CN109522909A - 一种基于空间、颜色和中央偏置先验的概率超图构造方法 - Google Patents

一种基于空间、颜色和中央偏置先验的概率超图构造方法 Download PDF

Info

Publication number
CN109522909A
CN109522909A CN201811418915.9A CN201811418915A CN109522909A CN 109522909 A CN109522909 A CN 109522909A CN 201811418915 A CN201811418915 A CN 201811418915A CN 109522909 A CN109522909 A CN 109522909A
Authority
CN
China
Prior art keywords
vertex
super
color
center
probability
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.)
Granted
Application number
CN201811418915.9A
Other languages
English (en)
Other versions
CN109522909B (zh
Inventor
张金霞
魏海坤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201811418915.9A priority Critical patent/CN109522909B/zh
Publication of CN109522909A publication Critical patent/CN109522909A/zh
Application granted granted Critical
Publication of CN109522909B publication Critical patent/CN109522909B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
    • G06V10/426—Graphical representations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于空间、颜色和中央偏置先验的概率超图构造方法，包括：将输入图像过分割成多个图像区域，计算各图像区域的特征，并将各个图像区域定义为概率超图的顶点；基于空间先验为每个顶点构造一条空间超边，基于颜色先验为每个顶点构造一条颜色超边，基于中央偏置先验为每个位于图像边缘的顶点构造一条中央偏置超边，超边中各顶点属于超边的概率等于顶点与质心点的特征相似度；超图中的超边是三种超边的集合，将超边权重定义为超边中各顶点属于超边概率的平方和。本发明充分考虑空间先验、颜色先验和中央偏置先验构造概率超图，能够有效描述复杂自然场景图像中各图像区域之间的复杂关系，有助于在复杂自然场景图像中进行显著目标检测。

Description

一种基于空间、颜色和中央偏置先验的概率超图构造方法
技术领域
本发明属于图像处理技术领域，具体涉及一种基于空间、颜色和中央偏置先验的概率超图构造方法。
背景技术
近些年，一些研究人员提出基于图的方法来对图像进行处理。这些方法用描述两两顶点之间二元关系的简单图来描述输入的图像。在一个简单图中，图像区域被定义为图的顶点，两个相近的图像区域进行相连作为图的边，而边权定义为顶点之间的相似度。简单图能够简洁方便地描述图像中包含的信息，在图像处理领域取得了一定的成果。
然而，使用简单图来描述图像区域之间的二元关系并不能描述出输入图像中的所有关键信息。除了图像区域之间的二元关系之外，多个图像区域之间的多元关系也非常重要。而超图能够很好地描述多个图像区域之间的多元关系。在超图当中，超边可以包含两个或两个以上的顶点，能够描述多个顶点之间的关系。但现有超图相关研究较少，尚不能描述复杂自然场景图像包含的关键信息。
发明内容
为解决上述问题，本发明提供一种基于空间、颜色和中央偏置先验的概率超图构造方法，基于空间先验、颜色先验和中央偏置等三种图像先验知识构造概率超图，使之能够有效描述复杂自然场景图像包含的关键信息。
为了达到上述目的，本发明提供如下技术方案：
一种基于空间、颜色和中央偏置先验的概率超图构造方法，包括如下步骤：
S1：将输入图像过分割成多个图像区域，计算各个图像区域的特征，并将各个图像区域定义为概率超图的顶点；
S2：基于空间先验，为每个顶点构造一条空间超边，这条空间超边以该顶点为质心点，包含该顶点以及与该顶点在空间上共享边的邻居顶点，超边中各顶点属于超边的概率等于顶点与质心点的特征相似度；
S3：基于颜色先验，为每个顶点构造一条颜色超边，这条颜色超边以该顶点为质心点，包含该顶点以及与其颜色相似的顶点，超边中各顶点属于超边的概率等于顶点与质心点的特征相似度；
S4：基于中央偏置先验，为每个位于图像边缘的顶点构造一条中央偏置超边，这条中央偏置超边以该顶点为质心点，包含该顶点和其余所有位于图像边缘的顶点，超边中各顶点属于超边的概率等于顶点与质心点的特征相似度；
S5：超图中的超边是步骤S2、步骤S3和步骤S4中所定义的三种超边的集合，将超边的权重定义为超边中各顶点属于超边概率的平方和。
进一步的，所述步骤S1中，使用Simple Linear Iterative Clustering算法将输入图像过分割成若干个图像区域，将这些图像区域定义为概率超图的顶点。
进一步的，所述步骤S1中分割成200个图像区域，用Vi代表概率超图的顶点，i是对应顶点的下标，1≤i≤200。
进一步的，所述步骤S1中，各个图像区域的颜色特征定义为该图像区域中各像素点颜色特征的平均值。
进一步的，所述步骤S2中，特征相似度通过如下公式计算：
其中，Vi和Vj是两个顶点，，ESi是以顶点Vi为质心点的空间超边，p(Vj|ESi)为顶点Vj属于该超边ESi的概率，F(Vi)和F(Vj)分别是顶点Vi和顶点Vj的特征，||F(Vi)-F(Vj)||计算的是两个顶点间特征的欧几里得距离，尺度参数σ2是控制特征距离对特征相似度影响的一个常数。
进一步的，所述尺度参数σ2设置为0.1，顶点的特征F(Vi)使用CIELab颜色特征。
进一步的，所述步骤S3中，颜色相似的顶点是指两个顶点的CIELab颜色特征的欧几里得距离小于0.1。
进一步的，所述步骤S5中，超边的权重定义为如下公式：
其中，Ej为超边，W(Ej)为超边的权重，Vi为顶点，Ej＝{ESj,ECj,EBj}，ESj为空间超边，ECj为颜色超边，EBj为中央偏置超边。
与现有技术相比，本发明具有如下优点和有益效果：
本发明充分利用图像的三种先验知识：空间先验、颜色先验和中央偏置先验，来构造概率超图，使之能够有效描述复杂自然场景图像中多个图像区域之间的复杂关系，从而有助于在复杂自然场景图像中进行显著目标检测。
附图说明
图1为本发明提供的基于空间、颜色和中央偏置先验的概率超图构造方法流程图。
具体实施方式
以下将结合具体实施例对本发明提供的技术方案进行详细说明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
本发明提供的基于空间、颜色和中央偏置先验的概率超图构造方法，其流程如图1所示，依次包括以下步骤：
S1：使用现有的Simple LinearIterative Clustering(SLIC)算法将输入图像过分割成200个图像区域，将这些图像区域定义为概率超图的顶点。用Vi代表概率超图的顶点，i是对应顶点的下标，1≤i≤200。计算各个图像区域的颜色特征，各个图像区域的颜色特征定义为该图像区域中各像素点颜色特征的平均值。
S2：基于空间先验，为每个顶点Vi构造一条空间超边ESi，这条空间超边以该顶点为质心点，包含该顶点以及与该顶点在空间上共享边的邻居顶点。图1针对空间先验给出了两种示例，其一为顶点位于图像中部，不位于图像边缘，其二为顶点位于图像边缘。
超边中各顶点属于超边的概率等于顶点与质心点的特征相似度：如果顶点Vj属于以顶点Vi为质心点的空间超边ESi，即Vj∈ESi，那么顶点Vj属于该超边ESi的概率p(Vj|ESi)定义为顶点Vj和顶点Vi的特征相似度。
公式中F(Vi)和F(Vj)分别是顶点Vi和顶点Vj的特征，||F(Vi)-F(Vj)||计算的是两个顶点间特征的欧几里得距离，尺度参数σ2是控制特征距离对特征相似度影响的一个常数，设置为0.1。本发明中，顶点的特征使用CIELab颜色特征，即根据顶点的CIELab特征计算特征相似度。
S3：基于颜色先验为每个顶点Vi构造一条颜色超边ECi：这条颜色超边以该顶点为质心点，包含该顶点以及与其颜色相似的顶点。如果两个顶点的CIELab颜色特征的欧几里得距离小于0.1，则互为颜色相似的顶点。根据顶点与超边质心点的特征相似度计算超边中各顶点属于超边的概率(同步骤S2中计算公式)。图1针对颜色先验给出了两种示例，其一为顶点Vi位于图像中部，不位于图像边缘，其二为顶点Vi位于图像边缘。
S4：基于中央偏置先验，为每个位于图像边缘的顶点Vi构造一条中央偏置超边EBi：这条中央偏置超边以该顶点为质心点，包含该顶点和其余所有位于图像边缘的顶点。根据顶点与超边质心点的特征相似度计算超边中各顶点属于超边的概率(同步骤S2中计算公式)。图1针对中央偏置先验给出了一种示例，为顶点Vi位于图像边缘，不位于图像边缘的顶点没有对应的中央偏置超边。
S5：超图中的超边E是步骤S2、步骤S3和步骤S4中所定义的三种超边的集合，即E＝{ES,EC,EB}；将某条超边Ej的权重W(Ej)定义为超边中各顶点属于该超边的概率的平方和。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (8)

