一种基于显著性区域检测模型背景虚化方法.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CN108230243A(43)申请公布日2018.06.29(21)申请号201810133575.9(22)申请日2018.02.09(71)申请人福州大学地址350108福建省福州市闽侯县福州地区大学新区学园路2号(72)发明人余春艳徐小丹陈立杨素琼王秀(74)专利代理机构福州元创专利商标代理有限公司35100代理人蔡学俊薛金才(51)Int.Cl.G06T3/00(2006.01)G06T7/11(2017.01)G06N3/04(2006.01)权利要求书3页说明书7页附图1页(54)发明名称一种基于显著性区域检测模型背景虚化方法(57)摘要本发明公开了一种基于显著性区域检测模型背景虚化方法，包括以下步骤：获取原始图像，构建显著性区域检测模型卷积网络得到原始图像的显著性图，将获得的显著性图像放入全连接条件随机场进行训练获得优化后的显著性图像，再将优化后的显著性图进行二值化或分割处理得到01矩阵，得到前景索引矩阵和背景索引矩阵；利用距离加权平均算法实现原始图像的全局模糊；最后将前景原图和模糊背景图相拼接，生成虚化背景图。本发明不仅能准确的检测出完整的显著性区域，且显著性边界较为清晰，从而在虚化背景的时候能够保留前景图的特征，不损坏前景图图像内容。CN108230243ACN108230243A权利要求书1/3页1.一种基于显著性区域检测模型背景虚化方法，其特征在于，包括以下步骤:步骤S1：获取原始图像；步骤S2：基于卷积神经网络构建显著性区域检测模型,得到原始图像的显著性图；步骤S3：将显著性图放入全连接条件随机场进行训练,得到优化后的显著性图;步骤S4：对优化后的显著性图进行二值化或分割处理得到01矩阵SBM,获得前景索引矩阵IF和背景索引矩阵IB，定义如下：其中，M×N为与原始图像分辨率相同的全1矩阵；步骤S5：利用距离加权平均算法实现原始图像的全局模糊，得到原始模糊图；步骤S6：利用前景索引矩阵IF对原始图像提取清晰前景图，利用背景索引矩阵IB对原始模糊图提取模糊背景图；最后将清晰前景图和模糊背景图相拼接，得到背景虚化结果。2.根据权利要求1所述的基于显著性区域检测模型背景虚化方法，其特征在于，所述显著性区域检测模型具体网络结构如下：第一层为输入层，输入原始图像；第二层由两个卷积层构成，其中第一个卷积层使用64个卷积核，尺寸为（4，4，3），第二个卷积层使用64个卷积核，尺寸为（3，3，64），激活函数为ReLU函数；第三层为池化层，尺寸为（2，2），激活函数为ReLU函数；第四层由两个卷积层构成，其中第一个卷积层使用128个卷积核，尺寸为（3，3，64），第二个卷积层使用128个卷积核，尺寸为（3，3，128），激活函数为ReLU函数；第五层为池化层，尺寸为（2，2），激活函数为ReLU函数；第六层由三个卷积层构成，其中第一个卷积层使用256个卷积核，尺寸为（3，3，128），第二个卷积层使用256个卷积核，尺寸为（3，3，256），第三个卷积层使用256个卷积核，尺寸为（3，3，256），激活函数为ReLU函数；第七层为池化层，尺寸为（2，2），激活函数为ReLU函数；第八层由三个卷积层构成，其中第一个卷积层使用512个卷积核，尺寸为（3，3，256），第二个卷积层使用512个卷积核，尺寸为（3，3，512），第三个卷积层使用512个卷积核，尺寸为（3，3，512），激活函数为ReLU函数；第九层为池化层，尺寸为（2，2），激活函数为ReLU函数；第十层由三个卷积层构成，其中第一个卷积层使用512个卷积核，尺寸为（3，3，512），第二个卷积层使用512个卷积核，尺寸为（3，3，512），第三个卷积层使用512个卷积核，尺寸为（3，3，512），激活函数为ReLU函数；第十一层为池化层，尺寸为（3，3），扩充边缘尺寸为1，激活函数为ReLU函数；第十二层由两个卷积层构成，其中第一个卷积层使用1024个卷积核，尺寸为（3，3，512），第二个卷积层使用512个卷积核，尺寸为（3，3，1024），激活函数为ReLU函数；第十三层由两个卷积层与一个归一化层构成，其中第一个卷积层使用256个卷积核，尺寸为（3，3，1024），第二个卷积层使用512个卷积核，尺寸为（3，3，256），激活函数为ReLU函数；第十四层为去卷积模块，其中两个输入分别为第十三层输出与第十二层输出；第十五层为去卷积模块，其中两个输入分别为第十四层输出与第八层输出；2CN108230243A权利要求书2/3页第十六层为去卷积模块，其中两个输入分别为第十五层输出与第六层输出；第十七层为去卷积模块，其中两个输入分别为第十六层输出与第四层输出；第十八层为去卷积模块，其中两个输入