CN110211115B - 一种基于深度引导元胞自动机的光场显著性检测实现方法 - Google Patents

Abstract

本发明公开了一种基于深度引导元胞自动机的光场显著性检测实现方法，其特征在于，包括如下步骤：A、背景种子选取B_k；B、得到深度引导的显著性图S_dI(i)；C、通过深度引导的元胞自动机模型优化所述深度引导的显著性图S_dI(i)得到显著性结果

D、对所述显著性结果

进行后处理得到最终显著性预测结果。本发明构建了深度引导的元胞自动机模型利用图像相似区域之间的相互作用更新优化显著性预测结果，本方法对于很多有挑战性的场景都能取得准确的预测结果。

Description

一种基于深度引导元胞自动机的光场显著性检测实现方法

技术领域

本发明涉及到计算机视觉及光场技术领域，是一种利用光场多模态信息进行显著性检测，并通过深度引导元胞自动机模型优化更新，实现复杂场景下高质量的显著性检测结果的方法，具体为一种基于深度引导元胞自动机的光场显著性检测实现方法。

背景技术

显著性检测是指在一幅图像里，寻找出最吸引人类视觉注意的像素或区域。显著性检测可以作为图像处理任务的预处理过程。让计算机先检测出人类所感兴趣的区域，然后对检测出的区域进行后续方法的处理。比如，在进行目标识别时，我们不需要对整张图像进行滑动窗遍历，而是先进行显著性检测，然后只对显著性区域的目标进行识别。准确可靠的显著性检测可以节省计算量的同时，提高精确度，使许多视觉图形学中的图像跟踪和识别处理任务受益。

根据输入图像的不同类型，显著性检测可以分为三种：2D显著性检测、3D显著性检测和光场(4D)显著性检测。2D显著性检测的输入是RGB彩色图像；3D显著性检测的输入是三维形式的图像，包括RGB彩色图像和相对应的深度图像；4D光场显著性检测的输入是光场图像，包括全聚焦RGB图像、焦点堆栈图像(一系列聚焦在不同深度层面物体上的聚焦切片图像)和深度图。光场图像的具体形式如图1所示。

最常见的显著性检测方法是2D显著性检测，它们使用2D视觉信息，比如图像颜色、亮度和纹理等。尽管这些方法在现存的2D显著性检测数据库上取得了很好的检测结果，但是它们在复杂场景下，仍然存在着错检和漏检的问题，比如当背景杂乱时，当背景区域和前景物体有着相似的颜色时。这是因为这些方法都是基于一些潜在的假设，比如说，前景和背景的颜色对比度一般比较高(颜色先验)，图像的背景区域颜色一般比较简单平滑，出现在图像边缘的一般是显著性物体(边界先验)等等。但是，现实生活中的场景多种多样，这样的假设经常被打破。

3D图像里的深度图像提供了场景的空间分布信息，在一定程度上可以改善显著性检测的结果。但是目前大部分的检测方法基于深度先验(即显著性物体出现在靠近拍摄者的区域)，因此需要高质量的深度图。不准确的深度图会使方法出现错检或漏检问题。对于前背景颜色、深度相似等复杂场景，3D显著性检测方法不能准确检测出显著性区域。

因此，我们考虑，对于生活中的复杂场景(比如前背景颜色、深度相似)，利用其他的信息(比如人眼在不同深度层面的移动过程)，可否帮助区分显著性物体和背景区域，提高检测结果的精确度。受此启发，随着光场相机的出现，光场显著性检测方法近些年来被提出。光场显著性方法通过利用光场数据里丰富的信息来实现高质量的检测。近些年提出的一些优秀的光场显著性检测方法证明了在显著性检测里，使用丰富的光场信息(包括深度信息、聚焦信息、位置信息和颜色信息等)的有效性。但是，现有的光场显著性检测方法存在着以下两个问题。首先，光场的相关信息在使用的过程中，通常是以简单的线性方法进行结合，光场各个信息之间的互补性和相互作用性并没有考虑在内。其次，图像的空间一致性也往往被忽略。因为以上两个问题，光场显著性检测方法在复杂场景下，检测的显著性区域仍然存在着错检、漏检的情况。

