一种多特征融合的图像显著性检测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115937647A(43)申请公布日2023.04.07(21)申请号202310047740.X(22)申请日2023.01.31(71)申请人西南石油大学地址610500四川省成都市新都区新都大道8号(72)发明人周文俊吴小琴王一帆王天飞彭博(51)Int.Cl.G06V10/80(2022.01)G06V10/82(2022.01)G06V10/40(2022.01)G06N3/04(2023.01)G06N3/08(2023.01)权利要求书2页说明书6页附图4页(54)发明名称一种多特征融合的图像显著性检测方法(57)摘要本发明属于图像处理技术领域，具体设计了一种多特征融合的图像显著性检测方法。包括如下步骤：S1：搭建MFS先验特征选择模块，从先验特征中选择主要特征并对主要特征进行增强；S2：搭建主干网络的架构，采用基于U‑Net的网络改进的ContrastU‑Net作为主干网络，该主干网络包含编码器、挤压提取模块、解码器，其中编码器中包含先验融合模块；S3：使用损失函数对整体模型网络结构进行优化；本发明通过将传统与深度的方法相结合，增加特征的表达能力，可以有效的提升显著目标检测的精度。CN115937647ACN115937647A权利要求书1/2页1.一种多特征融合的图像显著性检测方法，其特征在于，包括如下步骤:S1:搭建MFS先验特征选择模块，从先验特征中选择主要特征并对主要特征进行增强；S2:搭建主干网络的架构，采用基于U‑Net的网络改进的ContrastU‑Net作为主干网络，该主干网络包含编码器、挤压提取模块、解码器，其中编码器中包含先验融合模块；S3:使用损失函数对整体模型网络结构进行优化。2.如权利要求1所述的一种多特征融合的图像显著性检测方法，其特征在于：步骤S1中MFS先验特征选择模块具体实现方式为：S11:通过对原始图片处理得到4个先验特征fm；其中，m=1,2,3,4，f1表示特征暗通道、f2表示特征MSCN、f3表示特征HSV通道的H通道、f4表示特征HSV通道的S通道；S12:将每个先验特征进行直方图统计，得到整体特征分布；将每个特征图的最外沿特征值取出做直方图统计，得到背景特征主要分布；在背景中增加显著目标后，通过整体特征分布和背景特征主要分布得到显著目标特征可能分布，其获得方式为：其中，k=10表示统计直方图有10个等距值域区间，rk表示第k级矩阵特征值域区间；当为0时，的值为无穷大；S13:通过每个背景特征主要分布和显著目标特征可能分布分别得到背景特征主要分布区域和显著目标特征主要分布区域；S14:通过背景特征主要分布区域与显著目标特征主要分布区域计算分布差异dm，选择分布差异中前三个最大值所对应的特征进行拼接得到主要特征FP，然后将其输入1×1的卷积层，获得一个多通道主要特征FP1；S15:增强多通道主要特征FP1，通过将多通道主要特征FP1进行残差连接，然后进行2×2最大池化，得到增强后的多通道主要特征Fpre，用于编码器第2部分的先验输入；对Fpre重复进行S15步骤进行增强，得到Fpre1，用于编码器第3部分的先验输入。3.如权利要求2所述的一种多特征融合的图像显著性检测方法，其特征在于：步骤S13中背景特征主要分布区域获得方式为背景特征主要分布取最大值时的k值；显著目标特征主要分布区域获得方式为显著目标特征可能分布取最大值时的k值。4.如权利要求2所述的一种多特征融合的图像显著性检测方法，其特征在于：步骤S14中分布差异dm获得方式为：。5.如权利要求2所述的一种多特征融合的图像显著性检测方法，其特征在于：步骤S15中其增强后的多通道主要特征获得方式具体为：2CN115937647A权利要求书2/2页对多通道主要特征先进行两次3×3的卷积操作，再与多通道主要特征连接，然后进行2×2最大池化，得到增强后的多通道主要特征。6.如权利要求1所述的一种多特征融合的图像显著性检测方法，其特征在于：步骤S2中主干网络的架构具体实现方式为：S21:构建编码器，所述编码器是由5个部分构成，第1部分将图片输入进行两次卷积和一次池化，再将提取特征结果输入第2部分；第2部分对其进行两次卷积，同时取出第1次卷积结果进行对比度算子处理，然后将两次卷积结果、对比度算子结果与增强后的多通道主要特征Fpre输入先验融合模块；再对融合结果进行池化，将池化后的结果输入第3部分；第3部分对输入的处理步骤与第2部分处理步骤一致，然后将处理结果输入第4部分；第4部分对输入的处理步骤与第1部分处理步骤一致，然后将处理结果输入第5部分；第5部分对输入进行两次卷积，得到编码器的输出；其中，卷积均是采用3x3的卷积层，池化均是采用2x2的最大池化；S22: