融合低层和高层特征的显著物体存在性判定方法与流程

本发明涉及一种融合低层和高层特征的显著物体存在性判定方法,属于图像处理
技术领域：
。
背景技术：
：显著目标检测可以有效检测图片中显著物体的位置和大小，被广泛应用于物体检测、图像压缩等多种领域。然而现有的显著目标检测算法大多假设自然场景中包含一个或多个显著物体，没有考虑到不存在显著物体的情况。这种假设导致显著目标检测模型的准确度降低。因此，显著物体存在性判定成为了一个重要的课题。显著物体存在性判定是显著目标检测的预处理环节，通过对输入图片是否存在显著物体进行判断，选择出存在显著物体的图片进行显著目标检测，保证了显著目标检测的准确率。显著物体存在性判定作为一个预处理环节，除了对判别的准确率有要求，更需要保证较快的处理速度，保证整个显著目标检测进程的效率。在一些研究中，显著物体存在问题被认为是基于最小图片的显著特征的标准二元分类问题。在一些研究中，学者将显著物体存在问题与其他一些问题进行同步解决，如显著目标个数和显著对象检测。但是现有的算法依旧存在一定不足。首先，现有先进算法大多利用神经网络对大量样本进行训练，消耗的时间较长，且不利于在现有框架上进一步改进。另外，作为显著物体检测的预处理环节，显著物体存在性判定需要尽可能降低运算复杂度，节省运算所需的时间。然而为了得到更加准确的判定结果，现有算法均选择提取极多的特征，这将大大减缓整个工程的进程。技术实现要素：本发明的目的在于解决现有技术中用时较长的不足，提供一种融合低层和高层特征的显著物体存在性判定方法。为达到上述目的，本发明采用的方法是：一种融合低层和高层特征的显著物体存在性判定方法，依次包括以下步骤：s1：提取输入图像不同通道的特征，作为一部分低层特征；s2：在不同通道的特征图上，统计灰度值信息；基于统计结果，计算各像素与图像其他区域的对比度值，作为一部分低层特征；s3：提取图像的纹理，作为一部分高层特征；s4：提取图像的似物性特征，作为一部分高层特征；s5：将上述具有代表性的特征进行特征降维；s6：将降维后的特征进行融合，得到输入图像中显著物体存在性判定结果。进一步的，所述步骤s1中，提取输入图像的亮度通道、红色通道、绿色通道和蓝色通道的特征图，作为一部分的低层特征。进一步的，所述步骤s2中，基于直方图统计各灰度值在图像中所占的比例：上式中，j∈[0,255]，表示灰度值。hj表示灰度值为j的像素点的统计个数。m表示图像的宽度，n表示图像的长度。pj表示灰度值为j的像素点在图像中所占的比例。进一步的，所述步骤s2中，基于灰度值统计信息，计算各像素点的对比度值：上式中，i,j∈[0,255]，表示灰度值。ci表示灰度值为i的像素点的对比度值。pj表示灰度值为j的像素点在图像中所占的比例。d(i,j)表示灰度值i和灰度值j之间的距离差。所计算得到的对比度值作为一部分低层特征。进一步的，所述步骤s3中，基于已有的伽柏算法提取图像的纹理特征，作为一部分高层特征。进一步的，所述步骤s4中，基于已有的似物性算法计算各像素点属于某一物体的可能性，获得似物性特征，作为一部分高层特征。进一步的，所述步骤s5中，根据已有的主成分分析算法对上述四种具有代表性的特征进行特征降维。进一步的，所述步骤s6中，根据已有的支持向量机算法对降维后的特征进行融合，获得输入图像中显著物体存在性判定结果。有益效果：本发明同时引入具有代表性的低层特征与高层特征，保证特征多元化；选取数目更少但是更具代表性的特征，提高了算法的运行速度；采用svm对特征进行融合并对图片进行分类，增加算法的可读性和提升空间。本发明与4篇论文中的先进算法在三个公开数据集上进行了实验比较，结果显示本发明在识别的准确度上基本与现有的先进算法持平，而处理速度上明显优于其他算法，大大提升了处理效率。附图说明图1为实施例的整体流程示意图。具体实施方式下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。如图1所示，本实施例的融合低层和高层特征的显著物体存在性判定方法，依次包括以下步骤：s1：提取输入图像不同通道的特征，作为一部分低层特征；s2：在不同通道的特征图上，统计灰度值信息；基于统计结果，计算各像素与图像其他区域的对比度值，作为一部分低层特征；s3：提取图像的纹理，作为一部分高层特征；s4：提取图像的似物性特征，作为一部分高层特征；s5：将上述具有代表性的特征进行特征降维；s6：将降维后的特征进行融合，得到输入图像中显著物体存在性判定结果。在本实施例中，所述步骤s1中，提取输入图像的亮度通道、红色通道、绿色通道和蓝色通道的特征图，作为一部分的低层特征。在本实施例中，所述步骤s2中，基于直方图统计各灰度值在图像中所占的比例：在本实施例中，j∈[0,255]，表示灰度值。