目前的显著性检测方法在复杂场景下存在着漏检和错检问题，日常生活中存在很多复杂场景，研究在复杂场景下的显著性检测有着重要意义。

发明内容

根据上述提出的技术问题，而提供一种基于深度引导元胞自动机的光场显著性检测实现方法。本发明采用的技术手段如下：

一种基于深度引导元胞自动机的光场显著性检测实现方法，包括如下步骤：

A、背景种子选取B_k，其步骤如下：

A1、选取背景切片I^B：

根据图像信息计算焦点堆栈里不同聚焦切片(I^k,k＝1,2,…K)的聚焦区域；

利用深度图计算图像物体重心(x_o,y_o)；以图像重心为中心，设计逆物体偏置的高斯滤波器G(x,y)，根据每张聚焦切片的聚焦区域与物体重心的位置来选取最大概率聚焦在背景区域的切片作为背景切片I^B；

A2、得到物体引导的深度图d_og(i)：

通过简单线性迭代聚类方法(SLIC)把全聚焦图像分成N个超像素，每个超像素用i表示；

根据背景切片I^B的聚焦区域、超像素的位置信息和深度信息，计算每个超像素的前景概率P_fg(i)；

将前景概率和深度图相乘，计算得到物体引导的深度图d_og(i)；

A3、选取背景种子B_k：将基于深度先验和基于边缘先验选取背景种子结合，作为最终的背景种子B_k：

基于深度先验选取深度先验背景种子：对于非边缘的超像素，将每个超像素对应的物体引导的深度图设定阈值TH₁，把小于阈值的区域认为是深度先验背景种子；

基于边缘先验选取边缘先验背景种子：对于边缘超像素，选取在物体引导的深度图中的值小于阈值TH₂的边缘超像素作为边缘先验背景种子；

将所述深度先验背景种子和边缘先验背景种子的并集作为背景种子B_k；

所述阈值TH₁和所述TH₂定义如下：

其中，Th₁和Th₂分别为控制参数，

表示所述物体引导的深度图里所有像素的平均值；

B、得到深度引导的显著性图S_dI(i)，其包括如下步骤：

B1、得到基于对比的显著性图：

所述基于对比的显著性图S_cc(i)通过计算超像素i和背景种子B_k之间的特征距离得到；

B2、得到深度引导的显著性图S_dI(i)：

所述深度引导的显著性图S_dI(i)通过权重相乘所述基于对比的显著性图S_cc(i)和所述物体引导的深度图d_og(i)得到；

C、通过深度引导的元胞自动机模型优化所述深度引导的显著性图S_dI(i)得到显著性结果

其包括如下步骤：

C1、构建深度引导的元胞自动机图模型：

在所述元胞自动机图模型里，每一个所述超像素代表一个元胞，每个超像素的显著性预测值就是当前元胞的状态，每个元胞的下一个状态由此元胞当前的状态和它的邻居的当前状态来决定，如果两个所述元胞在所述深度引导的元胞自动机图模型里相连接，则这两个元胞互为邻居；

对于所述深度引导的元胞自动机图模型中位于图像边缘的元胞，只有属于背景种子B_k中的元胞互相连接；

对于所述深度引导的元胞自动机图模型中不属于图像边缘的元胞，它们的邻居区域NB^*(i)不仅需要是元胞i在所述深度引导的元胞自动机图模型里的2层邻居，而且需要元胞i及其邻居在物体引导的深度图的值在相同的范围内；

NB^*(i)＝{j|(j∈NB(i))∩||(d_og(j)-d_og(i)||＜Th₃)}

其中，NB(i)是元胞i在图模型里的2层邻居(包括包围当前元胞i的元胞，以及和这些元胞有着共同边缘的其他元胞)，而且需要元胞i及其邻居在物体引导的深度图的值在相同的范围里，也就是元胞和它的邻居应该是属于同一个物体的；Th₃是控制当前元胞邻居的常量参数，j代表超像素；

