CN114743025B - 基于灰度稳定性的提高抗干扰性能的目标显著性检测方法 - Google Patents

Abstract

本发明提出一种基于灰度稳定性的提高抗干扰性能的目标显著性检测方法，属于可见光图像目标检测技术领域，解决目标的检测过程中存在的背景复杂、目标相对较小导致的目标检测不精准的问题，克服目标的背景干扰中的包括野外场景中地面碎石、车辙、斑块等近细小杂波类干扰，本发明的方法对灰度图像进行等间隔阈值分割，通过设定不同的判定阈值，得到多个MSER区域；对每个MSER区域的像素数量和纵横比进行筛选，将筛选后的MSER区域进行叠加，形成MSER显著性图；本发明利用目标区域在不同判断阈值的灰度稳定性，将目标和背景进行显著性区分，在抑制背景干扰的前提下获得较为完整的目标区域轮廓，达到了较为精准的显著性检测效果。

Description

基于灰度稳定性的提高抗干扰性能的目标显著性检测方法

技术领域

本发明属于可见光图像目标检测技术领域，涉及一种目标显著性检测方法。

背景技术

在末制导技术中，目标的检测识别技术作为非人在回路末制导目标初始化的关键技术，其直接影响了末制导的效果。

对于一般的目标，可以提供很多很全面的数据集(如Pascal VOC、COCO)以供神经网络的训练。

针对电视导引头检测野外军事车辆阵地需求，野外军事车辆目标的图像数据集很难获取，尤其是在末制导启控场景下导引头看到的军事车辆目标的数据集更加难以获得，其原因在于：由于军事车辆较为敏感，无法对目标的图像直接进行采集；通过高分辨率卫星成像，拍摄角度为正上方进行图像采集，而末制导启控场景中，电视导引头获取目标图像的角度并不是正上方，所以通过卫星采集的军事车辆图片并不能适用于末制导启控场景下的军事车辆目标检测。

由于卷积神经网络目标检测方法无法像人类一样通过少量的样本学习就能获得较强的目标检测效果，其只能通过大量且全面的样本训练才能得到较好的目标检测效果。虽然近些年的小样本卷积神经网络目标检测方法可以通过数据增强等方法提高小样本检测效果，但该方法的泛化性能差强人意，随小样本类别增加(军事车辆的种类较多)，其目标检测效果下降明显。所以在对目标车辆的图像掌握不多的情况下，不能获取很多和很全面的数据集，卷积神经网络目标检测方法就失去了效果。

电视导引头检测野外军事车辆阵地可以简化为电视摄像机空中检测野外车群这一场景，由于野外场景较为单一，目标车辆相对较为显著，所以考虑使用显著性检测对目标进行检测。Zhang等人于2016年在Exploiting Surroundedness for SaliencyDetection:ABoolean Map Approach上提供了一种基于布尔图的显著性检测方法(BMS)。该方法1)对输入图像的灰度图像进行等间隔阈值分割，得到多个二值图像；2)在每个二值图像中找到轮廓闭合的连通区域，将其显著值赋值为1，将其他区域的显著值赋值为0，得到多个布尔图；3)将所有的布尔图累加到[0,255]区间，得到平均布尔图。4)将得到平均布尔图进行形态学腐蚀膨胀操作，得到最终的显著图。该种方法通过阈值分割，得到二值图像，再将其中的闭合图形赋予一定的显著值，达到突出闭合图形显著性的目的，但地面的干扰也被赋予较高的显著值，不适用背景干扰较多的检测。

对于电视摄像头空中检测野外车群需求，其存在背景干扰，并且空中目标检测过程中目标较小；使得背景的干扰和目标尺寸相近，导致部分背景区域也被检测成目标区域，导致目标检测不精准。

因此，需要提供一个既可以剔除野外地面车辆的背景干扰又可以包含目标完整轮廓信息的适用于小目标的目标显著性检测方法。

发明内容

本发明解决的技术问题是，针对电视摄像头对野外场景中目标的检测过程中存在的背景复杂、目标尺寸与干扰尺寸相近(或目标相对较小)导致的目标检测不精准的问题，而提供的一种目标显著性检测方法，该方法能够剔除目标的背景干扰，克服了现有的目标显著性检测方法难以对(由于探测距离较远导致的)小目标进行检测的问题，得到显著性图像，从而得到显著性目标区域。还有，该方法能够克服目标的背景干扰中的包括野外场景中地面碎石、车辙、斑块等近细小杂波类干扰。通过得到的目标显著性图像，从而进行目标的检测识别，提高目标检测识别的精准性。

