或中心附近,所以本发明先构建初步中心先验模型,该模型可以将凸包未能包围住的图像区域点亮。但初步中心先验模型点亮显著区域的同时,也会将非显著区域点亮,所以依然会使得结果相对不准确。为此,我们对初步中心先验模型加入颜色特征以构建本发明的中心先验模型,该模型在点亮图像显著区域的同时可以抑制初步中心先验模型所点亮的非显著区域,从而使得检测结果更加准确。
首先,本发明构建的初步中心先验模型c(i)如下,
其中xi和yi表示超像素i的平均水平值和平均垂直坐标值;x0和y0表示输入图像的中心点的水平坐标值和垂直坐标值;参数σx和σy分别表示水平方差和垂直方差,在本发明方法的实现中,我们设定σx=σy=0.5,并且将像素坐标值归一化至[0,1]。
之后,对于图像中每个超像素,通过CIELab颜色特征,构建一个N×N的相关性矩阵
其中i,j∈[1,N],N为图像中超像素的个数,并且dist(i,j)表示第i个和第j个超像素之间颜色的欧式距离,其中,设定dist(i,i)=0。然后计算中每一列的和,得到一个向量计算如下,
我们将向量归一化,并且利用中的值作为每个超像素的权重。之后,我们构建本发明的中心先验模型,计算公式(10)如下,
Ci=vi×c(i) (10)
其中,c(i)为初步中心先验模型,vi表示向量中的第i项。
最后,我们将遗传先验图与中心先验模型进行融合,得到本发明的先验图。对于每个超像素i,我们设定Si表示先验图中该像素的显著值,计算公式(11)如下,
Gi和Ci为公式(4),(10)中的遗传先验图与中心先验模型。β是一个平衡参数,在我们的实验中,β设定为6。
通过凸包内外区域对比的原则,计算全图的似然概率p(v|sal)。显然,凸包内像素的显著性值相对较高。在某些情况下,图像中显著性目标的部分区域并不是很显著,使得方法不准确;而有些背景中与前景颜色相似且颜色显著的像素点,可能会被方法误认为是显著性目标。因此,以凸包为划分,把凸包内部的似然概率作为显著性目标的似然概率;同理,凸包外的似然概率则作为背景的似然概率。
对于凸包内像素的个数n,图像的像素v,nout为凸包外像素的个数,并且,Nin(f(v))和Nout(f(v))分别为凸包内外颜色的统计值。计算全图的似然概率如下:
其中CIELab颜色模型中的L,a,b特征是相互独立的。
最后,对于本发明的先验图Si,Si的值作为第i个超像素的先验概率,对于图像的每个像素v,其先验概率等于该像素所在的超像素的先验概率。再将图像中像素的先验概率与该像素对应的似然概率放入贝叶斯公式,计算得到的概率作为每个像素的显著性值,以此得到最终的显著性图。本发明方法采用的贝叶斯模型公式如下,
其中,p(·)表示概率,p(sal)表示显著性的先验概率,由先验图的Si提供;p(v|sal)表示显著性的似然概率;p(bg)则是背景的概率,p(bg)=1-p(sal)。
实验验证效果:
为了证明本文方法的有效性,本文方法在ASD,MSRA5000,THUS,ECSSD,PASCAL和THUR标准数据库上进行实验,同时也与其它方法的显著图进行对比测试,。
如图2所示为本发明方法与十一种现有方法生成的显著图对比情况(a)输入图;(b)IT;(c)CA;(d)RC;(e)SVO;(f)SF;(g)LMLC;(h)HS;(i)PCA;(j)GC;(k)wCtr;(l)LPS;(m)本发明方法;(n)真值图。可以看出,对于所有输入图像,本发明方法对不同的图像都找出了图像中的显著性目标,这体现出本发明方法的准确率相对较高,即准确率即为本发明方法的优势所在。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。
Claims (8)
1.基于自适应遗传方法的显著性检测方法,其特征在于:
步骤1:根据图像颜色差异分析,建立图像凸包;利用超像素分割方法将输入图像分割成N个超像素,并用超像素代替像素作为显著性检测方法的基本操作单位;
步骤2:利用自适应遗传方法来找出步骤1得到的凸包内显著性的目标并构造遗传先验图;
步骤3:在步骤1得到的凸包中通过颜色和位置构建中心先验模型;
步骤4:将步骤2的遗传先验图与步骤3的中心先验模型融合成先验图;
步骤5:将以凸包为划分,把凸包内部的似然概率作为显著性目标的似然概率引入贝叶斯优化模型来优化步骤4得到的先验图的先验概率,以得到最终的显著图。
2.根据权利要求1所述的方法,其特征在于:步骤1中的图像颜色差异分析是通过采用基于图像灰度的方法:计算点的曲率及梯度来检测角点,并以这些角点围成一块区域作为图像凸包,所述的角点检测算法是Harris角点检测算法。
3.根据权利要求1所述的方法,其特征在于:所述的步骤2中超像素分割方法是SLIC方法。
4.根据权利要求1所述的方法,其特征在于:步骤2中的自适应选择函数是公式(1):
f=n1n2(c1-c2)2 (1)
其中:n1与n2分别为凸包内显著性目标区域超像素个数和背景区域超像素个数,c1与c2分别为上述两区域内的超像素的平均颜色特征值;
交叉算子选用单点交叉,先将解空间中的染色体两两配对,在染色体中以交叉概率pc设定一个交叉点,实行交叉时,使得该点前的两个个体的部分结构进行互换,并生成新个体,交叉概率pc求解公式(2)如下:
<mrow>
<msub>
<mi>p</mi>
<mi>c</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>k</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mi>max</mi>
</msub>
<mo>-</mo>
<msup>
<mi>f</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mi>max</mi>
</msub>
<mo>-</mo>
<mover>
<mi>f</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msup>
<mi>f</mi>
<mo>&prime;</mo>
</msup>
<mo>&GreaterEqual;</mo>
<mover>
<mi>f</mi>
<mo>&OverBar;</mo>
</mover>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>k</mi>
<mn>3</mn>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msup>
<mi>f</mi>
<mo>&prime;</mo>
</msup>
<mo><</mo>
<mover>
<mi>f</mi>
<mo>&OverBar;</mo>
</mover>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
对以变异概率pm挑选解空间的染色体上的基因并进行变异,变异概率pm的求解公式(3)如下:
<mrow>
<msub>
<mi>p</mi>
<mi>m</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>k</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mi>max</mi>
</msub>
<mo>-</mo>
<mi>f</mi>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mi>max</mi>
</msub>
<mo>-</mo>
<mover>
<mi>f</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>f</mi>
<mo>&GreaterEqual;</mo>
<mover>
<mi>f</mi>
<mo>&OverBar;</mo>
</mover>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>k</mi>
<mn>4</mn>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>f</mi>
<mo><</mo>
<mover>
<mi>f</mi>
<mo>&OverBar;</mo>
</mover>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
上述公式(2)和(3)中:fmax为种群最大适应度;为平均适应度;f为变异个体适应度;f'为交叉两个体适应度的较大值;k1~k4为[0,1]内常数,设置k1=k3=1.0,k2=k4=0.5。
5.根据权利要求1所述的方法,其特征在于:步骤2和步骤3中的遗传先验图的构建方法是将输入图像的每个超像素标记为i(i=1,2,···,N);计算所有超像素的平均颜色值和平均位置值,并分别标记为和对于凸包内显著性目标区域(记为s1)中的第p(p∈1,2,···,n1)个超像素,标记为Lp(Lp∈1,2,···,N);然后,对图像中每个超像素进行赋值,公式(4)如下:
<mrow>
<msub>
<mi>G</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
</mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>g</mi>
<mrow>
<mi>i</mi>
<mi>c</mi>
</mrow>
</msub>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
</munderover>
<mi>&delta;</mi>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<msub>
<mi>L</mi>
<mi>p</mi>
</msub>
</mrow>
<mo>)</mo>
<msub>
<mi>g</mi>
<mrow>
<mi>i</mi>
<mi>c</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中
<mrow>
<msub>
<mi>g</mi>
<mrow>
<mi>i</mi>
<mi>c</mi>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<msub>
<mi>L</mi>
<mi>p</mi>
</msub>
<mo>&NotEqual;</mo>
<mi>i</mi>
</mrow>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
</munderover>
<mfrac>
<msub>
<mi>&lambda;</mi>
<mi>i</mi>
</msub>
<mrow>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&mu;</mi>
<mi>i</mi>
<mi>c</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>&mu;</mi>
<msub>
<mi>L</mi>
<mi>p</mi>
</msub>
<mi>c</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&alpha;</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&mu;</mi>
<mi>i</mi>
<mi>s</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>&mu;</mi>
<msub>
<mi>L</mi>
<mi>p</mi>
</msub>
<mi>s</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>&delta;</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<msub>
<mi>L</mi>
<mi>p</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mo>=</mo>
<msub>
<mi>L</mi>
<mi>p</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mo>&NotEqual;</mo>
<msub>
<mi>L</mi>
<mi>p</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
其中d(·,·)为特征间的欧氏距离,α为平衡参数,平衡公式中颜色和位置的重要性,设置为0.4;另外,设定凸包内超像素的λ值高于凸包外超像素的λ值,使得相对提升凸包内超像素的显著值;将Gi归一化到[0,1]中。
6.根据权利要求1所述的方法,其特征在于:步骤3中的中心先验模型的方法是先构建初步中心先验模型c(i):
<mrow>
<mi>c</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mn>0</mn>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msubsup>
<mi>&sigma;</mi>