C2、使用所述深度引导的元胞自动机模型优化所述深度引导的显著性图S_dI(i)进行优化更新：

每一个元胞的下一个状态S^t+1由当前状态S^t及其邻居的状态决定，元胞下一个状态S^t+1定义如下：

其中，E是单位矩阵；当t＝0时，初始状态的S^t是在所述步骤B中得到的深度引导的显著性图S_dI，显著性结果

是经过T_S时间之后的显著性图；DF^*是初始影响因子矩阵DF中的数值归一化之后得到的影响因子矩阵，其用于控制邻居对当前元胞的影响；

D_F为对角矩阵，D_F＝diag{∑_jdf_1j,∑_jdf_2j,…∑_jdf_Nj}

df(i,j)是所述初始影响因子矩阵DF中的矩阵元素，且为所述深度引导的元胞自动机模型中元胞i及其邻居j之间的影响因子，定义为GIE,LAB颜色空间和深度空间的差异；

其中，

是控制相似性的常量；CD(i,j)是颜色空间的差异，DD(i,j)是深度空间的差异；

为初始相干矩阵C_d中的数值归一化之后得到的相干矩阵，其用于权衡元胞当前状态和它的邻居状态的重要性；

初始的相干矩阵C_d＝diag{C_d1,C_d2,...,C_dN}；

其中，a和b为用来控制元胞当前的状态和邻居的状态对下一状态的影响权重的常量；

D、对所述显著性结果

进行后处理得到最终显著性预测结果，其包括如下步骤：

D1、融合

通过贝叶斯融合框架来融合所述深度引导的显著性图S_dI(i)和显著性结果

得到融合预测结果

其中，

是把S_dI(i)作为先验，得到的

的后验概率；

是把

作为先验，得到的S_dI(i)的后验概率；

D2、优化：

使用像素级别的显著性细化模型CRF来优化融合预测结果

得到高质量精确的最终显著性预测结果。

进一步地，在所述步骤A2中所述的N取300。

进一步地，步骤A3中所述的Th₁取0.2-0.5，所述的Th₂取1.7-1.9。

进一步地，在所述步骤C1中所述的Th₃取0.35-0.50。

进一步地，步骤C2中所述的T_S取20。

进一步地，步骤C2中所述的a取0.6，b取0.2。

本发明针对目前显著性检测方法对于生活中的多种复杂场景(比如杂乱的背景区域；背景区域和前景区域颜色、深度相似；显著性物体出现在图像的边缘区域等)并不能取得准确的检测结果这一问题，提出了一种基于深度引导元胞自动机的光场显著性检测实现方法。这一方法考虑了光场数据的颜色、深度和聚焦等多模态特征之间的相关性。首先，方法使用光场多模态特征构建了物体引导的深度图。与初始的深度图相比，在物体引导的深度图里，显著性物体相对突出，背景区域相对不明显。物体引导的深度图可以作为一个引导者来利用光场多模态不同信息之间的互补性和相互作用性。然后，方法构建了深度引导的元胞自动机模型(Depth-induced Cellular Automata(DCA))来利用图像相似区域之间的相互作用(图像的空间一致性)更新优化显著性预测结果。每个像素下一个状态的显著性值由像素当前状态的显著性值和像素邻居的显著性值来决定。光场图像包含的多模态信息被用来定义各个像素的邻居和像素的更新原则。实验结果表明，本发明提出的基于深度引导的元胞自动机的显著性检测方法对于很多有挑战性的场景都能取得准确的预测结果。

基于上述理由本发明可在计算机视觉及光场等领域广泛推广。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明背景技术中提到的光场图像示意图。

图2是本发明具体实施方式中一种基于深度引导元胞自动机的光场显著性检测实现方法流程图。

图3是本发明具体实施方式中深度引导的元胞自动机中的图模型。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图2-图3所示，一种基于深度引导元胞自动机的光场显著性检测实现方法，包括如下步骤：

A、背景种子选取B_k，其步骤如下：

A1、选取背景切片I^B：

根据图像信息计算焦点堆栈里不同聚焦切片(I^k,k＝1,2,…K)的聚焦区域；

利用深度图计算图像物体重心(x_o,y_o)；以图像重心为中心，设计逆物体偏置的高斯滤波器G(x,y)，根据每张聚焦切片的聚焦区域与物体重心的位置来选取最大概率聚焦在背景区域的切片作为背景切片I^B；

物体重心(x_o,y_o)可由如下公式计算：

其中，

是把深度图d(x,y)的像素沿x轴计算得的一维深度图，

是沿着y轴的一维深度图，W和H分别表示聚焦切片的宽和高；

高斯滤波器G(x,y)的计算公式如下：

其中，σ_x ²和σ_y ²定义了提出的逆物体偏置的高斯滤波器的大小，本实施例中σ_x＝0.45×W，σ_y＝0.25×H；

每个聚焦切片I^k,(k＝1,2,…K)的背景概率BLS(I^k)可由以下公式计算得到：

其中

是不同深度聚焦切片的背景概率权重，λ＝0.2。

我们选取背景概率BLS(I^k)最高的聚焦切片I^k为最终的背景切片I^B；

A2、得到物体引导的深度图d_og(i)：

通过简单线性迭代聚类方法(SLIC)把全聚焦图像分成N个超像素，N为300，每个超像素用i表示；

根据背景切片I^B的聚焦区域、超像素的位置信息和深度信息，计算每个超像素的前景概率P_fg(i)；前景概率P_fg(i)的计算公式如下：

其中，

是背景切片I^B对应的聚焦图

上超像素点i的聚焦值，σ_B是控制前景概率的常量，本实施例σ_B＝0.2，C是坐标为(x₀,y₀)的物体中心，U_pos(i)是超像素i的位置坐标，d(i)表示深度图上的超像素i的深度值(在光场显著性检测LFSD数据库里，像素深度值d(i)越大，当前像素越靠近拍摄者中深度值大的区域)；

将前景概率和深度图相乘，计算得到物体引导的深度图d_og(i)；

d_og(i)＝d(i)×P_fg(i)   (5)

A3、选取背景种子B_k：将基于深度先验和基于边缘先验选取背景种子结合，作为最终的背景种子B_k：

基于深度先验选取深度先验背景种子：对于非边缘的超像素，将每个超像素对应的物体引导的深度图设定阈值TH₁，把小于阈值的区域认为是深度先验背景种子；但是，对于深度图不准确或者深度图变化范围很小的场景，单纯的给物体引导的深度图设定阈值确定背景区域是不可靠的或者不足够的。所以作为补充，接下来基于边缘先验选取边缘先验背景种子；

基于边缘先验选取边缘先验背景种子：对于边缘超像素，选取在物体引导的深度图中的值小于阈值TH₂的边缘超像素作为边缘先验背景种子；

将所述深度先验背景种子和边缘先验背景种子的并集作为背景种子B_k；

所述阈值TH₁和所述TH₂定义如下：

其中，Th₁和Th₂分别为控制参数，Th₁取0.3，Th₂取1.8，

表示所述物体引导的深度图里所有像素的平均值；

B、得到深度引导的显著性图S_dI(i)，其包括如下步骤：

B1、得到基于对比的显著性图：

所述基于对比的显著性图S_cc(i)通过计算超像素i和背景种子B_k之间的特征距离得到；

其中，W_pos(i,j)是超像素i和超像素j之间的空间距离，CD(i,j)是超像素i和超像素j之间的颜色距离。

PD(i,j)＝||U_pos(i)-U_pos(j)||   (10)

DD(i,j)＝||d_og(i)-d_og(j)||   (11)

CD(i,j)＝||U_fea(i)-U_fea(j)||   (12)

其中，U_fea(i)是超像素i在CIE LAB颜色空间的颜色特征，σ₁是控制权重的常数，本实施例中设置σ₁＝1.3；

B2、得到深度引导的显著性图S_dI(i)：

所述深度引导的显著性图S_dI(i)通过权重相乘所述基于对比的显著性图S_cc(i)和所述物体引导的深度图d_og(i)得到；

S_dI(i)＝S_ccw(i)×d_ogw(i)   (13)

其中，d_ogw(i)是经过变权重得到的物体引导的深度图；

S_ccw(i)是变化权重之后的基于对比的显著性图；

其中，

C、通过深度引导的元胞自动机模型优化所述深度引导的显著性图S_dI(i)得到显著性结果

其包括如下步骤：

C1、构建深度引导的元胞自动机图模型：

在所述元胞自动机图模型里，每一个所述超像素代表一个元胞，每个超像素的显著性预测值就是当前元胞的状态，每个元胞的下一个状态由此元胞当前的状态和它的邻居的当前状态来决定，如果两个所述元胞在所述深度引导的元胞自动机图模型里相连接，则这两个元胞互为邻居；

对于所述深度引导的元胞自动机图模型中位于图像边缘的元胞，只有属于背景种子B_k中的元胞互相连接；

对于所述深度引导的元胞自动机图模型中不属于图像边缘的元胞，它们的邻居区域NB^*(i)不仅需要是元胞i在所述深度引导的元胞自动机图模型里的2层邻居，而且需要元胞i及其邻居在物体引导的深度图的值在相同的范围内；

NB^*(i)＝{j|(j∈NB(i))∩||(d_og(j)-d_og(i)||＜Th₃)}   (16)

其中，NB(i)是元胞i在图模型里的2层邻居(包括包围当前元胞i的元胞，以及和这些元胞有着共同边缘的其他元胞)，而且需要元胞i及其邻居在物体引导的深度图的值在相同的范围里，也就是元胞和它的邻居应该是属于同一个物体的；Th₃是控制当前元胞邻居的常量参数，j代表超像素；

C2、使用所述深度引导的元胞自动机模型优化所述深度引导的显著性图S_dI(i)进行优化更新：

每一个元胞的下一个状态S^t+1由当前状态S^t及其邻居的状态决定，元胞下一个状态S^t+1定义如下：

其中，E是单位矩阵；当t＝0时，初始状态的S^t是在所述步骤B中得到的深度引导的显著性图S_dI，显著性结果

是经过T_S时间之后的显著性图，其中T_S＝20；DF^*是初始影响因子矩阵DF中的数值归一化之后得到的影响因子矩阵，其用于控制邻居对当前元胞的影响；

D_F为对角矩阵，D_F＝diag{∑_jdf_1j,∑_jdf_2j,…∑_jdf_Nj}   (19)

df(i,j)是所述初始影响因子矩阵DF中的矩阵元素，且为所述深度引导的元胞自动机模型中元胞i及其邻居j之间的影响因子，定义为GIE,LAB颜色空间和深度空间的差异；

其中，

是控制相似性的常量；CD(i,j)是颜色空间的差异，DD(i,j)是深度空间的差异；

为初始相干矩阵C_d中的数值归一化之后得到的相干矩阵，其用于权衡元胞当前状态和它的邻居状态的重要性；

初始的相干矩阵C_d＝diag{C_d1,C_d2,...,C_dN}；

其中，a和b为用来控制元胞当前的状态和邻居的状态对下一状态的影响权重的常量，本实施例中a为0.6，b为0.2；

D、对所述显著性结果

进行后处理得到最终显著性预测结果，其包括如下步骤：

D1、融合

通过贝叶斯融合框架来融合所述深度引导的显著性图S_dI(i)和显著性结果

得到融合预测结果

其中，

是把S_dI(i)作为先验，得到的

的后验概率；

是把

作为先验，得到的S_dI(i)的后验概率；

D2、优化：

使用像素级别的显著性细化模型CRF来优化融合预测结果

得到高质量精确的最终显著性预测结果。

图3示意了本文提出的深度引导的元胞自动机图模型(DCA模型)中具体的构图过程。在本文提出的DCA模型中，对于位于图像边缘的元胞，只有属于背景种子中的元胞(即图像边缘使用圆形标记的元胞)互相连接，它们的状态互相影响。三角形标记的元胞，不属于背景种子，所以，它们并不和圆形元胞相连。