本发明提出一种基于灰度稳定性的提高抗干扰性能的目标显著性检测方法，其为一种新的目标显著性检测方法，以解决复杂背景下多个小目标的显著性检测问题，克服目标的背景干扰中的包括野外场景中地面碎石、车辙、斑块等近细小杂波类干扰。

本发明的技术方案为：

基于灰度稳定性的提高抗干扰性能的目标显著性检测方法，其特征在于，该方法包括下述步骤：

步骤一、获取目标区域的彩色图像，对彩色图像进行灰度转换，得到灰度图像I_gray；

步骤二、获取与灰度稳定性相关的目标显著性图像，该步骤包括如下内容：

S1、通过设定多个不同的判定阈值，得到多个最大稳定极值区域，具体内容为：

其一：首先，对灰度图像I_gray分别以A个等间隔的灰度等级数值为分割阈值进行A次阈值分割，得到A张二值图像，并得到2A组极值区域；然后，给定一个判断阈值n，得到对应一个判断阈值n对应的一组最大稳定极值区域；

其二：与得到一组最大稳定极值区域的方法相同，再选择其余的多个判断阈值n，得到其余的多组最大稳定极值区域；

其三：判断阈值n在[0.1,1]范围内选择；

其四：判断阈值n共选择N个值，作为N个判定阈值，将灰度图像I_gray在这N个判定阈值下，得到对应每一个判断阈值n的一组最大稳定极值区域；N大于等于4；即共有N组最大稳定极值区域；

S2、根据每个最大稳定极值区域的像素数量和纵横比，对其进行筛选剔除；具体为：

估算目标成像的两个参数范围，包括：像素数量范围和长宽比范围；将最大稳定极值区域的像素数量不在上述像素数量范围的最大稳定极值区域剔除，以及最大稳定极值区域的区域长宽比不在上述长宽比范围的最大稳定极值区域剔除；

S3、将步骤S2后剩余的最大稳定极值区域进行加权叠加，并进行归一化，生成目标显著性图像，即与灰度稳定性相关的目标显著性图像；其中，较大的判定阈值n对应的最大稳定极值区域内的像素赋予的权值小于较小的判定阈值n对应最大稳定极值区域内的像素赋予的权值；最大稳定极值区域外的像素赋0。

优选地，步骤S3为：根据不同的判定阈值n得到的对应最大稳定极值区域内的像素，赋予对应的权值pow₁＝1/n，得到判定阈值n对应的各个图像；所有赋值后的图像进行叠加，并进行归一化生成目标显著性图像。

优选地，S1具体步骤为：

S11、对灰度图像I_gray分别以256个灰度等级数值为分割阈值，即以灰度等级S＝{0,1,…,255}中的256个数值分别为分割阈值进行256次阈值分割，对于每次分割：像素灰度值高于分割阈值的部分图像的像素灰度值赋值为255，像素灰度值低于分割阈值的部分的图像的像素灰度值赋值为0；得到256张二值图像；

对每一张二值图像内的像素灰度值为0的闭合区域进行统计，得到256组灰度最小区域；对每一张二值图像内的像素灰度值为255的闭合区域进行统计，得到256组灰度最大区域，灰度最小区域和灰度最大区域统称为极值区域；

S12：计算相邻分割阈值得到的二值图像中的、位置对应的两个极值区域的面积差，再得到面积差与其中较小极值区域面积的比值，若此比值小于给定的判断阈值n，则其中的较小极值区域作为一个最大稳定极值区域；

S13：判断阈值n在[0.1,1]范围内选择N个值，作为N种判定阈值，将灰度图像I_gray在这N种判定阈值下，按照步骤S12的原则，得到对应每一个判断阈值n的一组最大稳定极值区域，共得到N组最大稳定极值区域。

优选地，N＝4。

优选地，步骤S1中，判断阈值选择为n＝{1,0.5,0.25,0.125}四个值，将灰度图像I_gray在这四个判定阈值下，得到四组最大稳定极值区域。

优选地，步骤一中，通过摄像头获取目标区域的彩色图像。

优选地，步骤一中，得到灰度为S＝{0,1,…,255}的灰度图像I_gray。

本发明的原理及创新思路如下所述：

其一，野外军事车辆阵地在导引头视角下的图像数据集由于军事车辆的保密度较高，使得其难以获取。这就导致目前最常用的卷积神经网络目标检测算法由于其具有很强的数据集依赖性所以在这种场景下无法生效。而野外场景相较于城市场景，其背景的复杂度较低，军事车辆在野外场景具有相对较高的显著性，故选择通过计算图像显著性的方式对目标进行检测。

野外场景下的车辆虽然具有较高的显著性，但是野外场景中也存在类似细小杂波例如斑块、车辙、石块等干扰，其也具有较高的显著性。如果不对这些干扰进行剔除，若采用显著性的方式对目标进行检测，也可能会将野外背景错当成目标，导致目标检测不准确。

背景技术中所提到的“一种基于布尔图的显著性检测方法”，该方法考虑到了人眼对所见场景中闭合图形的注意力较高的特点，通过阈值分割，得到二值图像，再将其中的闭合图形赋予一定的显著值，达到突出闭合图形显著性的目的。在实际野外场景中，地面上无处不在碎石、斑块等环境干扰，采用该方法若在特定的阈值分割下呈现出闭合图形的特性，会导致地面的干扰也被赋予较高的显著值，无法对地面环境的干扰进行有效的剔除；若通过提高阈值的方法筛选背景干扰，对干扰进行剔除，则会导致目标的轮廓信息缺失。依靠该显著性检测方法，很难在背景干扰的去除和目标边缘的保留上做到平衡。

电视摄像机检测野外车群时由于探测距离较远，所以目标在摄像头上的成像较小。由于目标和部分背景的细小杂波尺寸相近，不能通过去除像素数较少的显著区域的方式对细小杂波进行剔除，所以此时这些细小杂波也会被检测成目标区域，导致目标检测不准确。

其二，经分析可知，野外车辆目标所在的区域较多为闭合区域，且目标区域内的灰度和目标区域外的灰度具有较大的差异，而野外场景中的背景通常并不包含一个和周围灰度差异较大的闭合区域。因此，可以通过计算闭合区域内灰度和周围灰度的差异性高低来得到该区域的显著性值。并且可知区域内外灰度差异性越高，该区域的灰度稳定性越强，显著性也越强；反之，则灰度稳定性越弱，显著性也越弱。

但是，背景技术中所提到的“一种基于布尔图的显著性检测方法”，计算得到布尔图中的闭合区域内和区域外的灰度差异由于区域外的范围较难界定的问题，导致其较难计算，无法衡量区域内外灰度差异没有办法得到该区域的灰度稳定性，则无法得到显著性。本发明创新性的采用最大稳定极值区域克服该缺陷。最大稳定极值区域采用常规的定义为：一个和区域外有一定灰度差异的闭合区域，但是本发明对于最大稳定极值区域的理论、思路和用法与现有的理论、思路和用法都不同。

本发明通过设定不同的判断阈值得到拥有不同的区域内外灰度差的闭合区域，目标区域内外灰度差在一定的范围内，在这个灰度差范围对应的判断阈值范围内选取若干个判断阈值，并提取若干组最大稳定极值区域，将内外灰度差较大的最大稳定极值区域赋予较高的权值，反之，则赋予较小的权值。最后再将这些最大稳定极值区域进行加权叠加，得到图像则包含灰度稳定的显著性信息。背景的干扰由于其区域内外灰度差较小，不能被判定为最大稳定极值区域，显著性图像中的显著值为0，故此类干扰被完全剔除，而且背景的细小干扰都是此类干扰；所以当电视摄像机检测野外车群，探测距离较远导致电视摄像头上目标成像较小时，由于背景的细小杂波被完全剔除，所以小目标的检测得到很大的改善。因此本发明的方法，能够提高小目标检测的抗干扰能力。