<mi>x</mi>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
<mo>-</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mn>0</mn>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msubsup>
<mi>&sigma;</mi>
<mi>y</mi>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
其中xi和yi表示超像素i的平均水平值和平均垂直坐标值;x0和y0表示输入图像的中心点的水平坐标值和垂直坐标值;参数σx和σy分别表示水平方差和垂直方差;之后,对于图像中每个超像素,通过CIELab颜色特征,构建一个N×N的相关性矩阵
其中i,j∈[1,N],N为图像中超像素的个数,并且dist(i,j)表示第i个和第j个超像素之间颜色的欧式距离,其中,设定dist(i,i)=0;
计算中每一列的和,得到一个向量计算如下公式(9),
将向量归一化,并且利用中的值作为每个超像素的权重,构建中心先验模型c(i)的计算公式(10)如下:
Ci=vi×c(i) (10)
其中,c(i)为初步中心先验模型,vi表示向量中的第i项。
7.根据权利要求1所述的方法,其特征在于:步骤4中将遗传先验图与中心先验模型进行融合得到先验图的方法是,对于每个超像素i,设定Si表示先验图中该超像素的显著值,计算公式(11)如下:
<mrow>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>G</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<msub>
<mi>&beta;C</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
其中:Gi和Ci为公式(4),(10)中的遗传先验图与中心先验模型.β是平衡参数。
8.根据权利要求1所述的方法,其特征在于:步骤5中采用的贝叶斯优化模型公式如下:
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>|</mo>
<mi>s</mi>
<mi>a</mi>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Pi;</mo>
<mrow>
<mi>f</mi>
<mo>&Element;</mo>
<mo>{</mo>
<mi>L</mi>
<mo>,</mo>
<mi>a</mi>
<mo>,</mo>
<mi>b</mi>
<mo>}</mo>
</mrow>
</munder>
<mfrac>
<mrow>
<msub>
<mi>N</mi>
<mrow>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>(</mo>
<mi>v</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
<mi>n</mi>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>12</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>|</mo>
<mi>b</mi>
<mi>g</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Pi;</mo>
<mrow>
<mi>f</mi>
<mo>&Element;</mo>
<mo>{</mo>
<mi>L</mi>
<mo>,</mo>
<mi>a</mi>
<mo>,</mo>
<mi>b</mi>
<mo>}</mo>
</mrow>
</munder>
<mfrac>
<mrow>
<msub>
<mi>N</mi>
<mrow>
<mi>o</mi>
<mi>u</mi>
<mi>t</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>(</mo>
<mi>v</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mi>n</mi>
<mrow>
<mi>o</mi>
<mi>u</mi>
<mi>t</mi>
</mrow>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>13</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mi>a</mi>
<mi>l</mi>
<mo>|</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mi>a</mi>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>|</mo>
<mi>s</mi>
<mi>a</mi>
<mi>l</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mi>a</mi>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>|</mo>
<mi>s</mi>
<mi>a</mi>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>b</mi>
<mi>g</mi>
<mo>)</mo>
</mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>|</mo>
<mi>b</mi>
<mi>g</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>14</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,n是凸包内像素的个数,v表示图像的像素,nout表示凸包外像素的个数,Nin(f(v))和Nout(f(v))分别为凸包内外颜色的统计值,L,a,b是CIELab颜色模型中的独立特征,p(·)表示概率,p(sal)表示显著性的先验概率,由先验图的Si提供;p(v|sal)表示显著性的似然概率由凸包提供;p(bg)则是背景的概率,p(bg)=1-p(sal)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710841894.0A CN107609594A (zh) | 2017-09-18 | 2017-09-18 | 基于自适应遗传方法的显著性检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710841894.0A CN107609594A (zh) | 2017-09-18 | 2017-09-18 | 基于自适应遗传方法的显著性检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107609594A true CN107609594A (zh) | 2018-01-19 |
Family
ID=61060298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710841894.0A Pending CN107609594A (zh) | 2017-09-18 | 2017-09-18 | 基于自适应遗传方法的显著性检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107609594A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109084777A (zh) * | 2018-09-13 | 2018-12-25 | 黎建军 | 基于自适应遗传算法的粒子滤波定位与地图构建方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105701812A (zh) * | 2016-01-12 | 2016-06-22 | 南京工程学院 | 适用于采棉机器人的视觉识别系统 |
CN106874917A (zh) * | 2017-02-22 | 2017-06-20 | 南京邮电大学 | 一种基于Harris角点的显著性目标检测方法 |
-
2017
- 2017-09-18 CN CN201710841894.0A patent/CN107609594A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105701812A (zh) * | 2016-01-12 | 2016-06-22 | 南京工程学院 | 适用于采棉机器人的视觉识别系统 |
CN106874917A (zh) * | 2017-02-22 | 2017-06-20 | 南京邮电大学 | 一种基于Harris角点的显著性目标检测方法 |
Non-Patent Citations (4)
Title |
---|
NA TONG等: "Saliency Detection with Multi-Scale Superpixels", 《IEEE SIGNAL PROCESSING LETTERS》 * |
XIAOHUI SHEN等: "A Unified Approach to Salient Object Detection via Low Rank Matrix Recovery", 《2012 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
谢玉琳: "贝叶斯框架下的图像显著性检测", 《中国优秀硕士学位论文全文数据库 信息科技辑 ISSN 1674-0246》 * |
邓晨等: "融合多尺度对比与贝叶斯模型的显著目标检测", 《计算机工程与应用》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109084777A (zh) * | 2018-09-13 | 2018-12-25 | 黎建军 | 基于自适应遗传算法的粒子滤波定位与地图构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113160192B (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
CN109670528B (zh) | 面向行人重识别任务的基于成对样本随机遮挡策略的数据扩充方法 | |
CN111079602B (zh) | 基于多尺度区域特征约束的车辆细粒度识别方法及装置 | |
CN109829398B (zh) | 一种基于三维卷积网络的视频中的目标检测方法 | |
CN109993072B (zh) | 基于超分辨图像生成的低分辨率行人重识别系统和方法 | |
CN103544506B (zh) | 一种基于卷积神经网络的图像分类方法和装置 | |
CN111695482A (zh) | 一种管道缺陷识别方法 | |
CN108830188A (zh) | 基于深度学习的车辆检测方法 | |
CN109583425A (zh) | 一种基于深度学习的遥感图像船只集成识别方法 | |
CN106529499A (zh) | 基于傅里叶描述子和步态能量图融合特征的步态识别方法 | |
CN104484681B (zh) | 基于空间信息和集成学习的高光谱遥感影像分类方法 | |
CN104573744B (zh) | 精细粒度类别识别及物体的部分定位和特征提取方法 | |
CN109583483A (zh) | 一种基于卷积神经网络的目标检测方法和系统 | |
CN105488809A (zh) | 基于rgbd描述符的室内场景语义分割方法 | |
CN113920107A (zh) | 一种基于改进yolov5算法的绝缘子破损检测方法 | |
CN106023257A (zh) | 一种基于旋翼无人机平台的目标跟踪方法 | |
CN105427309A (zh) | 面向对象高空间分辨率遥感信息提取的多尺度分层处理方法 | |
CN113435282B (zh) | 基于深度学习的无人机影像麦穗识别方法 | |
CN112926652B (zh) | 一种基于深度学习的鱼类细粒度图像识别方法 | |
CN107392929A (zh) | 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法 | |
CN104657980A (zh) | 一种改进的基于Meanshift的多通道图像分割算法 | |
CN114863263B (zh) | 基于跨尺度分层特征融合对类内遮挡的乌鳢检测的方法 | |
CN110689044A (zh) | 一种结合目标间关系的目标检测方法及系统 | |
CN106408009B (zh) | 基于深度置信网络的邻域加权平均高光谱图像分类方法 | |
CN109636846A (zh) | 基于循环注意力卷积神经网络的目标定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180119 |