对于图模型中不属于图像边缘的元胞，它们的邻居区域不仅需要是元胞在图模型里的2层邻居(包括包围当前元胞的元胞，以及和这些元胞有着共同边缘的其他元胞)，而且需要元胞及其邻居在物体引导的深度图的值在相同的范围里。使用平行四边形表示当前研究的元胞，它的邻居包括五角星和五边形对应的元胞。正方形标记的元胞不是平行四边形元胞的邻居，因为正方形和平行四边形超像素对应的物体引导深度图的值并不在同一个范围。

DCA模型为每个元胞定义了更加合理的邻居，减少了属于不同类别像素之间的干扰。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (7)

1.一种基于深度引导元胞自动机的光场显著性检测实现方法，其特征在于，包括如下步骤：

A、背景种子选取B_k，其步骤如下：

A1、选取背景切片I^B：

根据图像信息计算焦点堆栈里不同聚焦切片I^k的聚焦区域，其中k＝1,2,…K；

利用深度图计算图像物体重心(x_o,y_o)；以图像重心为中心，设计逆物体偏置的高斯滤波器G(x,y)，根据每张聚焦切片的聚焦区域与物体重心的位置来选取最大概率聚焦在背景区域的切片作为背景切片I^B；

每个聚焦切片I^k的背景概率BLS(I^k)可由以下公式计算得到：

其中是不同深度聚焦切片的背景概率权重，选取背景概率BLS(I^k)最高的聚焦切片I^k为最终的背景切片I^B；

A2、得到物体引导的深度图d_og(i)：

通过简单线性迭代聚类方法(SLIC)把全聚焦图像分成N个超像素，每个超像素用i表示；

根据背景切片I^B的聚焦区域、超像素的位置信息和深度信息，计算每个超像素的前景概率P_fg(i)；前景概率P_fg(i)的计算公式为：

其中，是背景切片I^B对应的聚焦图上超像素点i的聚焦值，σ_B是控制前景概率的常量，C是坐标为(x₀,y₀)的物体中心，U_pos(i)是超像素i的位置坐标，d(i)表示深度图上的超像素i的深度值；

将前景概率和深度图相乘，计算得到物体引导的深度图d_og(i)；

A3、选取背景种子B_k：将基于深度先验和基于边缘先验选取背景种子结合，作为最终的背景种子B_k：

基于深度先验选取深度先验背景种子：对于非边缘的超像素，将每个超像素对应的物体引导的深度图设定阈值TH₁，把小于阈值的区域认为是深度先验背景种子；

基于边缘先验选取边缘先验背景种子：对于边缘超像素，选取在物体引导的深度图中的值小于阈值TH₂的边缘超像素作为边缘先验背景种子；

将所述深度先验背景种子和边缘先验背景种子的并集作为背景种子B_k；

所述阈值TH₁和所述TH₂定义如下：

其中，Th₁和Th₂分别为控制参数，表示所述物体引导的深度图里所有像素的平均值；

B、得到深度引导的显著性图S_dI(i)，其包括如下步骤：

B1、得到基于对比的显著性图：

所述基于对比的显著性图S_cc(i)通过计算超像素i和背景种子B_k之间的特征距离得到；

其中，W_pos(i,j)是超像素i和超像素j之间的空间距离，CD(i,j)是超像素i和超像素j之间的颜色距离；

PD(i,j)＝||U_pos(i)-U_pos(j)||

DD(i,j)＝||d_og(i)-d_og(j)||

CD(i,j)＝||U_fea(i)-U_fea(j)||

其中，U_fea(i)是超像素i在CIE LAB颜色空间的颜色特征，σ₁是控制权重的常数；B2、得到深度引导的显著性图S_dI(i)：

所述深度引导的显著性图S_dI(i)通过权重相乘所述基于对比的显著性图S_cc(i)和所述物体引导的深度图d_og(i)得到；

S_dI(i)＝S_ccw(i)×d_ogw(i)