hj表示灰度值为j的像素点的统计个数。m表示图像的宽度，n表示图像的长度。pj表示灰度值为j的像素点在图像中所占的比例。在本实施例中，所述步骤s2中，基于灰度值统计信息，计算各像素点的对比度值：在本实施例中，i,j∈[0,255]，表示灰度值。ci表示灰度值为i的像素点的对比度值。pj表示灰度值为j的像素点在图像中所占的比例。d(i,j)表示灰度值i和灰度值j之间的距离差。所计算得到的对比度值作为一部分低层特征。在本实施例中，所述步骤s3中，基于已有的伽柏算法提取图像的纹理特征，作为一部分高层特征。在本实施例中，所述步骤s4中，基于已有的似物性算法计算各像素点属于某一物体的可能性，获得似物性特征，作为一部分高层特征。在本实施例中，所述步骤s5中，根据已有的主成分分析算法对上述四种具有代表性的特征进行特征降维。在本实施例中，所述步骤s6中，根据已有的支持向量机算法对降维后的特征进行融合，获得输入图像中显著物体存在性判定结果。此处，基于判定准确率在jsod、msra-b和ecssd数据集上进行性能比较，如表1所示。本发明和4种当前最好的显著物体存在性判定方法进行了性能对比。这4种方法分别是：hou方法[出自qibinhou,ming-mingcheng,xiaoweihu,etal,deeplysupervisedsalientobjectdetectionwithshortconnections.theieeeconferenceoncomputervisionandpatternrecognition(cvpr),2017,pp.3203-3212]、wang方法[出自pengwang,jingdongwang,gangzeng,etal,salientobjectdetectionforsearchedwebimagesviaglobalsaliency,2012ieeeconferenceoncomputervisionandpatternrecognition.10.1109/cvpr.2012.6248054]、zhang方法[出自jianmingzhang,shugaoma,mehrnooshsameki,stansclaroff,etal,salientobjectsubitizing.theieeeconferenceoncomputervisionandpatternrecognition(cvpr),2015,pp.4045-4054]、jiang方法[出自huaizujiang,etal,weaklysupervisedlearningforsalientobjectdetection,computervisionandpatternrecognition(cs.cv),2015,arxiv:1501.07492]。本发明的方法则简称为ours。jsod数据集共包含10000张存在显著物体的图片和6182张不存在显著物体的图片。msra-b和ecssd数据集都只包含了存在显著物体的图片，分别有5000张和1000张图像。表1.多种方法在三个数据集上的性能比较准确率(％)houwangzhangjiangoursjsod98.8490.6498.5195.5892.3msra-b99.0589.2698.192.5491.5ecssd72.595.695.679.982.5此处，进一步将本发明和4种当前最好的显著物体存在性判定方法在处理速度上进行对比，如表2所示。本发明在inter(r)i5-8250ucpu(1.60ghz)内存8.00gb的pc上进行，算法使用visualstudio编程，编程语言为c++，在visualstudio2017上运行。每张图片特征提取的时间约0.25秒，svm训练时间约30秒。hou方法在一台nvidiatitanxgpu和4.0ghzintel处理器上运行。每张图片处理的时间小于0.5秒，训练时间为8个小时。wang方法在一台四核的3.2ghz电脑上运行，使用matlab+c代码，在matlab软件上进行编程，每张图片的处理时间为4.4秒。zhang方法在gpu上运行，每张图片特征提取的时间约为0.5秒。jiang方法在inteli7cpu(3.4ghz)及32gbram的电脑上运行，并使用matlab代码和c++代码分别进行了测试，该算法每张图片进行特征提取的时间约3秒，使用matlab代码进行训练的时间为12小时，使用c++代码进行svm训练的时间为0.5小时。结果显示本发明在识别的准确度上基本与现有的先进算法持平，而处理速度上明显优于其他算法，大大提升了处理效率。表2各种算法提取特征所用的时间及训练时间比较当前第1页12