基于稀疏子空間聚類和低秩表示的顯著性目標(biāo)檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，具體的說涉及一種顯著性目標(biāo)檢測方法，可用于 圖像分割、目標(biāo)識(shí)別、圖像恢復(fù)和自適應(yīng)圖像壓縮。
【背景技術(shù)】
[0002] 顯著性目標(biāo)檢測的目的是完整一致地檢測出圖像中最吸引人注意的目標(biāo)區(qū)域。近 年來，隨著可視信息網(wǎng)絡(luò)的擴(kuò)張和電子商務(wù)行業(yè)的飛速增長，圖像顯著性目標(biāo)檢測技術(shù)的 重要性日益突顯。作為一種新的高維數(shù)據(jù)分析和處理工具，低秩矩陣恢復(fù)技術(shù)能夠有效地 從受強(qiáng)噪聲污染或部分缺失的高維觀測樣本中發(fā)現(xiàn)它的本征低維空間，該技術(shù)已經(jīng)被廣泛 應(yīng)用于計(jì)算機(jī)視覺、機(jī)器學(xué)習(xí)、統(tǒng)計(jì)分析等領(lǐng)域，并出現(xiàn)了一些基于低秩矩陣恢復(fù)的顯著性 檢測方法。
[0003] Yan等基于稀疏編碼和低秩矩陣恢復(fù)技術(shù)提出一種顯著性檢測方法(Yan J，Zhu Μ, Liu Η,et al. Visual saliency detection via sparsity pursuit[J]. Signal Processing Letters，2010，17(8): 739-742 ·)。該方法的具體步驟是:首先，將圖像分成8 X 8的小塊。然后，提取圖像塊的特征并進(jìn)行稀疏編碼，得到表示輸入圖像的稀疏編碼矩陣。最 后，利用魯棒主成分分析方法分解稀疏編碼矩陣，并采用分解得到的稀疏矩陣定義相應(yīng)圖 像塊的顯著性。該方法簡單假設(shè)顯著性目標(biāo)的尺寸很小，故其特征具有稀疏特性，因此能夠 較為準(zhǔn)確地檢測出簡單場景中尺寸較小的顯著性目標(biāo)。但是該方法仍然存在的不足之處 是，難以完整一致地檢測出尺寸較大的顯著性目標(biāo)。
[0004] Shen等基于低秩矩陣恢復(fù)技術(shù)提出了一種結(jié)合先驗(yàn)信息的顯著性目標(biāo)檢測方法 (Shen X,ffu Y.A unified approach to salient object detection via low rank matrix recovery[C]·IEEE Conference on Computer Vision and Pattern Recognition，2012，23(10): 853-860.)。該方法首先對(duì)輸入圖像進(jìn)行超像素分割，并提取超 像素的特征構(gòu)建特征矩陣，然后利用MSRA數(shù)據(jù)庫學(xué)習(xí)先驗(yàn)知識(shí)和特征變換矩陣，并對(duì)所有 超像素特征組成的矩陣進(jìn)行變換，最后采用低秩矩陣恢復(fù)方法分解變換后的特征矩陣。該 方法通過特征變換使得顯著性目標(biāo)的特征更加稀疏，背景的特征更具有相似性。由于尺寸 較大的顯著性目標(biāo)不再具有稀疏特性，該方法并沒有從本質(zhì)上解決較大尺寸顯著性目標(biāo)的 檢測問題。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于針對(duì)上述已有技術(shù)的不足，提出一種基于稀疏子空間聚類和低 秩表示的顯著性目標(biāo)檢測方法，以更加完整一致地檢測尺寸較大的顯著性目標(biāo)，且提高檢 測準(zhǔn)確度和召回率。
[0006] 本發(fā)明的技術(shù)思路是，對(duì)輸入圖像進(jìn)行超像素分割，并對(duì)分割得到的超像素進(jìn)行 聚類，由于同一聚類內(nèi)超像素的特征具有相似性，本發(fā)明假設(shè)同一聚類內(nèi)的超像素特征處 于相同的低維子空間，并根據(jù)顏色對(duì)比度構(gòu)建字典，在此基礎(chǔ)上構(gòu)建聯(lián)合低秩表示模型，求 解該模型對(duì)聚類的特征矩陣進(jìn)行低秩稀疏分解，最后采用矩陣分解得到的低秩表示系數(shù)定 義相應(yīng)聚類的顯著性，并按照其空間位置將顯著性值映射到輸入圖像中，得到輸入圖像的 顯著圖。
[0007] 本發(fā)明的實(shí)現(xiàn)步驟如下：