其中，d_ogw(i)是经过变权重得到的物体引导的深度图；S_ccw(i)是变化权重之后的基于对比的显著性图；

C、通过深度引导的元胞自动机模型优化所述深度引导的显著性图S_dI(i)得到显著性结果其包括如下步骤：

C1、构建深度引导的元胞自动机图模型：

在所述元胞自动机图模型里，每一个所述超像素代表一个元胞，如果两个所述元胞在所述深度引导的元胞自动机图模型里相连接，则这两个元胞互为邻居；

对于所述深度引导的元胞自动机图模型中位于图像边缘的元胞，只有属于背景种子B_k中的元胞互相连接；

对于所述深度引导的元胞自动机图模型中不属于图像边缘的元胞，它们的邻居区域NB^*(i)不仅需要是元胞i在所述深度引导的元胞自动机图模型里的2层邻居，而且需要元胞i及其邻居在物体引导的深度图的值在相同的范围内；

NB^*(i)＝{j|(j∈NB(i))∩||(d_og(j)-d_og(i))||＜Th₃}

其中，NB(i)是元胞i在图模型里的2层邻居，Th₃是控制当前元胞邻居的常量参数，j代表超像素；

C2、使用所述深度引导的元胞自动机模型优化所述深度引导的显著性图S_dI(i)进行优化更新：

每一个元胞的下一个状态S^t+1由当前状态S^t及其邻居的状态决定，元胞下一个状态S^t+1定义如下：

其中，E是单位矩阵；当t＝0时，初始状态的S^t是在所述步骤B中得到的深度引导的显著性图S_dI，显著性结果是经过T_S时间之后的显著性图；DF^*是初始影响因子矩阵DF中的数值归一化之后得到的影响因子矩阵，其用于控制邻居对当前元胞的影响；

D_F为对角矩阵，D_F＝diag{∑_jdf_1j,∑_jdf_2j,…∑_jdf_Nj}

df(i,j)是所述初始影响因子矩阵DF中的矩阵元素，且为所述深度引导的元胞自动机模型中元胞i及其邻居j之间的影响因子，定义为GIE,LAB颜色空间和深度空间的差异；

其中，是控制相似性的常量；CD(i,j)是颜色空间的差异，DD(i,j)是深度空间的差异；

为初始相干矩阵C_d中的数值归一化之后得到的相干矩阵，其用于权衡元胞当前状态和它的邻居状态的重要性；

初始的相干矩阵C_d＝diag{C_d1,C_d2,...,C_dN}；

其中，a和b为用来控制元胞当前的状态和邻居的状态对下一状态的影响权重的常量；

D、对所述显著性结果进行后处理得到最终显著性预测结果，其包括如下步骤：

D1、融合

通过贝叶斯融合框架来融合所述深度引导的显著性图S_dI(i)和显著性结果得到融合预测结果

其中，)是把S_dI(i)作为先验，得到的的后验概率；是把作为先验，得到的S_dI(i)的后验概率；

D2、优化：

使用像素级别的显著性细化模型CRF来优化融合预测结果得到最终显著性预测结果。

2.根据权利要求1所述的一种基于深度引导元胞自动机的光场显著性检测实现方法，其特征在于：在所述步骤A2中所述的N取300。

3.根据权利要求1所述的一种基于深度引导元胞自动机的光场显著性检测实现方法，其特征在于：步骤A3中所述的Th₁取0.2-0.5，所述的Th₂取1.7-1.9。

4.根据权利要求1所述的一种基于深度引导元胞自动机的光场显著性检测实现方法，其特征在于：在所述步骤C1中所述的Th₃取0.35-0.50。

5.根据权利要求1所述的一种基于深度引导元胞自动机的光场显著性检测实现方法，其特征在于：步骤C2中所述的T_S取20。

6.根据权利要求1所述的一种基于深度引导元胞自动机的光场显著性检测实现方法，其特征在于：步骤C2中所述的a取0.6，b取0.2。

7.根据权利要求1所述的一种基于深度引导元胞自动机的光场显著性检测实现方法，其特征在于：在所述步骤C2中，

Images