本發明屬于圖像檢測技術領域，主要涉及顯著性目標檢測方法，具體是一種基于超像素分割及深度特征定位的顯著性目標檢測方法。用于人臉識別，車輛檢測，運動目標檢測跟蹤，軍事導彈檢測，醫院病理檢測等各個領域。

背景技術：

隨著數據數目的不斷龐大，單位時間內積累的數據量指數型猛漲，龐大的數據量便需要更優秀的計算機技術和算法理論來處理提煉數據信息。隨著高分辨率圖像層出不窮，帶給人極大的視覺享受。人們對于復雜圖像的理解，已到達很高的水平。傳統的圖像處理將像素點獨立開來，或者完全整體性的分析圖像所傳到的信息含義，面對龐大的數據量，傳統的處理圖像的方法已遠遠達不到高效實時的要求。同時僅僅通過考慮人眼注意機制的相關特征，比如顏色特征，方向特征等簡單特征也已不能滿足提取顯著性目標檢測的所要效果了。或者人工去處理待檢測圖像，工作難度大、壓力大、負荷重。如何讓計算機模擬人眼視覺機制，實現類似于人類的顯著性注意機制去處理圖像信息已經成為一個亟待解決的熱門話題。

現有的顯著性目標檢測方法有些只考慮圖像本身的特征去尋找圖像目標區域和背景區域存在的差異性，以此來辨別目標位置和背景區域。還有利用馬爾科夫鏈來處理顯著圖，尋找中央顯著區和周圍背景區的相互之間影響關系。也還有利用幅度譜和濾波器的卷積來實現冗余信息最終尋找顯著區域的方法。再者有關注局部對比度和全局對比度等各類方法。雖然這些方法都達到一定檢測到顯著性目標的有效性，但是檢測效果在邊緣分割，背景剔除，目標形態提取方面差強人意，有一定局限性。而且大都是把圖像特征以單獨像素點的形式進行處理，這已經遠遠不能滿足現狀。

技術實現要素：

本發明的目的在于克服現有技術的不足，提供一種邊緣更清晰，背景剔除更完全，目標形態分割更完整的基于超像素分割及深度特征定位的顯著性目標檢測方法。

本發明是一種基于超像素分割及深度特征定位的顯著性目標檢測方法，其特征在于，包括有如下步驟：

步驟1：輸入圖像對其進行線性迭代的聚類分割。輸入待檢測的目標圖像，先分割成k個區域，尋找各個區域鄰域的局部梯度極小值點作為中心點，并對同一區域設定一標簽號；尋找距離像素點鄰域內五維歐式距離最小的中心點，并將中心點標簽賦予待處理的像素點；不斷迭代尋找距離像素點最小的中心點的過程，在像素點的標簽值不會發生變化時停止迭代，完成超像素分割；

步驟2：構建高斯差分生成定位顯著圖。

2a：根據輸入的原圖進行高斯函數濾波處理，生成原圖的8個層度尺度圖；

2b：對構建的8個層度的尺度圖再結合原圖形成九層尺度圖，提取九層尺度圖像的紅綠顏色差值圖以及藍黃顏色差值圖，共18副顏色差值圖；提取九層尺度圖的強度圖，共9副強度圖；提取九層尺度圖的gabor濾波方向圖，共36副方向圖，形成三類特征圖；

2c：因九層尺度圖同類特征之間的尺寸不一樣，對三類特征圖先經過插值處理，再進行差分處理；

2d：不同類型的特征圖之間因其特征的度量標準不同，需要先將不同類型的特征進行歸一化再融合為定位顯著圖；

步驟3：生成深度特征顯著圖。先根據步驟2的定位顯著圖對超像素分割后的圖作一個定位處理，再對于分割完成的每一個區域及其相鄰區域采集最近鄰區域信息、全局區域信息、邊角背景區域信息三類特征信息，生成深度特征顯著圖，用于顯著性目標的檢測；

步驟4：將通過步驟2和步驟3最終得以確定的定位顯著圖和深度特征顯著圖，對定位顯著圖和深度特征顯著圖作融合和邊界處理，生成最終的顯著性目標圖，完成超像素分割及深度特征定位的顯著性目標檢測。