本发明的技术效果是：

本发明解决了目标相对较小导致的目标检测不精准的问题，实现了目标区域整体轮廓的较为完整检测的同时突出目标区域中目标显著的效果；解决了斑块、车辙等细小杂波背景对目标显著性检测干扰的问题，能够实现对目标较为精准的检测。

在显著性检测最常用的数据集SED2上测试本发明方法和其他目前流行的显著性目标检测方法的PR曲线和ROC曲线，结果显示本发明方法的效果优于其他目前流行的显著性目标检测方法。

本发明方法充分利用目标区域在不同判断阈值的灰度稳定性，将目标和背景进行显著性区分，在抑制背景干扰的前提下获得较为完整的目标区域轮廓，达到了较为精准的显著性检测效果。

附图说明

图1、为本发明的基于灰度稳定性的提高抗干扰性能的目标显著性检测方法的流程图；

图2、为本发明的方法与其他目前流行的目标显著性检测方法得到的目标显著性检测结果对比图；

图3、为本发明的方法与基于布尔图的目标显著性检测方法BMS的PR曲线对比图；

图4、为本发明的方法与基于布尔图的目标显著性检测方法BMS的ROC曲线对比图。

具体实施方式

下面对本发明的方法进一步详细地描述：

基于灰度稳定性的提高抗干扰性能的目标显著性检测方法，其特征在于，该方法包括下述步骤：

步骤一、通过摄像头获取目标区域的彩色图像，对彩色图像进行灰度转换，得到灰度图像I_gray；

步骤二、获取与灰度稳定性相关的目标显著性图像，该步骤包括如下内容：

S1、通过设定多个不同的判定阈值，得到多个最大稳定极值区域，具体内容为：

其一：首先，对灰度图像I_gray分别以A个等间隔的灰度等级数值为分割阈值进行A次阈值分割，得到A张二值图像，并得到2A组极值区域；然后，给定一个判断阈值n，得到对应一个判断阈值n对应的一组最大稳定极值区域；

优选地A为256。

其二：与得到一组最大稳定极值区域的方法相同，再选择其余的多个判断阈值n，得到其余的多组最大稳定极值区域；

其三，判断阈值n在[0.1,1]范围内选择；

其四，判断阈值n共选择N个值，作为N个判定阈值，将灰度图像I_gray在这N个判定阈值下，得到对应每一个判断阈值n的一组最大稳定极值区域；N大于等于4；即共有N组最大稳定极值区域；

S2、根据每个最大稳定极值区域的像素数量和纵横比，对其进行筛选剔除；具体为：

估算目标成像的两个参数范围，包括：像素数量范围和长宽比范围；将最大稳定极值区域的像素数量不在上述像素数量范围的最大稳定极值区域剔除，以及最大稳定极值区域的区域长宽比不在上述长宽比范围的最大稳定极值区域剔除；

S3、将步骤S2后剩余的最大稳定极值区域进行加权叠加，并进行归一化，生成目标显著性图像，即与灰度稳定性相关的目标显著性图像；其中，较大的判定阈值n对应的最大稳定极值区域内的像素赋予的权值小于较小的判定阈值n对应最大稳定极值区域内的像素赋予的权值；最大稳定极值区域外的像素赋0。

通过步骤S3得到的目标显著性图像，从而进行目标的检测识别。

优选的，N为4。

优选的，n＝{1,0.5,0.25,0.125}。

本发明的主要思想如下：

本发明利用野外环境中车辆的灰度和附近环境的灰度差异较大，故目标区域内的灰度具有较高的稳定性，而这也就是目标区别于周围环境的显著特性的特点。基于这种思想，通过提取图像中的灰度稳定区域，从而达到目标检测的效果。但是由于目标内部也存在灰度稳定性不同的情况，且不同图像的目标灰度稳定性也有所不同，为了能够尽可能的将目标区域全部检测出，尽可能保留目标的完整轮廓，在目标灰度稳定性的区间内设置经过设计的多个检测判断阈值，提取多组稳定区域，并设计将能够对应显示稳定性高的区域赋予更高的权值。实现对目标区域更完整的检测。

通过计算最大稳定极值区域，对区域内外灰度差小于判断阈值对应的区域内外灰度差的区域赋零的手段，有助于起到剔除灰度稳定性较小的细小杂波对小目标显著性检测干扰的效果。

通过计算不同判断阈值下的最大稳定极值区域，得到区域内外灰度差处于目标区域内外灰度差的范围区间内的区域，将区域内外灰度差较大的区域(目标区域中显著性较高的部分：如车窗、车门、车轮)内的像素赋予较高的权值，将区域内外灰度差较小的区域(目标区域中显著性较低的部分：如车体)内的像素赋予较小的权值；有助于起到目标区域整体轮廓的较为完整检测的同时突出目标区域中较为显著的区域的效果。

通过限制最大稳定极值区域的像素数量和长宽比，将目标区域的像素数量和长宽比范围外的最大稳定极值区域剔除，有助于起到剔除斑块、车辙等背景对目标显著性检测干扰的效果。

本发明提供的基于灰度稳定性的提高抗干扰性能的目标显著性检测方法，如图1所示，其适用于可见光成像条件下野外车辆目标的显著性检测。通过具体实施方式进一步描述。

基于灰度稳定性的提高抗干扰性能的目标显著性检测方法，该方法包括下述内容：

步骤一、通过摄像头获取(待检测)目标(区域)的彩色图像，对(待检测)目标获取的彩色图像进行灰度转换，得到灰度图像I_gray：

进一步地，将摄像头输入的可见光彩色图像通过RGB三色加权平均的方法得到灰度图像；

进一步地，将输入的彩色图像I_rgb通过RGB三色加权平均的方法得到灰度为S＝{0,1,…,255}的灰度图像I_gray。

步骤二、获取与灰度稳定性相关的目标显著性图像；

将灰度图像I_gray通过计算不同阈值下的最大稳定极值区域(MSER区域)，得到与灰度稳定性相关的目标显著性图像：

S1、对灰度图像I_gray进行等间隔阈值分割，通过设定不同的判定阈值，得到多个最大稳定极值区域；下面对该步骤进行详细地描述：

S11：对灰度图像I_gray以每个灰度等级S＝{0,1,…,255}为(分割)阈值进行阈值分割，(像素灰度值)高于(分割)阈值的部分图像的像素灰度值赋值为255，(像素灰度值)低于(分割)阈值的部分的图像的像素灰度值赋值为0，得到256张二值图像。对每一张二值图像内的像素灰度值为0的闭合区域进行统计，得到256组灰度最小区域；对每一张二值图像内的像素灰度值为255的闭合区域进行统计，得到256组灰度最大区域，灰度最小区域和灰度最大区域统称为极值区域；

S12：计算相邻分割阈值得到的二值图像中的、位置对应的两个极值区域的面积差，再得到面积差与其中较小极值区域面积的比值，若此比值小于给定的判断阈值n，则称其中的较小极值区域被作为一个最大稳定极值区域；

S13：判断阈值n在[0.1,1]范围内选择四个值，作为四种判定阈值，将灰度图像I_gray在这四种判定阈值下，按照步骤S12的原则，得到对应每一个判断阈值n的一组最大稳定极值区域，共得到四组最大稳定极值区域。

其中，S1步骤的关键在于，其一：首先，对灰度图像I_gray分别以A个等间隔的灰度等级数值为分割阈值进行A次阈值分割，得到A张二值图像，并得到2A组极值区域；然后，给定一个判断阈值n，得到对应一个判断阈值n对应的一组最大稳定极值区域；

其二：与得到一组最大稳定极值区域的方法相同，再选择多个阈值，得到其余的多组最大稳定极值区域；

其三：判断阈值n在[0.1,1]范围内选择；

其四：判断阈值n在[0.1,1]范围内选择四个。

进一步地，S13中，判断阈值选择为n＝{1,0.5,0.25,0.125}，将灰度图像I_gray在这四种判定阈值下，按照步骤S12的原则，得到四组最大稳定极值区域。

不同组的极值区域存在嵌套关系，最大稳定极值区域的获取方法是：若设存在一组互相嵌套的极值区域序列：Q₁,...,Q_i-1,Q_i,...(例如：

)，设其像素数分别为P₁,...,P_i-1,P_i,...如果|P_i+Δ-P_i|/|P_i|≤n，则称极值区域Q_i为最大稳定极值区域。其中

为最大稳定极值区域的稳定性系数，通常Δ取1；n为最大稳定极值区域的判断阈值。本发明中将上述极值区域按照嵌套关系重新分为若干组，计算相邻嵌套区域面积差和被嵌套区域面积的比值，若此比值小于给定的判断阈值n，则称该被嵌套区域是一个最大稳定极值区域。

