技術(shù)特征：

1.一種基于水平集超像素和貝葉斯框架的顯著性檢測方法，其特征在于，包括如下步驟：

第一步，應(yīng)用基于灰度不均勻的水平集方法對圖像進(jìn)行分割，得到初始超像素；

第二步，分割合并第一步得到的初始超像素，得到新的超像素，使新的超像素適應(yīng)圖像中不同區(qū)域的大小；所述的第二步中對超像素分割合并的包括以下三種方法：

2.1)將整幅圖像轉(zhuǎn)換成灰度圖像，使用K均值聚類算法將灰度圖像按照灰度值分成K類，將聚類后的每一類與初始超像素中每個大的超像素的交集從初始超像素中分離出來,作為一個新的超像素，新的超像素存在小的超像素；

2.2)使用K均值算法將初始超像素中每個大的超像素內(nèi)部分成K類,將K類超像素從初始超像素中分離出來,每一類作為一個新的超像素，新的超像素存在小的超像素；

2.3)使用邊緣檢測處理初始超像素，分別計算Prewitt算子、Prewitt算子、Sobel算子，合并三種算法的結(jié)果，得到新的邊緣檢測結(jié)果，保存在一個跟輸入灰度圖片大小相同的二維矩陣中，二維矩陣中1表示邊緣，0表示內(nèi)部；計算初始超像素中每個超像素中0的像素個數(shù)所占的比例T，若T≥0.95，則在該超像素相鄰的超像素中查找最大的超像素，若最大的超像素與該超像素顏色相近，把該超像素合并到最大的超像素中，得到一個新的超像素，新的超像素存在小的超像素，否則不進(jìn)行合并；

上述三種方法分割合并過程中用到超像素的顏色特征，兩個超像素的顏色差異difc由公式(1)得到：

difc＝||c_i,c_j|| (1)

其中，||c_i,c_j||是超像素i和j在CIELAB空間中的歐式距離；difc是兩個超像素的顏色差異，設(shè)定difc<0.2時表示兩個超像素的顏色相近；

第三步，合并第二步得到的新的超像素中小的超像素，得到最終超像素；所述的小的超像素為在超像素內(nèi)部像素個數(shù)小于200的超像素；

3.1)小于30的過小超像素直接合并到與其相鄰的超像素中大于該超像素的超像素中；

3.2)大于等于30的小的超像素，將該超像素與相鄰的大的超像素進(jìn)行顏色特征和距離特征的比較，選擇其中一個最相近的超像素進(jìn)行合并；

第四步，構(gòu)建初始顯著性圖

以圖像邊緣部分的最終超像素為基礎(chǔ)，使用K均值聚類算法將邊緣超像素分成3類，超像素與每類邊緣超像素的顏色差異由公式(2)計算，超像素與每類邊緣超像素的距離關(guān)系由公式(3)計算；基于圖像邊緣超像素得到的顏色差異和距離差異，得到一個初始顯著性圖S，S用公式(4)計算：

$s_{k,i}=\frac{1}{p^k}\underset{j=1}{\overset{p^k}{\&Sigma;}}\frac{1}{-\frac{\left|\right|c_i,c_j\left|\right|}{2{\mathrm{\&sigma;}}_1^2}+\mathrm{\&beta;}}---\left(2\right)$

$w_{k,i}=\frac{1}{p^k}\underset{j=1}{\overset{p^k}{\&Sigma;}}{e}^{-\frac{\left|\right|r_i,r_j\left|\right|}{2{\mathrm{\&sigma;}}_2^2}}---\left(3\right)$

$S=\underset{k=1}{\overset{K}{\&Sigma;}}{w}_{k,i}\&times;s_{k,i}---\left(4\right)$

其中，σ₁＝0.2；β＝10；σ₂＝1.3；p^k是屬于第k類超像素的總數(shù)；s_k,i是以第k個邊緣聚類為基礎(chǔ)，第i個超像素的顯著性值；w_k,i是以第k個邊緣聚類為基礎(chǔ)，第i個超像素的空間距離；r_i和r_j是超像素i和j的坐標(biāo)；

第五步，貝葉斯框架下的圖像顯著性檢測，得到一個灰度檢測性圖

將最終超像素作為圖像的顯著部分，并將圖像分成兩部分：顯著區(qū)域I和非顯著區(qū)域O，利用貝葉斯框架對圖像進(jìn)行顯著性檢測，得到一個灰度檢測性圖，圖中每個像素對應(yīng)的灰度值代表該像素是否屬于顯著部分的可能性；由公式(5)和公式(6)計算每個像素的后驗概率：

$p\left(sal\right|v)=\frac{p\left(sal\right)p\left(v\right|sal)}{p\left(sal\right)p\left(v\right|sal)+p\left(bk\right)p\left(v\right|bk)}---\left(5\right)$

p(bk)＝1-p(sal) (6)

其中，p(sal|v)是p(sal＝1|v)的簡寫，表示后驗概率，p(sal)是一個像素是顯著像素的先驗概率，p(v|sal)是p(v|sal＝1)的簡寫，代表觀測似然概率，p(v|bk)是p(v|bk＝1)的簡寫，代表觀測似然概率；

基于最終超像素和貝葉斯框架的顯著性更新算法SUNSB，通過以下三種方法表示顯著區(qū)域I和非顯著區(qū)域O，代入公式(5)中計算觀測似然概率：

5.1)以圖像中不顯著的部分作為顯著區(qū)域I

將第三步得到的初始顯著性圖的四條邊上最終超像素和除了四條邊之外的所有顯著性值小于等于0.2的最終超像素作為非顯著區(qū)域O，剩下的所有超像素作為顯著區(qū)域I，代入公式(5)中進(jìn)行計算，降低被誤劃入顯著部分的非顯著像素的顯著性；

5.2)以顯著性圖中最顯著的部分作為區(qū)域I

在第三步得到的初始顯著性圖中查找顯著性值大于等于0.8的超像素作為顯著區(qū)域I，剩下的所有超像素作為非顯著區(qū)域O，代入公式(5)中進(jìn)行計算，增加被誤劃入非顯著區(qū)域的顯著像素的顯著性；

5.3)最終超像素中存在多個顯著性值大于等于0.8的顯著性強(qiáng)的超像素，將每個顯著性強(qiáng)的超像素作為顯著區(qū)域I，剩下的所有超像素作為非顯著區(qū)域O，分別代入公式(5)中進(jìn)行計算，多次更新顯著性圖；

第六步，在灰度檢測性圖中的顯著部分包含多個超像素，由相鄰超像素之間的相似性增加超像素顯著性，利用SUNSB算法中的三種觀測似然概率的計算方法，在貝葉斯框架下更新顯著性圖；所述的顯著部分中超像素的顯著性值大于等于0.8；所述的sal由公式(7)計算：

$sal=(e^{\frac{-meandif}{2*{\mathrm{\&sigma;}}_1*{\mathrm{\&sigma;}}_1}}-e^{\frac{-meandis}{2*{\mathrm{\&sigma;}}_2*{\mathrm{\&sigma;}}_2}})*(meansal/ns)---\left(7\right)$

其中，meandif是與顯著部分相鄰的超像素與顯著部分中所有超像素顏色差異的均值，meandis是與顯著部分相鄰的超像素與顯著部分中所有超像素的距離均值，meansal是顯著部分中超像素大小的均值，ns當(dāng)前計算的與顯著部分相鄰的超像素的大小，sal是與顯著部分相鄰的超像素的顯著性值需要增加的值，σ₁＝1.3，σ₂＝0.9；

第七步，基于人臉識別的顯著性更新

使用Face++提供的接口對人臉進(jìn)行檢測，如果檢測到人臉，則對第六步得到的更新后的顯著性圖進(jìn)行顯著性更新；如果沒有檢測到人臉，則圖像的顯著性不更新。

2.根據(jù)權(quán)利要求1所述的一種基于水平集超像素和貝葉斯框架的顯著性檢測方法，其特征在于，所述的第五步中像素v的觀測似然概率的計算方法如下：

$p\left(v\right|sal)=\underset{f\&Element;\{l,a,b\}}{\&Pi;}\frac{N_{I\left(f\right(v\left)\right)}}{N_I}---\left(8\right)$

$p\left(v\right|bk)=\underset{f\&Element;\{l,a,b\}}{\&Pi;}\frac{N_{O\left(f\right(v\left)\right)}}{N_O}---\left(9\right)$

其中，使用[l,a,b]來表示每個像素v，N_I表示顯著區(qū)域I內(nèi)部的像素數(shù)量，N_O表示非顯著區(qū)域O內(nèi)部像素的數(shù)量，N_I(f(v))表示在區(qū)域I中顏色值f(v)所在顏色區(qū)間在顏色直方圖中的值，N_O(f(v))是在區(qū)域O中對應(yīng)的顏色直方圖中的值。

3.根據(jù)權(quán)利要求1或2所述的一種基于水平集超像素和貝葉斯框架的顯著性檢測方法，其特征在于，第六步中所述的貝葉斯框架下更新顯著性圖的步驟如下：

6.1)如果灰度檢測性圖中的顯著部分的像素個數(shù)大于8000，則采用第五步5.3)的方法計算公式(5)，降低被誤劃入顯著部分的非顯著像素的顯著性；如果顯著部分中像素個數(shù)小于等于8000，進(jìn)行下一步；

6.2)查找與顯著部分中顯著性值大于等于0.8的超像素S1相鄰的所有超像素S2，用公式(1)計算S2中的每個超像素與S1中的每個超像素的顏色差異；用公式(10)計算S2中的每個超像素與S1中的每個超像素的距離：

distance＝||r_i,r_j|| (10)

其中，r_i和r_j是超像素i和j的坐標(biāo)，distance是兩個超像素之間的距離；

6.3)對于步驟6.2)S2中像素個數(shù)小于6000的每個超像素，在每個超像素原來的顯著性值基礎(chǔ)上加上sal得到更新后的顯著性值，相鄰超像素的顯著性增加之后，使用第五步中的三種觀測似然概率的計算方法更新顯著性圖，具體包括以下步驟：

6.3.1)由灰度檢測性圖中的顯著部分增加相鄰超像素的顯著性，得到初始顯著性圖s_u；

6.3.2)使用第五步5.3)兩次更新s_u后，再加上s_u×2.5得到s_u1；

6.3.3)使用第五步5.1)更新s_u1得到s_u2；

6.3.4)使用第五步5.2)更新s_u1得到s_u3；

6.3.4)s_u2與s_u3取均值得到更新后的顯著性圖。