與現有技術相比，本發明的有益效果是：

1、現有的顯著性目標檢測算法大都是把圖像特征以單獨像素點為單位進行處理，其檢測到的目標區域和復雜背景之間的邊緣分離效果并不理想，本發明采用計算五維歐式距離顏色相似性的線性迭代對輸入圖像作一個超像素分割預先處理，解決了傳統顯著性目標檢測方法目標邊緣分割效果不理想的問題，并提供一種更智能化、高效化、魯棒性更強的顯著性目標檢測方法。

2、本發明的方法充分的考慮顏色特征，方向特征和深度特征等圖像特征，同時充分考慮更關心中心而忽視周圍背景，目標所在區域的特征相似性，相較于全局特征的獨特性等先驗知識；進而實現顯著性目標的檢測，使得計算機更加具有邏輯性，更加人工智能化。

3、本發明方法從檢測結果得出檢測目標不局限于具體特征，所在環境等條件，通過在辦公室場景，校園內區域，公園等多個場景拍攝待檢測圖像，通過本發明方法均能對顯著性物體實現檢測，且檢測效果更符合人眼顯著性效果。對背景剔除的更加完全，目標提取的位置和形態更完整。

附圖說明

圖1為本發明方法的流程圖；

圖2為本發明方法中通過超像素分割后的效果圖，其中圖2(a)為辦公室墻角的分割效果圖，圖2(b)為圖書館場景內分割效果圖；

圖3為針對選取的十幅圖，本發明與近年來其他方法的檢測效果展示和效果比較圖，其中圖3(a)為選取的原始圖像，圖3(b)為本發明檢測效果圖，圖3(c)為gs方法效果圖，圖3(d)為gbmr方法效果圖，圖3(e)為rare方法效果圖，圖3(f)為hsd方法效果圖，圖3(g)為std方法效果圖，圖3(h)為人工標記圖；

圖4為針對選取的五百幅圖，本發明與近年來其他方法精確度和召回率的曲線結果圖。

具體實施方式

下面結合附圖對本發明詳細說明

實施例1

現有的顯著性目標檢測方法有些只考慮圖像本身的特征去尋找圖像目標區域和背景區域存在的差異性，以此來辨別目標位置和背景區域。還有利用馬爾科夫鏈來處理顯著圖，尋找中央顯著區和周圍背景區的相互之間影響關系。也還有利用幅度譜和濾波器的卷積來實現冗余信息最終尋找顯著目標區域的方法。雖然這些方法都達到一定檢測到顯著性目標的有效性，但是檢測效果在邊緣分割，背景剔除，目標形態提取方面差強人意，有一定局限性。

針對現有技術的這些缺陷，經過探討與創新，本發明提出一種基于超像素分割及深度特征定位的顯著性目標檢測方法，參見圖1，包括有如下步驟：

步驟(1)對輸入圖像進行線性迭代的聚類分割：輸入待檢測的目標圖像，即原圖，先分割成k個區域，尋找各個區域鄰域的局部梯度極小值點作為中心點，并對同一區域設定一標簽號。尋找距離像素點鄰域內五維歐式距離最小的中心點，并將中心點標簽賦予待處理的像素點；不斷迭代尋找距離像素點最小的中心點，并給像素點賦予標簽的過程，保證像素點的標簽號不會發生變化為止，完成超像素分割。本例中尋找各個區域鄰域采用的是5*5鄰域，尋找距離像素點鄰域采用的是2s*2s鄰域。

步驟(2)利用高斯差分方法生成定位顯著圖：

(2a)根據輸入的原圖進行高斯函數濾波處理，生成原圖的8個層度尺度圖。

(2b)對構建的這8個層度的尺度圖再結合原圖形成九層尺度圖，提取九層尺度圖像的紅綠顏色差值圖以及藍黃顏色差值圖，九層尺度圖的兩種顏色差值圖共18副圖；提取九層尺度圖的強度圖，九層尺度圖的強度圖共9副圖；提取九層尺度圖的gabor濾波四個方向圖，這四個方向為0°,45°,90°,135°，九層尺度圖的四種方向圖圖共36副圖，形成顏色差值圖，強度圖和方向圖三類特征圖。

(2c)由于得到的九層尺度圖同類特征之間的尺寸不一樣，需要對三類特征圖先經過插值處理，再進行差分處理。

(2d)不同類型的特征圖之間因為其特征的度量標準不同，所以單一的幅值并不能反映顯著性的重要度，所以需要先將不同類型的特征進行歸一化再融合為定位顯著圖。

步驟(3)生成輸入圖像的深度特征顯著圖：先根據步驟2的定位顯著圖對超像素分割后的圖作一個定位處理，再充分考慮中心位置為顯著性目標的可能性遠大于圖像四周位置以及顯著性目標的集中性，即顯著性目標勢必都是集中在一定區域，不可能散落在圖像的所有區域或者絕大部分區域；所以對于步驟1分割完成的每一個區域及其相鄰區域采集最近鄰區域信息、全局區域信息、邊角背景區域信息三類特征信息，生成深度特征顯著圖，用于顯著性目標的檢測。

步驟(4)將通過步驟2和步驟3最終得以確定的定位顯著圖和深度特征顯著圖，為了使得物體分割的更規整，使得顯著性的目標和忽視的背景之間的邊界性更加的清晰，對定位顯著圖和深度特征顯著圖作融合和邊界處理，生成最終的顯著性目標圖，完成超像素分割及深度特征定位的顯著性目標檢測。

本發明的方法充分的考慮顏色特征，方向特征和深度特征等圖像特征，同時充分考慮更關心中心而忽視周圍背景，目標所在區域的特征相似性，相較于全局特征的獨特性等先驗知識；進而實現顯著性目標的檢測，使得計算機更加具有邏輯性，更加人工智能化。

實施例2

基于超像素分割及深度特征定位的顯著性目標檢測方法同實施例1，本發明步驟1中對待檢測的目標圖像的超像素分割包括有如下步驟：

1.1先假定目標圖像，即原圖一共有像素點n個，期望分割的總區域為k個，顯然每一個分得的區域共有n/k個像素點，并且不同區域之間的距離約為可能會出現設定的中心點恰好出現在邊緣上，為了避免這種情況的發生，在設定的中心周圍尋找局部梯度最小的位置，把中心位置移到此局部梯度最小處。并把同一區域設定一標簽號，以作標記。

1.2分別計算每個像素點到周圍鄰域已確定的中心點的五維特征向量歐式距離值，然后把值最小的中心點標簽號賦予當前處理的像素點，。計算五維特征向量ci＝[li,ai,bi,xi,yi]^t的歐氏距離如下面三個公式所示，五維特征向量中，li,ai,bi分別代表cielab空間中顏色的亮度，紅色和綠色之間的位置，黃色和藍色之間的位置的三個顏色分量信息值，xi,yi代表像素點所在的待檢測的目標圖像的坐標位置信息值。

上式中，dlab代表的是像素點k和中心點i在cielab顏色空間方面的歐式距離；dxy代表的是像素點k和中心點i在空間坐標位置方面的歐式距離；di為評價像素點k和中心點i是否所屬一個標簽的衡量標準，它的值越大，兩者之間的相似程度越接近，標簽便一致；m為一個固定參數，用于平衡變量之間的關系；s為不同區域之間的距離約為

以上是設置像素點所屬標簽號的一個迭代周期。

1.3不斷按照1.2步驟進行迭代操作，對像素點所屬的標簽號的準確度作進一步的優化，直到整副圖像的每個像素點的所屬標簽號不再發生變化為止，通常，進行10次左右的迭代可以達到效果。

1.4經過迭代過程，可能會出現一些問題，比如，很小的一個區域被分割成一個超像素區域，只有一個像素點卻被孤立開來形成一個超像素區域。為了去除這種情況的發生，把過小尺寸的獨立區域或者孤立起來的單像素點分配給就近的標簽號，完成目標圖像的超像素分割。

本發明采用顏色相似性進行超像素分割，對輸入圖像作一個預先處理，解決了傳統顯著性目標檢測方法目標分割效果不理想的問題，并提供一種更智能化、高效化、魯棒性更強的顯著性目標檢測方法。

實施例3

基于超像素分割及深度特征定位的顯著性目標檢測方法同實施例1-2，本發明步驟3中采集最近鄰區域信息，全局區域信息和邊角背景區域信息這三類特征信息是為了充分考慮更關心中心而忽視周圍背景，目標所在區域的特征相似性，相較于全局特征的獨特性等先驗知識，包括如下步驟：

3.1考慮中心為顯著性的可能性遠大于四周背景，顯著性目標必然集中在一定面積的區域內，針對分割完成的每一個區域，采集其最鄰近范圍區域內的信息，即最近鄰區域信息。

3.2考慮處理區域對整幅圖像的影響程度，通過除去當前區域即分割完成的每一個區域其他區域包含的信息，即全局區域信息。

3.3針對分割完成的每一個區域代表背景特征的四個邊角區域的信息，即邊角背景區域信息。

通過這三個部分提供的特征信息完成采集。

實施例4

基于超像素分割及深度特征定位的顯著性目標檢測方法同實施例1-3，步驟3中所述的生成深度特征顯著圖，具體包括有：

對于分割完成的其中一個區域r，量化其深度特征顯著度為：

其中，s(r)代表該區域r的顯著度；π為多個因子相乘；s(r,ψ^c)代表最近鄰區域信息；s(r,ψ^g)代表全局區域信息；s(r,ψ^b)代表邊角背景區域信息。

通常看到草原上的一束花朵這樣一副圖像，會瞬間將關注點放在花朵而忽視周圍的背景，這恰恰可以理解為，作為背景的綠葉在整副圖像出現的概率極高，而身為顯著性較大的目標花朵，在整副圖像出現的概率相對較低；高的概率因為其的一般性而引起低的關注度，與此同時，低的概率卻因為它的獨特性而引起高的關注度；這與香農信息論不謀而合，概率低是信息量高的表示，概率高卻說明其帶來的信息量是較低的。因而將s(r,ψ^m)定義如下：

s(r,ψ^m)＝-log(p(r|ψ^m))

上式中，s(r,ψ^m)代表深度特征下提取的最近鄰區域信息，全局區域信息，邊角背景區域信息；p是一個概率值。

對最近鄰區域信息，全局區域信息，邊角背景區域信三類區域信息分別用其區域平均值簡化上式為：

上式中d表示當前所處理的區域塊r的深度平均值；是上文中所提及的ψ^m的深度平均值，其中di^m代表第m類區域信息特征的第i塊區域的深度平均值，nm共有三種情況，nc代表最近鄰區域信息的總數，ng代表全局區域信息的總數，nb代表邊角背景區域信息的總數。

用高斯函數來估計的實現：

上式中，代表不同區域塊的深度差異性的影響因子，d,d^m,nm在上文中均已經作過相關含義的解釋。

本發明的深度特征顯著模型充分的考慮了人眼更關心中心而忽視周圍背景的特性，利用目標所在區域的特征相似性，相較于全局特征的獨特性即考慮到不同區域塊的深度差異性的影響因子等先驗知識，使得本發明目標檢測效果邊緣更清晰，背景剔除更完全，目標形態分割更完整。使得計算機更加具有邏輯性，更加人工智能化。

下面給出較為詳細的實例，對本發明進一步詳細說明：

實施例5

基于超像素分割及深度特征定位的顯著性目標檢測方法同實施例1-4,其核心步驟包括有如下步驟：

步驟(1)對輸入圖像進行線性迭代的聚類分割：先將輸入圖像分割成k個區域，尋找各個區域鄰域的局部梯度極小值點作為中心點，并把同一區域設定一個標簽號，不同區域設定成不同的標簽號，在本領域，也可以稱為標簽值。針對每一個像素點，尋找距離像素點鄰域內五維歐式距離最小的中心點，并將中心點標簽賦予待處理的像素點。設定當前像素點為距離最小的中心點的標簽，參見圖1，不斷迭代尋找距離像素點最小的中心點，并給像素點賦予標簽的過程。以一個k區域為單位，通過比較像素點和中心點的距離，設定像素點的標簽，通過迭代優化完成k區域的像素點標簽設定，遍歷整幅圖像，迭代優化過程中要進行判斷操作，具體是判斷是否像素點的標簽值發生變化，如果標簽值相對于上一次迭代過程發生變化，重復迭代操作，否則，如果標簽值相對于上一次迭代過程不再發生變化，將過小尺寸的獨立區域或者孤立起來的單像素點分配給就近的標簽號，本例中迭代次數為10次時標簽值就不再發生變化，去除孤立點形成的超像素區域，完成超像素分割。分割完成后生成可控數目的區域個數，不一定是k個區域。本例中尋找各個區域鄰域為3*3鄰域，尋找距離像素點鄰域為2s*2s鄰域。

步驟(2)利用高斯差分方法生成輸入圖像的定位顯著圖：

(2a)根據輸入圖像進行高斯函數濾波處理，生成1/2原圖的尺度圖，1/4原圖的尺度圖，直到1/256原圖的尺度圖，共8個層度的尺度圖。

(2b)對構建的8個層度的尺度圖再結合原圖，即8個層度的尺度圖加上原圖形成九層尺度圖。提取九層尺度圖的紅綠顏色差值圖rg以及藍黃顏色差值圖by一共18副顏色差值圖。提取九層尺度圖的強度圖i一共9副強度圖。提取九層尺度圖的gabor濾波方向圖o，共提取九層尺度圖的0°,45°,90°,135°四個方向的共36副方向圖。

上述過程是對九層尺度圖分別從三個方面提取特征圖，包括顏色差值圖，強度圖和方向圖。

(2c)由于得到的三方面特征圖的同類特征之間的尺寸不一樣，所以需要對三類特征圖的同類特征先經過插值處理，再進行差分處理，參見圖1。

(2d)不同類型的特征圖之間因為其特征的度量標準不同，所以單一的幅值并不能反映顯著性的重要度，先將不同類型的特征進行歸一化，再融合為定位顯著圖，得到輸入圖像的定位顯著圖。

步驟(3)提取輸入圖像的深度特征顯著圖d：先根據步驟2的定位顯著圖對超像素分割后的圖作一個定位處理，再充分考慮中心位置為顯著性目標的可能性遠大于圖像四周位置和顯著性目標的集中性，即顯著性目標勢必都是集中在一定區域內，不可能散落在圖像的所有或者絕大部分區域內。對于步驟1分割完成的每一個區域及其相鄰區域采集最近鄰區域信息、全局區域信息、邊角背景區域信息三類特征信息，生成輸入圖像的深度特征顯著圖，用于顯著性目標的檢測。

步驟(4)為了使得物體分割的更規整，使得顯著性的目標和忽視的背景之間的邊界更加清晰，將通過步驟2中得到的定位顯著圖和步驟3最終得到的深度特征顯著圖，對定位顯著圖和深度特征顯著圖作融合和邊界處理，生成最終的顯著性目標圖，完成超像素分割及深度特征定位的顯著性目標檢測。

通過本發明的目標檢測，得到邊緣更清晰，背景剔除更完全，目標形態分割更完整的目標檢測效果。

下面結合附圖和仿真數據對本發明的技術效果詳細說明：

實施例6

基于超像素分割及深度特征定位的顯著性目標檢測方法同實施例1-5，本例通過仿真對本發明方法中超像素分割部分作效果展示和結果分析。

仿真條件為：pc機，amda8-7650kradeonr7，10computecores4c+6g，3.3ghz，4gb內存；matlabr2015b。

仿真內容是對采用本發明對辦公室墻角和圖書館場景進行超像素分割。

圖2為本發明方法中通過超像素分割后的效果圖，其中圖2(a)為辦公室墻角的分割效果圖，圖2(b)為圖書館場景內分割效果圖。

圖2中，沒有網格就是本發明選用的原始圖像，網格為本發明方法通過超像素分割后的效果圖。

圖像的組成往往是一個個像素點獨立的出現，但是檢測到的目標不可能為單個像素點而是都占有一定的面積，擁有多個像素點，并且像素點之間具有一定的共性而非一個個獨立開來。因而鑒于這些特性，本發明將圖像超像素分割為具有一定共性的同區域和差異性的不同區域。用超像素區域塊來替代數目龐大的單個獨立像素點，降低計算機對圖像的處理復雜度。

參見圖2(a)是一個辦公室墻角的盆栽場景圖，圖中除了墻角有一個盆栽以外，其它地方是簡單的背景。通過本發明檢測效果可見，對于除去盆栽處的其它地方，由于其特征單一，本發明對輸入首先進行超像素分割，分割結果不論是在大小還是形狀上都很規整。計算機處理本圖像時，由于已經進行了同類分割，不用再一一細致處理，從而降低了處理的復雜度。對于盆栽所在處，由于其特征多變，通過本發明方法也能夠將其綠葉和白色盆按照相似和差異特征細致的分割。再以同類和不同類的區域為單位對圖像進行處理，提高了計算機對圖像的處理速度。圖2(b)是一個圖書館場景圖，在圖書館單一背景內放置了八幅展品，其中一幅展品放置在場景正中間，雖然(b)的場景相對(a)復雜許多，但是圖中仍然存在單一墻面區域。根據效果展示可以看出，對于特征單一的墻面，分割情況不論是在大小還是形狀上都很規整。對于放置了展品的地方，本發明方法也能將同類特征和不同特征清晰的分割。凡是要檢測的圖中，都會不容程度的存在類似于單一墻面的同類型區域。本發明計算機處理的時候以區域為單位，有效降低計算機對圖像的處理復雜度。

本發明利用線性迭代實現的聚類分割方法相較于傳統的超像素分割方法，區域的分割情況不論是在大小還是形狀上都很規整，不同區域之間邊界的分割處理效果更清晰。

實施例7

基于超像素分割及深度特征定位的顯著性目標檢測方法同實施例1-5，本例通過仿真進行目標檢測和結果分析。

仿真條件同實施例6。

仿真內容：針對選取的十幅圖通過本發明與全局對比度顯著檢測gcs也即rare，測地距離顯著檢測gs，基于圖論的顯著性檢測gbmr，分層次顯著性檢測hsd，統計紋理的顯著性檢測std五類方法在同一個圖像進行效果對比。選擇的圖像包含室內外場景圖像，辦公室場景，校園內區域，公園等。

參見圖3，圖3(a)為選取的原始圖像，圖3(b)為本發明檢測效果圖，圖3(c)為gs方法效果圖，圖3(d)為gbmr方法效果圖，圖3(e)為rare方法效果圖，圖3(f)為hsd方法效果圖，圖3(g)為std方法效果圖，圖3(h)為人工標記圖。

對于辦公室場景內的盆栽圖，本發明和gbmr方法展現出優勢，不僅能檢測出顯著性目標的位置，其基本的形態也能展示出來，其他幾類方法雖也大體展示出了目標形態，但是背景剔除的并不完全，尤其是hsd和std這兩個方法，背景殘留很大一部分區域。對于簡單場景下的籃球檢測圖，這六類方法都能很好的檢測出來目標物體的形態，接近人工標記的結果圖，符合結果要求。對于單目標的屋頂紅燈籠，此場景因為屋頂也是紅色的，所以屋頂的干擾效果比較明顯，在此情景下，這幾類方法都能將目標物體檢測出來，但可以看出來gs方法和std方法對于干擾強烈的紅屋頂并沒有剔除干凈。對于有雙目標的屋頂紅燈籠圖，由于本文所提方法涉及到定位顯著圖，所以對于多目標的檢測有一定局限性，只是更側重檢測了左邊的目標，最好的檢測出該場景目標的方法是hsd方法，但hsd方法和其他方法雖能檢測出目標的位置，但是對于作為強烈干擾的屋頂背景都剔除的不完全，殘留的背景區域都過于明顯，這一點本發明并沒有受到強烈干擾項屋頂的影響，檢測出來的單個目標周圍背景剔除的比較干凈。對于墻面內有多個同類的古跡文字，顯然人眼僅會關注該場景內最中間且占場景面積最大的中間這塊古跡文字區，對于該場景，hsd方法卻把其干擾的上方和右方的微小同類面積去當成顯著性目標檢測出來了，這顯然是不合理的，rare方法和std方法也是同樣的情況，而gs方法和gbmr方法結果則比較理想。對于公園場景內的標示牌圖，本發明相較于其他幾類方法展現出其明顯的優勢，最接近人工標記圖。對于博物館館內的這三幅圖，本發明那和gs方法以及hsd方法更能展現其優勢，對于目標的形態位置都檢測的比較理想，但是gs方法和hsd方法像其他方法一樣，都有為剔除的背景區域，這是檢測結果圖總所不需要的部分。對于場景相對簡單的數字9的檢測，除了rare方法效果不理想，其他五類算法的結果都比較接近人工標記圖所展示的圖像。總體來說，本發明所提出的目標檢測方法，在各類場景上的檢測效果在邊緣清晰度，背景剔除度，目標形態分割方面更優于其他五類方法。

實施例8

基于超像素分割及深度特征定位的顯著性目標檢測方法同實施例1-5，本例通過仿真進行目標檢測結果性能分析。

仿真條件同實施例6。

仿真內容：針對選取的五百幅圖通過本發明與全局對比度顯著檢測gcs也即rare，測地距離顯著檢測gs，基于圖論的顯著性檢測gbmr，分層次顯著性檢測hsd，統計紋理的顯著性檢測std五類方法在同一個圖像進行效果對比。選擇的圖像包含室內外場景圖像，辦公室場景，校園內區域，公園等。

參見圖4，本發明和五類方法的檢測效果性能分析，通過準確性(precision)指標和召回率(recall)指標來反應算法的性能，作如下定義：

tp：得到的顯著圖和人工標定顯著圖中目標區域的交集；

tn：得到的顯著圖和人工標定顯著圖中非目標區域的交集；

fp：得到的顯著圖的人工標定顯著圖中非目標區域的交集；

fn：得到的顯著圖的人工標定顯著圖中目標區域的交集；

可知：

分別計算本發明和五類方法的precision和recall指標。不難看出，這幾類比較的顯著性目標檢測方法中，本發明展現出更優的效果，auc(areaundercurve)值達到0.6888，次優的為gbmr方法，其auc值為0.6093。隨著召回率的不斷增大，整體的精確度都是下降的趨勢。并且召回率為0到0.8時候，本發明的precision指標都明顯優于其他類方法。直到召回率接近0.8的時候，本發明的precision指標才降到0.6以下，充分表明本發明能更優秀的實現檢測，更接近人工標記圖，背景剔除更完全，目標形態分割更完整。

簡而言之，本發明設計并提出一種基于超像素分割及深度特征定位的顯著性目標檢測方法。利用五維歐式距離的顏色相似性線性迭代的超像素分割方法，把圖像的處理單位由單獨像素點上升到集體類似區域，使得檢測到的目標和復雜背景邊緣能夠清晰的分離出來，解決了傳統顯著性目標檢測方法目標邊緣分割效果不理想的問題。充分考慮顏色特征，方向特征和深度特征等圖像特征，結合人眼更關心中心而忽視周圍背景的特性、顯著性圖像所在區域的特征相似性、相較于全局特征的獨特性的先驗知識。進而通過算法模擬這些特征生成輸入圖像的定位顯著圖和深度特征顯著圖，對其進行融合和邊界處理，生成最終的具有類似于人眼注意機制的顯著圖。使得計算機更加具有邏輯性，更加人工智能化，具有類似于人的邏輯理解能力，或者說更智能化、高效化、魯棒性更強。經本發明檢測的圖像效果邊緣更清晰，背景剔除更完全，目標形態分割更完整。用于人臉識別，車輛檢測，運動目標檢測跟蹤，軍事導彈檢測，醫院病理檢測等各個領域。