根据分析可知，目标区域对应的最大稳定极值区域的判断阈值在[0.1,1]之间选择效果较好；由于判断阈值越多，就需要计算越多组的最大稳定极值区域，计算量就越大。针对可见光导引头视野中野外环境的目标显著性检测，为平衡计算量和上述判断阈值区间的覆盖率，在该区间选取四个倍数递减的判断阈值n＝{1,0.5,0.25,0.125}，计算得到四组最大稳定极值区域。这四组最大稳定极值区域可以实现对野外军事车辆区域较为全面的覆盖。

S2、根据每个最大稳定极值区域的像素数量和纵横比，对其进行筛选剔除；

步骤S2具体为：估算目标成像的两个参数范围，包括：像素数量范围和长宽比范围；在上述像素数量范围的最大稳定极值区域剔除；最大稳定极值区域的区域长宽比不在上述长宽比范围的最大稳定极值区域剔除。

像素数量范围[Pix_min,Pix_max]，长宽比范围[AP_min,AP_max]为明显排除不适宜情况的估算范围，可以为根据以往其他方法得到的大致范围。

例如：根据估算的目标长度、宽度、高度的大致范围，摄像头的视场角；根据估算出的目标所在区域坐标；获取摄像机位置、姿态；则能够获取目标在摄像头上成像的长度方向上像素数量、宽度方向上像素数量范围；最终得到目标在摄像头上成像的长宽比范围[AP_min,AP_max]，像素数量范围[Pix_min,Pix_max]。。

将像素数量和区域长宽比不在上述范围的最大稳定极值区域进行剔除，则会获得更好的检测效果。

S3、将筛选后的最大稳定极值区域进行加权叠加，并进行归一化，生成目标显著性图像，即生成与灰度稳定性相关的目标显著性图像。

其中，较大的判定阈值n对应的最大稳定极值区域内的像素赋予的权值小于较小的判定阈值n对应最大稳定极值区域内的像素赋予的权值。进一步地，S3、根据不同的判定阈值n得到的对应最大稳定极值区域内的像素，赋予不同的权值pow₁＝1/n，对最大稳定极值区域外的像素赋0，得到四幅图像(判定阈值n取4个值)；将这四幅的图像进行叠加，将叠加后的图像中各像素的灰度值映射到[0,1]区间内，实现对叠加后图像的归一化，生成与灰度稳定性相关的目标显著性图像。

经分析可知，判定阈值越小，获得的最大稳定极值区域的整体稳定性较高，故判定阈值和区域内整体稳定性成反比。所以其将这四组最大稳定极值区域内的像素根据不同的判定阈值n赋予不同的权值pow₁＝1/n，以保证高稳定性区域获得较高的权值，低稳定性区域获得较低的权值；区域外的像素赋值为0，使得区域稳定性低于要求的背景区域得到剔除。最终得到四幅包含灰度稳定性信息的图像；将这四幅包含灰度稳定性信息的图像进行叠加，生成与灰度稳定性相关的目标显著性图像。

由于最大极值稳定区域内部的像素灰度值和区域外的像素灰度值存在较大的差异，所以区域内部的灰度具有较强的稳定性；且最大极值稳定区域对应的判断阈值越大，区域内外灰度差越大，区域内部的灰度值稳定性越高。而不能被判定为最大稳定极值区域的闭合区域的内外灰度差异较小，区域内部的灰度值稳定性较弱。故上述通过四个判断阈值得到的四幅图像主要为与灰度稳定性相关的信息。

进一步地，还包括步骤三。

步骤三、判断不同目标区域间的距离是否过近，如果距离较远则对整张显著性图像进行形态学闭操作，反之，则省略此步骤。

将上述步骤得到的显著性图像进行形态学闭操作，将目标区域内部由于显著性不均产生的孔洞进行填充、得到最终的显著性图像。

进一步地，将上述步骤得到的显著性图像进行以半径为三个像素的圆形为结构元的形态学闭操作，将目标区域内部由于显著性不均产生的孔洞进行填充、得到最终的显著性图像。当多个目标区域间的间隔少于六个像素时，为避免多个目标区域相互粘连，省略此步骤。

图2，其中第一列图像是用于目标显著性检测的包含目标的彩色原始图像；第二列是使用itti等人在1998年提出的一种基于高斯金字塔融合图像颜色、亮度和方向特征的目标显著性检测方法得到的目标显著性图像；第三列是使用基于图论的目标显著性检测方法GBVS(Graph-BasedVisual Saliency)得到的目标显著性图像；第四列是使用基于全局对比度的目标显著性检测方法LC(Luminance Contrast)得到的目标显著性图像；第五列是使用背景技术中提到的一种基于布尔图的显著性检测方法BMS(Boolean Map Saliency)得到的目标显著性图像；第六列是使用本发明的目标显著性检测方法得到的目标显著性图像；最后一列是人为标定的目标真值图。

当目标显著性图像和人为标定的目标真值图越接近，则表明该目标显著性图像对应的目标显著性检测方法的检测效果越好。通过图2可以看出本发明的目标显著性检测方法得到的目标显著性图像在保证目标的边缘信息保留完整的同时其对背景的细小干扰剔除的最干净，且该方法能实现最好的小目标检测效果。

为客观评价方法的有效性，通过PR曲线，ROC曲线来定量分析；标准的精确率和召回率这两个参数分别为两个坐标轴形成PR曲线，真正例率(TPR)和假正例率(FPR)两个参数分别为两个坐标轴组成ROC曲线。其中精确率表示像素被正确标注为显著性像素的比率，而召回率表示像素被标注为显著性像素与实际显著性像素的比率；TPR表示被正确标注为显著性像素，占实际显著性像素的比率；FPR表示被错误标注为显著性像素，占实际非显著性像素的比率。

如图3所示，通过对显著性图像求取精确率和召回率，得到PR曲线，其中实线代表采用本发明的目标显著性检测方法得到的目标显著性图像对应的PR曲线、虚线代表采用背景技术中提到的一种基于布尔图的显著性检测方法(BMS)得到的目标显著性图像对应的PR曲线，其中PR曲线越靠近右上方则表示该算法的性能越好，若一条曲线不能完全处于另一条曲线的右上方，则连接(0,0)、(1,1)，连线和其中一条PR曲线的交点越靠近右上方则表示该算法的性能越好；图中实线和(0,0)、(1,1)连线的交点在虚线和(0,0)、(1,1)连线的交点之上，这代表本文算法优于上文提到的基于布尔图的显著性检测方法。

如图4所示，通过对显著性图像求取真正例率和假正例率，得到ROC曲线，其中实线代表采用本发明的目标显著性检测方法得到的目标显著性图像对应的ROC曲线、虚线代表采用背景技术中提到的一种基于布尔图的显著性检测方法(BMS)得到的目标显著性图像对应的ROC曲线，ROC曲线和坐标横轴所围的面积越大则表明该算法的性能越好，图中实线和X轴所围的面积大于虚线和X轴所围的面积，这代表本文算法优于上文提到的基于布尔图的显著性检测方法。

以上所述，仅为本发明的最佳实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

本发明书中未做详细描述的内容属于本领域技术人员的公知技术。

Claims (8)

1.基于灰度稳定性的提高抗干扰性能的目标显著性检测方法，其特征在于，该方法包括下述步骤：

步骤一、获取目标区域的彩色图像，对彩色图像进行灰度转换，得到灰度图像I_gray；

步骤二、获取与灰度稳定性相关的目标显著性图像，该步骤包括如下内容：

S1、通过设定多个不同的判定阈值，得到多个最大稳定极值区域，具体内容为：

其一：首先，对灰度图像I_gray分别以A个等间隔的灰度等级数值为分割阈值进行A次阈值分割，得到A张二值图像，并得到2A组极值区域；然后，给定一个判断阈值n，得到对应一个判断阈值n对应的一组最大稳定极值区域；

