1.基于FCN与低秩稀疏分解的感兴趣区域检测方法,包括下列步骤:步骤1:对原图像进行超像素聚类,并提取每个超像素的颜色、纹理和边缘特征,据此构成特征矩阵;
步骤1‑1:提取图像的R、G、B三通道灰度值以及色调和饱和度描述图像的颜色特征;
步骤1‑2:采用可控金字塔滤波器对图像作多尺度和多方向分解,选取3个尺度、4个方向的滤波器,得到12个响应作为图像的边缘特征;
步骤1‑3:采用Gabor滤波器提取不同尺度、不同方向上的纹理特征,选取3个尺度、12个方向,得到36个响应作为图像的纹理特征;
步骤1‑4:利用mean‑shift聚类算法对图像进行超像素聚类,得到N个超像素{pi|i=1,
2,3,…,N},计算每个超像素中所有像素特征的均值表示该超像素的特征值fi,所有超像素d×N
特征共同构成特征矩阵F=[f1,f2,…fN],F∈R ;
步骤2:基于梯度下降法利用MSRA标记的数据库学习得到特征变换矩阵,在此基础上对特征矩阵F进行特征变换;
N×N
步骤2‑1:构造标记矩阵Q=diag(q1,q2,…,qN)∈R ,如果超像素pi在人工标注的显著性区域内,qi=0,否则qi=1;
步骤2‑2:根据以下优化模型,利用数据库中K幅图像学习特征变换矩阵T,s.t.||T||2=c
其中, 为第k幅图像的特征矩阵,Nk表示第k幅图像的超像素个数, 为第k幅图像的标记矩阵,||·||*表示矩阵的核范数,即矩阵的所有奇异值之和,||T||2表示矩阵T的 范数,c是一个常数,阻止T任意变大或变小;
步骤2‑3:利用梯度下降法求解梯度下降方向:步骤2‑4:利用以下公式更新特征变换矩阵T,直到算法收敛至局部最优,其中α为步长;
步骤3:利用全卷积神经网络学习得到高层语义先验知识;
步骤3‑1:将训练图像标记成前景和背景两类;
步骤3‑2:训练网络得到FCN‑8s模型;
步骤3‑3:对于每一幅待处理图像,利用训练好的FCN‑8s模型进行处理,输出基于FCN的N×N
语义先验知识,据此构建高层语义先验知识矩阵P∈R :其中pri表示FCN测试结果图像中超像素pi内所有像素的均值;
步骤4:利用学习得到的特征变换矩阵T和高层语义先验知识P对特征矩阵F进行变换,得到特征变换后的矩阵,
A=TFP
d×N d×d N×N
其中,F∈R 是特征矩阵,T∈R 是学习得到的特征变换矩阵,P∈R 是高层先验知识矩阵;
步骤5:利用鲁棒主成分分析算法对变换后的矩阵进行低秩稀疏分解,求解以下公式:s.t.A=L+S
d×N d×N d×N
其中,A∈R 是特征变换后的矩阵,L∈R 表示低秩矩阵,S∈R 表示稀疏矩阵,||·||*表示矩阵的核范数,即矩阵的所有奇异值之和,||·||1表示矩阵的 范数,即矩阵中所有元素的绝对值之和,由以下公式计算出显著图:*
Sal(pi)=||S(:,i)||1* * *
其中,S是稀疏矩阵的最优解,Sal(pi)表示超像素pi的显著值,||S (:,i)||1表示S的第i列向量的 范数,即向量中所有元素的绝对值之和。