基于马尔可夫吸收模型的显著性区域检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN107609552A(43)申请公布日2018.01.19(21)申请号201710727461.2(22)申请日2017.08.23(71)申请人西安电子科技大学地址710071陕西省西安市雁塔区太白南路2号(72)发明人王颖李洁范淼高新波陈佳丽李嘉展王斌张建龙(74)专利代理机构陕西电子工业专利中心61205代理人田文英王品华(51)Int.Cl.G06K9/32(2006.01)G06K9/46(2006.01)G06K9/62(2006.01)权利要求书4页说明书7页附图4页(54)发明名称基于马尔可夫吸收模型的显著性区域检测方法(57)摘要本发明公开一种基于马尔可夫吸收模型的显著性区域检测方法，本发明的步骤为：(1)生成超像素标签矩阵；(2)生成超像素的特征值；(3)构建超像素映射图像的图模型；(4)筛选转移节点和背景吸收点；(5)生成马尔可夫吸收链模型的转移矩阵；(6)生成马尔可夫吸收模型显著特征图；(7)生成全局特征图；(8)获得特征叠加图；(9)获得显著区域检测图。本发明采用了筛选转移节点和背景吸收点法，获得真正属于背景的超像素作为背景吸收点，提高了显著性检测的准确性。本发明通过计算全局特征图进行特征叠加，可以获得均匀且边界完整的目标。CN107609552ACN107609552A权利要求书1/4页1.一种基于马尔可夫吸收模型的显著性区域检测方法，包括如下步骤：(1)生成超像素标签矩阵：(1a)对红绿蓝RGB三通道的待检测的图像进行国际照明委员会颜色-对比CIELab空间转换，得到待检测图像在国际照明委员会颜色-对比CIELAB空间的特征值；(1b)根据国际照明委员会颜色-对比CIELAB空间的特征值，利用简单线性迭代聚类SLIC超像素分割算法，对待检测的图像进行分割，获得一个具有k个超像素的超像素映射图像，并生成超像素标签矩阵；(2)生成超像素的特征值：在超像素标签矩阵中，将每个超像素里所有像素在国际照明委员会颜色-对比CIELAB空间的特征均值作为该超像素的特征值；(3)构建超像素映射图像的图模型：(3a)将超像素映射图像中的超像素作为超像素映射图像的图模型的节点，并依次寻找每个节点的所有邻接节点；(3b)计算超像素映射图像的图模型的节点之间的边权重，并获得每个节点与所有邻接节点之间的图模型标签矩阵；(4)筛选转移节点和背景吸收点：(4a)在超像素标签矩阵中搜索触及超像素标签矩阵四个最外边界的所有节点，作为粗略边界节点；(4b)利用阈值法，获得马尔可夫吸收模型的背景吸收点和转移节点；所述阈值法的步骤如下：第一步，将每个粗略边界节点在超像素标签矩阵四个最外边界的标签总数，作为触及图像边界部分的超像素的周长，将每个粗略边界节点在超像素标签矩阵中的标签总数，作为触及图像边界部分的超像素的面积；第二步，按照下式，计算粗略边界节点的边界连通值：其中，B表示粗略边界节点的边界连通值，Len表示触及图像边界部分的超像素的周长，Area表示触及图像边界部分的超像素的面积；第三步，将所有粗略边界节点的边界连通值中大于阈值的粗略边界节点，作为真正属于背景的背景吸收点，其余的作为转移节点，其中，阈值的取值范围为[0.1,0.9]；(5)生成马尔可夫吸收模型的转移矩阵：(5a)将图模型中每个节点与其所有邻接节点的图模型标签矩阵，进行填零扩充排列，生成每个节点与其他所有节点之间的一一对应的关联矩阵；(5b)求关联矩阵中每个节点与其他所有节点之间的权重和，将所有节点生成的权重和组成度矩阵；(5c)将关联矩阵与度矩阵的逆矩阵进行点乘，将点乘后的矩阵作为马尔可夫吸收模型的转移矩阵；(6)生成马尔可夫吸收模型显著特征图：(6a)将转移矩阵的吸收节点之前排列出所有转移节点，组成转移矩阵的规范形式，在2CN107609552A权利要求书2/4页规范形式中提取所有转移节点组成的转移概率矩阵；(6b)对转移概率矩阵进行逆运算得到转移矩阵的基本矩阵，作为被吸收之前停留在所有转移节点的期望时间矩阵；(6c)将期望时间矩阵中每个转移节点与所有转移节点之间的期望转移时间的均值，作为每个转移节点的被吸收时间；(6d)以马尔可夫吸收模型中的每个转移节点的被吸收时间作为每个转移节点的显著值；(6e)利用所有转移节点的显著值，生成马尔可夫吸收模型显著特征图；(7)生成全局特征图：(7a)按照下式，计算超像素标签矩阵中每个超像素与所有超像素之间的全局空间距离均值：其中，d(z)表示超像素标签矩阵中第z个超像素与所有超像素之间的全局空间距离均值，z＝1,2...b，b表示超像素总数，z1表示第z1个超像素的序号，∑表示求和操作，SLh表示在国际照明委员会颜色-对比CIELAB空间的L空间中