其二：与得到一组最大稳定极值区域的方法相同，再选择其余的多个判断阈值n，得到其余的多组最大稳定极值区域；

其三：判断阈值n在[0.1,1]范围内选择；

其四：判断阈值n共选择N个值，作为N个判定阈值，将灰度图像I_gray在这N个判定阈值下，得到对应每一个判断阈值n的一组最大稳定极值区域；N大于等于4；即共有N组最大稳定极值区域；

S2、根据每个最大稳定极值区域的像素数量和纵横比，对其进行筛选剔除；具体为：

估算目标成像的两个参数范围，包括：像素数量范围和长宽比范围；将最大稳定极值区域的像素数量不在上述像素数量范围的最大稳定极值区域剔除，以及最大稳定极值区域的区域长宽比不在上述长宽比范围的最大稳定极值区域剔除；

S3、将步骤S2后剩余的最大稳定极值区域进行加权叠加，并进行归一化，生成目标显著性图像，即与灰度稳定性相关的目标显著性图像；其中，较大的判定阈值n对应的最大稳定极值区域内的像素赋予的权值小于较小的判定阈值n对应最大稳定极值区域内的像素赋予的权值；最大稳定极值区域外的像素赋0；

其中，给定一个判断阈值n，得到对应一个判断阈值n对应的一组最大稳定极值区域的含义为：

计算相邻分割阈值得到的二值图像中的、位置对应的两个极值区域的面积差，再得到面积差与其中较小极值区域面积的比值，若此比值小于给定的判断阈值n，则其中的较小极值区域作为一个最大稳定极值区域。

2.根据权利要求1所述的基于灰度稳定性的提高抗干扰性能的目标显著性检测方法，其特征在于，步骤S3具体为：根据不同的判定阈值n得到的对应最大稳定极值区域内的像素，赋予对应的权值pow₁＝1/n，得到判定阈值n对应的各个图像；所有赋值后的图像进行叠加，并进行归一化生成目标显著性图像。

3.根据权利要求1所述的基于灰度稳定性的提高抗干扰性能的目标显著性检测方法，其特征在于，S1具体步骤为：

S11、对灰度图像I_gray分别以256个灰度等级数值为分割阈值，即以灰度等级S＝{0,1,…,255}中的256个数值分别为分割阈值进行256次阈值分割，对于每次分割：像素灰度值高于分割阈值的部分图像的像素灰度值赋值为255，像素灰度值低于分割阈值的部分的图像的像素灰度值赋值为0；得到256张二值图像；

对每一张二值图像内的像素灰度值为0的闭合区域进行统计，得到256组灰度最小区域；对每一张二值图像内的像素灰度值为255的闭合区域进行统计，得到256组灰度最大区域，灰度最小区域和灰度最大区域统称为极值区域；

S12：计算相邻分割阈值得到的二值图像中的、位置对应的两个极值区域的面积差，再得到面积差与其中较小极值区域面积的比值，若此比值小于给定的判断阈值n，则其中的较小极值区域作为一个最大稳定极值区域；

S13：判断阈值n在[0.1,1]范围内选择N个值，作为N种判定阈值，将灰度图像I_gray在这N种判定阈值下，按照步骤S12的原则，得到对应每一个判断阈值n的一组最大稳定极值区域，共得到N组最大稳定极值区域。

4.根据权利要求3所述的基于灰度稳定性的提高抗干扰性能的目标显著性检测方法，其特征在于，N＝4。

5.根据权利要求1或3所述的基于灰度稳定性的提高抗干扰性能的目标显著性检测方法，其特征在于，步骤S1中，判断阈值选择为n＝{1,0.5,0.25,0.125}四个值，将灰度图像I_gray在这四个判定阈值下，得到四组最大稳定极值区域。

6.根据权利要求1所述的基于灰度稳定性的提高抗干扰性能的目标显著性检测方法，其特征在于，步骤一中，通过摄像头获取目标区域的彩色图像。

7.根据权利要求1所述的基于灰度稳定性的提高抗干扰性能的目标显著性检测方法，其特征在于，步骤一中，得到灰度为S＝{0,1,…,255}的灰度图像I_gray。

8.根据权利要求1所述的基于灰度稳定性的提高抗干扰性能的目标显著性检测方法，其特征在于，步骤一中，将摄像头输入的可见光彩色图像通过RGB三色加权平均的方法得到灰度图像。

Images