1.一种基于空间、颜色和中央偏置先验的概率超图构造方法，其特征在于，包括如下步骤：
S1：将输入图像过分割成多个图像区域，计算各个图像区域的特征，并将各个图像区域定义为概率超图的顶点；
S2：基于空间先验，为每个顶点构造一条空间超边，这条空间超边以该顶点为质心点，包含该顶点以及与该顶点在空间上共享边的邻居顶点，超边中各顶点属于超边的概率等于顶点与质心点的特征相似度；
S3：基于颜色先验，为每个顶点构造一条颜色超边，这条颜色超边以该顶点为质心点，包含该顶点以及与其颜色相似的顶点，超边中各顶点属于超边的概率等于顶点与质心点的特征相似度；
S4：基于中央偏置先验，为每个位于图像边缘的顶点构造一条中央偏置超边，这条中央偏置超边以该顶点为质心点，包含该顶点和其余所有位于图像边缘的顶点，超边中各顶点属于超边的概率等于顶点与质心点的特征相似度；
S5：超图中的超边是步骤S2、步骤S3和步骤S4中所定义的三种超边的集合，将超边的权重定义为超边中各顶点属于超边概率的平方和。
2.根据权利要求1所述的基于空间、颜色和中央偏置先验的概率超图构造方法，其特征在于，所述步骤S1中，使用Simple Linear Iterative Clustering算法将输入图像过分割成若干个图像区域，将这些图像区域定义为概率超图的顶点。
3.根据权利要求2所述的基于空间、颜色和中央偏置先验的概率超图构造方法，其特征在于，所述步骤S1中分割成200个图像区域，用Vi代表概率超图的顶点，i是对应顶点的下标，1≤i≤200。
4.根据权利要求1所述的基于空间、颜色和中央偏置先验的概率超图构造方法，其特征在于，所述步骤S1中，各个图像区域的颜色特征定义为该图像区域中各像素点颜色特征的平均值。
5.根据权利要求1所述的基于空间、颜色和中央偏置先验的概率超图构造方法，其特征在于，所述步骤S2中，特征相似度通过如下公式计算：
其中，Vi和Vj是两个顶点，ESi是以顶点Vi为质心点的空间超边，p(Vj|ESi)为顶点Vj属于该超边ESi的概率，F(Vi)和F(Vj)分别是顶点Vi和顶点Vj的特征，||F(Vi)-F(Vj)||计算的是两个顶点间特征的欧几里得距离，尺度参数σ2是控制特征距离对特征相似度影响的一个常数。
6.根据权利要求5所述的基于空间、颜色和中央偏置先验的概率超图构造方法，其特征在于，所述尺度参数σ2设置为0.1，顶点的特征F(Vi)使用CIELab颜色特征。
7.根据权利要求1所述的基于空间、颜色和中央偏置先验的概率超图构造方法，其特征在于，所述步骤S3中，颜色相似的顶点是指两个顶点的CIELab颜色特征的欧几里得距离小于0.1。
8.根据权利要求1所述的基于空间、颜色和中央偏置先验的概率超图构造方法，其特征在于，所述步骤S5中，超边的权重定义为如下公式：
其中，Ej为超边，W(Ej)为超边的权重，Vi为顶点，Ej＝{ESj,ECj,EBj}，ESj为空间超边，ECj为颜色超边，EBj为中央偏置超边。
CN201811418915.9A 2018-11-26 2018-11-26 一种基于空间、颜色和中央偏置先验的概率超图构造方法 Active CN109522909B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811418915.9A CN109522909B (zh) 2018-11-26 2018-11-26 一种基于空间、颜色和中央偏置先验的概率超图构造方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811418915.9A CN109522909B (zh) 2018-11-26 2018-11-26 一种基于空间、颜色和中央偏置先验的概率超图构造方法

Publications (2)

Publication Number Publication Date
CN109522909A true CN109522909A (zh) 2019-03-26
CN109522909B CN109522909B (zh) 2022-03-11

Family

ID=65793443

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811418915.9A Active CN109522909B (zh) 2018-11-26 2018-11-26 一种基于空间、颜色和中央偏置先验的概率超图构造方法

Country Status (1)

Country Link
CN (1) CN109522909B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793925A (zh) * 2014-02-24 2014-05-14 北京工业大学 融合时空特征的视频图像视觉显著程度检测方法
CN105913463A (zh) * 2016-04-11 2016-08-31 中南大学 一种基于位置先验的纹理-颜色特征全局显著性检测方法
CN107256412A (zh) * 2017-05-26 2017-10-17 东南大学 一种基于多人眼感知分组特性的图构造方法
CN108022244A (zh) * 2017-11-30 2018-05-11 东南大学 一种基于前景和背景种子用于显著目标检测的超图优化方法
CN108052939A (zh) * 2017-11-30 2018-05-18 东南大学 一种基于多图优化和稀有特性的显著目标检测方法
EP3333771A1 (en) * 2016-12-09 2018-06-13 Fujitsu Limited Method, program, and apparatus for comparing data hypergraphs
CN108537816A (zh) * 2018-04-17 2018-09-14 福州大学 一种基于超像素和背景连接先验的显著物体分割方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793925A (zh) * 2014-02-24 2014-05-14 北京工业大学 融合时空特征的视频图像视觉显著程度检测方法
CN105913463A (zh) * 2016-04-11 2016-08-31 中南大学 一种基于位置先验的纹理-颜色特征全局显著性检测方法
EP3333771A1 (en) * 2016-12-09 2018-06-13 Fujitsu Limited Method, program, and apparatus for comparing data hypergraphs
CN107256412A (zh) * 2017-05-26 2017-10-17 东南大学 一种基于多人眼感知分组特性的图构造方法
CN108022244A (zh) * 2017-11-30 2018-05-11 东南大学 一种基于前景和背景种子用于显著目标检测的超图优化方法
CN108052939A (zh) * 2017-11-30 2018-05-18 东南大学 一种基于多图优化和稀有特性的显著目标检测方法
CN108537816A (zh) * 2018-04-17 2018-09-14 福州大学 一种基于超像素和背景连接先验的显著物体分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JINXIA ZHANG: "A novel graph-based optimization framework for salient object detection", 《PATTERN RECOGNITION》 *
郭千文: "基于超像素的交互式图像分割方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Also Published As

Publication number Publication date
CN109522909B (zh) 2022-03-11

Similar Documents

Publication Publication Date Title
CN106997597B (zh) 一种基于有监督显著性检测的目标跟踪方法
US10706549B2 (en) Iterative method for salient foreground detection and multi-object segmentation
Zhang et al. A new haze removal approach for sky/river alike scenes based on external and internal clues
CN101777129B (zh) 一种基于特征检测的图像匹配方法
CN107358245B (zh) 一种图像协同显著区域的检测方法
Panda et al. Edge magnitude based multilevel thresholding using Cuckoo search technique
JP5766620B2 (ja) 物体領域検出装置、方法、及びプログラム
Kim et al. SVD face: illumination-invariant face representation
CN102855478B (zh) 图像中文本区域定位方法和装置
US20160078634A1 (en) Methods and systems for image matting and foreground estimation based on hierarchical graphs
CN111310768B (zh) 基于鲁棒性背景先验和全局信息的显著性目标检测方法
CN106991661A (zh) 融合kl变换与灰色关联度的非局部均值去噪方法
CN104036468A (zh) 基于预放大非负邻域嵌入的单帧图像超分辨重建方法
CN110853064A (zh) 一种基于最小模糊散度的图像协同分割方法
CN108491883B (zh) 一种基于条件随机场的显著性检测优化方法
Liu et al. Visible–infrared dual-sensor fusion for single-object tracking
CN117689876A (zh) 一种鸟类视觉启发的复杂背景下运动目标显著性检测方法
CN106056575B (zh) 一种基于似物性推荐算法的图像匹配方法
CN109522909A (zh) 一种基于空间、颜色和中央偏置先验的概率超图构造方法
CN111340741A (zh) 基于四元数与l1范数的粒子群优化灰度图像增强方法
CN110570450A (zh) 一种基于级联的上下文感知框架的目标跟踪方法
CN110969639A (zh) 一种基于lfmvo优化算法的图像分割方法
Bui et al. Evaluating a color-based active basis model for object recognition
CN112417961B (zh) 一种基于场景先验知识的海面目标检测方法
CN110599466B (zh) 一种成分投影优化分离的高光谱异常探测方法

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
GR01 Patent grant
GR01 Patent grant