[0008] (1)將輸入圖像I分割成N個(gè)超像素 {Pi | i = 1，2，. . .，N};
[0009] (2)對(duì)所有超像素進(jìn)行聚類，得到輸入圖像I的J個(gè)聚類{Cd」=1，2，...，1}，其中 每個(gè)聚類Cj包含了mj個(gè)超像素，即Cj = {pj,k | k = 1，2，· · ·，mj};
[0010] (3)構(gòu)建聚類特征矩陣：
[0011 ]針對(duì)每一個(gè)聚類C尸{Pj,k I k = 1，2，· · ·，m]當(dāng)中包含的第k個(gè)超像素 W,k，提取該超 像素中每一個(gè)像素點(diǎn)的顏色、邊緣和紋理特征構(gòu)建該像素點(diǎn)的特征向量，其維數(shù)為M = 53， 并利用超像素 Pik中所有像素特征向量的均值向量&,k作為該超像素的特征，構(gòu)建聚類Cj的 特征矩陣為Xj = [xj, 1，xj,2，· · ·，x」,k，· · ·，x」,mj]，k = 1，2，· · ·，mj;
[0012] (4)計(jì)算所有超像素的顏色對(duì)比度，并根據(jù)超像素顏色對(duì)比度由大到小對(duì)超像素 特征進(jìn)行排序，得到低秩表示算法的字典D;
[0013] (5)根據(jù)上述特征矩陣X」和字典D構(gòu)建聯(lián)合低秩表示模型：
[0015] s.t. Xj = DZj+Ej
[0016]其中，Zj為低秩表不系數(shù)，Ek為重構(gòu)誤差，λ是權(quán)衡低秩成分和稀疏成分之間的一個(gè) 常量因子，U · I I*為矩陣核范數(shù)，表示矩陣的所有奇異值之和，I |ε| |2>1為重構(gòu)誤差矩陣Ε = [Ei，E2, . . .，Ej]的匕i范數(shù)
_，E(u，v)表示E的第u行第v列元素；
[0017] 求解上述聯(lián)合低秩表示模型，對(duì)聚類的特征矩陣h進(jìn)行低秩稀疏分解，得到低秩 表示系數(shù)的最優(yōu)解集合·| = 1，2,...，·/(;
[0018] (6)利用聚類(^對(duì)應(yīng)的低秩表示系數(shù)g計(jì)算該聚類的顯著性因子L(Cj):
[0020] 其中，Zf5是低秩表示系數(shù)矩陣< 的前m行，Zf是低秩表示系數(shù)矩陣Z；的后m行， ? I |1;1表示矩陣的&范數(shù)
表示A的第u行第V列元素的 絕對(duì)值；
[0021] (7)將每一個(gè)聚類Cj的顯著性因子L(Cj)按照其空間位置映射到輸入圖像I中，得到 輸入圖像I的顯著圖。
[0022] 本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點(diǎn)：
[0023] 第一，解決了傳統(tǒng)方法難以檢測較大尺寸顯著性目標(biāo)的問題
[0024]本發(fā)明對(duì)輸入圖像進(jìn)行超像素分割，并對(duì)分割得到的超像素聚類，然后采用低秩 表示算法對(duì)聚類特征矩陣進(jìn)行低秩稀疏分解，并利用低秩表示系數(shù)定義聚類的顯著性，克 服了傳統(tǒng)基于低秩矩陣恢復(fù)的顯著性檢測方法中難以完整一致地檢測較大尺寸顯著性目 標(biāo)的問題。
[0025] 第二，提升了復(fù)雜背景圖像顯著性檢測的魯棒性
[0026] 傳統(tǒng)基于低秩矩陣恢復(fù)的顯著性檢測方法簡單假設(shè)背景特征屬于同一低維子空 間，并對(duì)整幅圖像的特征進(jìn)行低秩稀疏分解，由于復(fù)雜背景中包含不同的紋理區(qū)域，在這種 情況下背景的特征不具有低秩特性，因而傳統(tǒng)方法的假設(shè)不再成立。鑒于同一聚類內(nèi)超像 素的特征具有相似性，本發(fā)明假設(shè)其屬于相同的低維子空間，并利用低秩表示算法對(duì)聚類 特征進(jìn)行低秩稀疏分解，因此與傳統(tǒng)基于低秩矩陣恢復(fù)的顯著性檢測方法相比，本發(fā)明提 升了復(fù)雜背景圖像顯著性檢測的魯棒性。
【附圖說明】
[0027] 圖1為本發(fā)明的實(shí)現(xiàn)流程圖；
[0028] 圖2為用本發(fā)明對(duì)包含大尺寸顯著性目標(biāo)圖像檢測的仿真圖；
[0029] 圖3為用本發(fā)明對(duì)包含復(fù)雜背景圖像顯著性目標(biāo)檢測的仿真圖；
[0030] 圖4為用本發(fā)明對(duì)顯著性目標(biāo)檢測結(jié)果的客觀評(píng)價(jià)圖。
[0031 ]具體實(shí)施方法
[0032] 下面結(jié)合附圖對(duì)本發(fā)明的實(shí)施例和效果作進(jìn)一步的詳細(xì)描述。
[0033] 參照附圖1，本發(fā)明的實(shí)現(xiàn)步驟如下：
[0034] 步驟1，輸入圖像并進(jìn)行超像素分割。
[0035] (la)從MSRA-1000數(shù)據(jù)庫中選取一幅圖像作為輸入圖像I;
[0036] (lb)將輸入圖像I分割成N個(gè)超像素 {Pl|i = l，2，. ..，N}。已有的超像素分割算法 有Superpixel Lattice、Normalized cuts、Turbopixels和SLIC等，其中SLIC超像素分割算 法在超像素形狀、邊界保持以及算法的運(yùn)算速度上具有明顯的優(yōu)勢，本發(fā)明選用SLIC超像 素分割算法對(duì)輸入圖像進(jìn)行分割。
[0037]步驟2,對(duì)超像素進(jìn)行聚類。
[0038] 拉普拉斯稀疏子空間聚類算法在稀疏子空間聚類算法的基礎(chǔ)上加入約束數(shù)據(jù)特 征一致性的Laplacian項(xiàng)，具有更加優(yōu)越的性能，因此本發(fā)明選擇拉普拉斯稀疏子空間算法 對(duì)所有超像素進(jìn)行聚類，得到輸入圖像I的J個(gè)聚類| j = l，2,. . .，J}，其中每一個(gè)聚類Cj 包含了mj個(gè)超像素，BPCj= {pj,k | k = 1，2，· · ·，mj}。
[0039] 步驟3,構(gòu)建聚類特征矩陣。
[0040] (3a)提取聚類中超像素特征：
[0041] (3al)針對(duì)每一個(gè)聚類C產(chǎn){?^^=1，2，...此}當(dāng)中包含的第1^個(gè)超像素1^，分 別提取W, k中每個(gè)像素點(diǎn)的顏色、邊緣和紋理特征，每個(gè)像素點(diǎn)的顏色特征的維數(shù)為5,用3 個(gè)尺度4個(gè)方向的金字塔濾波器提取每個(gè)像素點(diǎn)的邊緣特征，其維數(shù)為12,用3個(gè)尺度12個(gè) 方向的Gabor濾波器提取每個(gè)像素點(diǎn)的紋理特征，其維數(shù)為36,將上述顏色、邊緣和紋理特 征組合得到每個(gè)像素點(diǎn)的特征向量，其維數(shù)M=53;
[0042] (3a2)根據(jù)(3al)提取的超像素 w,k中每個(gè)像素點(diǎn)的53維特征向量，對(duì)超像素 w,k包 含的所有像素點(diǎn)的特征向量取均值得到Pj,k的特征xj,k，k=l，2,. . .，mj;
[0043] (3b)構(gòu)建特征矩陣：
[0044]根據(jù)（3a)中提取的聚類G中πυ個(gè)超像素的特征，構(gòu)建聚類G的特征矩陣為 Jf, - [Χρ，Λ力：，人-] 〇
[0045]步驟4,構(gòu)建基于顏色對(duì)比度的字典。
[0046] (4a)計(jì)算超像素的顏色對(duì)比度：
[0048]
表示超像素 Pl中所有像素的CIElab空間顏色特征的均值，常用 的顏色空間模型有RGB、HSI和CIElab，本發(fā)明采用的顏色特征取自于CIElab空間，g表示超 像素 Pi中任一像素點(diǎn)Im的顏色特征，|pi |是超像素 Pi中像素點(diǎn)的總數(shù)，
像素 W中所有像素的顏色特征的均值，<表示超像素 W中任一像素點(diǎn)In的顏色特征，IPj I是 超像素 W中像素點(diǎn)的總數(shù)，I |Cl-Cj| |2為cdPq歐氏距離的平方
表示超像素 Pi*所有像素位置坐標(biāo)的均值，<表示超像素 Pi中任一像素點(diǎn)Im的位置坐標(biāo)，
表示超像素 W中所有像素位置坐標(biāo)的均值，表示超像素 W中任一像素點(diǎn)In 的位置坐標(biāo)，I Ih-hl I2為ldPh歐氏距離的平方
的歸一化參數(shù)，〇P是局 部-全局權(quán)衡因子；
[0049] (4b)根據(jù)超像素顏色對(duì)比度由大到小對(duì)超像素特征進(jìn)行排序，得到低秩表示算法 的字典β =[丨,?,_\,? l·其中，氣是超像素巧,的特征向量，1 < s i < N，且滿足 W-? 藝"·％。
[0050] 步驟5，根據(jù)特征矩陣Xj和字典D構(gòu)建聯(lián)合低秩表示模型。
[0051] 由于同一聚類內(nèi)超像素的特征具有相似性，因此I具有低秩特性，重構(gòu)誤差&具有 稀疏特性，且核范數(shù)