(19)中华人民共和国国家知识产权局
(12)发明专利说明书 | ||
(10)申请公布号 CN 107301643 A (43)申请公布日 2017.10.27 | ||
(21)申请号 CN201710419857.0
(22)申请日 2017.06.06
(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 张强 刘毅 关永强 霍臻 王龙
(74)专利代理机构 陕西电子工业专利中心
代理人 王品华
(51)Int.CI
权利要求说明书 说明书 幅图 |
(54)发明名称
基于鲁棒稀疏表示与拉普拉斯正则项的显著目标检测方法 | |
(57)摘要
本发明公开了一种基于鲁棒稀疏表示与拉普拉斯正则项的显著目标检测方法，主要解决现有方法在复杂图像中不能完整一致地检测出显著目标的问题。其实现方案为：1.对输入图像做过分割，得到超像素集；2.采用处于边界区域的超像素构建背景字典；3.在鲁棒稀疏表示模型中采用两个拉普拉斯正则项分别约束表示系数和重构误差的一致性，并利用背景字典求解模型得到表示系数矩阵和重构误差矩阵；5.联合表示系数矩阵和重构误差矩阵构建显著性因子，得到超像素级显著图；6.将超像素级显著图映射得到像素级显著图。实验表明本发明具有较好的背景抑制效果，并能够完整地检测图像显著目标，可用于复杂场景图像的显著目标检测。 | |
法律状态
法律状态公告日 | 法律状态信息 | 法律状态 |
2022-05-17 | 未缴年费专利权终止IPC(主分类):G06T 7/11专利号:ZL2017104198570申请日:20170606授权公告日:20190806 | 专利权的终止 |
权 利 要 求 说 明 书
1.一种基于鲁棒稀疏表示与拉普拉斯正则项的显著目标检测方法,包括:
(1)利用简单线性迭代聚类算法SLIC将输入图像过分割为N个超像素,选取处于图像边界区域的超像素构建背景字典D=[d<Sub>1</Sub>,...d<Sub>j</Sub>K,d<Sub>K</Sub>]∈R<Sup>
m×K</Sup>,其中d<Sub>j</Sub>为第j个字典原子,j=1,...,K,K为字典原子个数,R<Sup>m</Sup>为m维特征向量;
(2)采用鲁棒稀疏表示方法,构建如下显著目标检测模型:
<mrow><munder><mi>min</mi><mrow><mi>Z</mi><mo>,</mo><mi>E</mi></mrow></munder><mo>|</mo><mo>|</mo><mi>Z</mi><mo>|</mo><msub><mo>|</mo><mn>1</mn></msub><mo>+</mo><msub><mi>λ</mi><mn>1</mn></msub><mo>|</mo><mo>|</mo><mi>E</mi><mo>|</mo><msub><mo>|</mo><mrow><mn>2</mn><mo>,</mo><mn>1</mn></mrow></msub><mo>+</mo><msub><mi>λ</mi><mn>2</mn></msub><mi>t</mi><mi>r</mi><mrow><mo>(</mo><msup><mi>ZLZ</mi><mi>T</mi></msup><mo>)</mo></mrow><mo>+</mo><msub><mi>λ</mi><mn>3</mn></msub><mi>t</mi><mi>r</mi><mrow><mo>(</mo><msup><mi>ELE</mi><mi>T</mi></msup><mo>)</mo></mrow></mrow><Image>
s.t. X=DZ+E
其中,X为输入图像,D为背景字典,E为重构误差矩阵,Z为表示系数矩阵,||Z||<Sub>1</Sub>为矩阵Z的l<Sub>1</Sub>范数,||E||<Sub>2,1</Sub>为矩阵E的l<Sub>2,1</Sub>范数,<Image><Image>拉普拉斯矩阵L定义为L=C-W,矩阵W∈R<Sup>N×N</Sup>为关联矩阵,构建方法为:W<Sub>i,j</Sub>=ω<Sub>ij</Sub>,权重ω<Sub>ij</Sub>表示第i个超像素与其邻域内第j个超像素之间的相似性,对角矩阵C∈R<Sup>N×N</Sup>定义为:<Image>z<Sub>i</Sub>和e<Sub>i</Sub>分别为表示系数矩阵Z和重构误差矩阵E的第i列,λ<Sub>1</Sub>为平衡因子,实验设置为0.1,λ<Sub>2</Sub>和λ<Sub>3</Sub>为两个权衡参数,实验设置为0.01;
(3)利用交替方向乘子算法ADMM和SpaRSA算法联合求解上述模型,得到最优的超像素的重构误差矩阵E<Sup>*</Sup>和表示系数矩阵Z<Sup>*</Sup>;
(4)构建超像素级显著性因子:
(4a)采用每个超像素的重构误差的能量构建基于重构误差的显著性因子Sal<Sub>E</Sub>,即:
<mrow><msub><mi>Sal</mi><mi>E</mi></msub><mrow><mo>(</mo><msub><mi>s</mi><mi>i</mi></msub><mo>)</mo></mrow><mo>=</mo><mn>1</mn><mo>-</mo><mi>exp</mi><mrow><mo>(</mo><mo>-</mo><mfrac><mrow><mo>|</mo><mo>|</mo><mi>E</mi><mo>*</mo><mrow><mo>(</mo><mo>:</mo><mo>,</mo><mi>i</mi><mo>)</mo></mrow><mo>|</mo><msubsup><mo>|</mo><mn>2</mn><mn>2</mn></msubsup></mrow><mrow><mn>2</mn><msubsup><mi>σ</mi><mi>E</mi><mn>2</mn></msubsup></mrow></mfrac><mo>)</mo></mrow><mo>,</mo></mrow><Image>
其中,E<Sup>*</Sup>(:,i)为第i个超像素s<Sub>i</Sub>对应的重构误差,i=1,...,N,||E<Sup>*</Sup>(:,i)||<Sub>2</Sub>为向量E<Sup>*</Sup>(:,i)的l<Sub>2</Sub>范数,E<Sup>*</Sup>表示最优的重构误差矩阵,σ<Sub>E</Sub>为高斯核尺度参数,实验设置为σ<Sub>E</Sub>=4;
(4b)采用每个超像素的表示系数的稀疏度和能量共同构建显著性因子Sal<Sub>Z</Sub>,即:
正则化项鲁棒性<mrow><msub><mi>Sal</mi><mi>Z</mi></msub><mrow><mo>(</mo><msub><mi>s</mi
><mi>i</mi></msub><mo>)</mo></mrow><mo>=</mo><mo>|</mo><mo>|</mo><msup><mi>Z</mi><mo>*</mo></msup><mrow><mo>(</mo><mo>:</mo><mo>,</mo><mi>i</mi><mo>)</mo></mrow><mo>|</mo><msub><mo>|</mo><mn>0</mn></msub><mo>·</mo><mrow><mo>(</mo><mn>1</mn><mo>-</mo><mi>exp</mi><mo>(</mo><mrow><mo>-</mo><mfrac><mrow><mo>|</mo><mo>|</mo><mi>Z</mi><mo>*</mo><mrow><mo>(</mo><mo>:</mo><mo>,</mo><mi>i</mi><mo>)</mo></mrow><mo>|</mo><msubsup><mo>|</mo><mn>2</mn><mn>2</mn></msubsup></mrow><mrow><mn>2</mn><msubsup><mi>σ</mi><mi>Z</mi><mn>2</mn></msubsup></mrow></mfrac></mrow><mo>)</mo><mo>)</mo></mrow><mo>,</mo></mrow><Image>
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论