申请/专利权人：西安交通大学

申请日：2021-03-26

公开（公告）日：2024-04-05

公开（公告）号：CN113159025B

主分类号：G06V10/25

分类号：G06V10/25;G06V10/80

优先权：

专利状态码：有效-授权

法律状态：2024.04.05#授权;2021.08.10#实质审查的生效;2021.07.23#公开

摘要：一种图像显著性检测方法、系统、终端及可读存储介质，检测方法包括第一阶段：将输入图像的每个超像素节点中提取出不同特征视图进行联合优化，分别将图像四条边上的节点作为标记的背景查询种子，求解每个特征视图对应的邻接关系矩阵及其权重，得到融合邻接关系矩阵，求解四个背景查询种子对应的四个流型排序向量的最优解，将其进行归一化并取补码后进行融合，得到超像素节点排序值，完成初步的显著图求解；第二阶段：将第一阶段生成的初步的显著图进行二值化之后作为前景查询向量，通过融合邻接关系矩阵与流型排序算法相结合求解最终的显著图。本发明有效地减小了噪声图的不利影响，提高了显著性检测的准确率，加快了显著性检测的运算速度。

主权项：1.一种图像显著性检测方法，其特征在于，包括以下步骤：第一阶段：将输入图像的每个超像素节点中提取出不同特征视图进行联合优化，具体的，分别将图像四条边上的节点作为标记的背景查询种子，求解每个特征视图对应的邻接关系矩阵W及其权重，得到融合邻接关系矩阵S，求解四个背景查询种子对应的四个流型排序向量f的最优解，将其进行归一化并取补码后进行融合，得到超像素节点排序值，完成初步的显著图求解；第二阶段：将第一阶段生成的初步的显著图进行二值化之后作为前景查询向量，通过融合邻接关系矩阵S与流型排序算法相结合求解最终的显著图；所述第一阶段的损失函数如下： 其中，X代表特征视图；dv代表不同邻接关系矩阵的权重，权重和为1；yk代表将输入图像上下左右分别作为背景时的四个指标向量，k∈[1,4]；f代表流型排序函数，fk对应于把yk作为指标向量时得到的流型排序结果；LS是融合邻接关系矩阵S对应的拉普拉斯矩阵；所述第一阶段的联合优化指迭代优化，采用如下优化公式求解第一阶段每个节点的流型排序值： 其中，I为n*n的单位矩阵，其中n为输入图像的超像素节点个数；LS代表融合邻接关系矩阵S对应的拉普拉斯矩阵，yk代表将输入图像上下左右分别作为背景时的四个指标向量，k∈[1,4]；η为平滑损失函数的参数，μ为平滑前一项与整个损失函数的参数；第一阶段四个流型排序向量f归一化并取补码后进行融合得到f′作为第二阶段的指标向量，流型排序算法的计算式如下：f*＝D-λS-1f′式中，S为第一阶段的融合邻接关系矩阵，D是S的对角矩阵，f*为最终流型排序值；λ为控制平滑度的超参数；所述第二阶段最终的显著图由最终流型排序值f*进行归一化之后得到。

全文数据：

权利要求：

百度查询： 西安交通大学 一种图像显著性检测方法、系统、终端及可读存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD