本發(fā)明屬于圖像檢測技術(shù)領(lǐng)域，特別是涉及一種圖像顯著性檢測方法，可用于圖像分割、目標(biāo)識別、圖像的自適應(yīng)壓縮、內(nèi)容感知圖像縮放和圖像檢索。

背景技術(shù)：

人們經(jīng)常毫不費力地判斷圖像區(qū)域的重要性，并且把注意力集中在重要的部分。由于通過顯著性區(qū)域可以優(yōu)化分配圖像分析時的計算資源，所以計算機檢測圖像的顯著性區(qū)域具有重要意義。提取顯著圖被廣泛用在許多計算機視覺應(yīng)用中，包括對興趣目標(biāo)物體圖像分割、目標(biāo)識別、圖像的自適應(yīng)壓縮、內(nèi)容感知圖像縮放和圖像檢索等。

顯著性源于視覺的獨特性、不可預(yù)測性、稀缺性以及奇異性，而且它經(jīng)常被歸因于圖像屬性的變化，比如顏色、紋理和邊界等。視覺顯著性是通過包括認知心理學(xué)、神經(jīng)生物學(xué)和計算機視覺在內(nèi)的多學(xué)科研究出來的，與我們感知和處理視覺刺激密切相關(guān)。人類注意力理論假設(shè)人類視力系統(tǒng)僅僅詳細處理了部分圖像，同時保持其他的部分基本未處理。由Treisman和Gelade，Koch和Ullman進行的早期工作，以及隨后由Itti，Wolfe等人提出的注意力理論提議將視覺注意力分為兩個階段：快速的、下意識的、自底向上的、數(shù)據(jù)驅(qū)動顯著性提??；慢速的、任務(wù)依賴的、自頂向下的、目標(biāo)驅(qū)動顯著性提取。

其中對于下意識的自底向上的顯著性檢測，其實現(xiàn)方法大多是基于生物學(xué)激勵或者是純粹的計算，還有部分方法兼顧上述兩方面。這些方法利用低水平的處理來決定圖像目標(biāo)與它們周圍的對比度，用到了像亮度、顏色和邊緣這樣的特征屬性。

自底向上的顯著性檢測方法速度快，符合人類視覺系統(tǒng)快速獲取顯著區(qū)域的視覺原理，所以基于純計算的方法是目前研究比較多的方法。Ma等人于2003年提出一種基于局部對比度的方法獲取顯著圖。Achanta等人于2008年對Ma等人的方法提出改進，提出了一種多尺度對比分析的顯著性區(qū)域提取方法。然而在純計算方法中，基于局部對比度的方法生成的顯著圖只在圖像邊緣具有較高的顯著性，而不能均勻的突顯整個目標(biāo)物。此后Achanta等人于2009年提出了一種頻率調(diào)諧的顯著性方法。但是這種方法不適用于那些顯著物體占據(jù)太多像素的圖像。Achanta等人于2010年對2009年提出的方法進行了改進，提出了最大對稱周邊的顯著性檢測方法。該方法盡管解決了此前方法的問題，但是他沒有考慮空間信息對顯著性的影響。Cheng等人于2011年提出了基于全局對比度的顯著性檢測方法，該方法在計算對比度過程中考慮了空間信息的影響，取得了較為準(zhǔn)確的顯著性檢測效果。Zhu等人于2014年提出了基于背景強健的顯著性檢測方法，通過引入不同區(qū)域的邊界連接程度，提高了顯著性區(qū)域的對比度，顯著提高了顯著性檢測效果。

上面提到的所有方法存在一個共同的問題是：沒有考慮圖像的紋理信息，而紋理信息則是反映圖像內(nèi)在性質(zhì)的一個重要特征。Castleman等人認為，紋理是圖像中一塊區(qū)域像素灰度級的空間分布屬性，這種空間結(jié)構(gòu)的固有屬性可通過鄰域像素間的相關(guān)性刻畫，同時也是一種不依賴于顏色或亮度變化來反映圖像中同質(zhì)現(xiàn)象的視覺特征，體現(xiàn)了物體表面的內(nèi)在屬性，上述方法由于缺失紋理特征，必然導(dǎo)致在處理高紋理圖像時的質(zhì)量下降。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于針對上述已有技術(shù)的不足，提出一種基于紋理特征和顏色特征融合的圖像顯著性檢測方法，以提高顯著性檢測的準(zhǔn)確率和召回率。

為實現(xiàn)上述目的，本發(fā)明的實現(xiàn)步驟包括如下：

1.一種基于紋理特征和顏色特征融合的圖像顯著性檢測方法，包括如下步驟：

1)輸入原始圖像I，對其進行去紋理處理，得到去紋理圖像S，利用SLIC方法對去紋理圖像S進行超像素分割，得到顏色超像素圖像SP₁；

2)輸入原始圖像I，利用Gabor濾波器函數(shù)提取其紋理特征，得到紋理特征圖像T，利用SLIC方法對紋理特征圖進行超像素分割，得到紋理超像素圖像SP₂；

3)把顏色超像素圖像SP₁轉(zhuǎn)化到CIE-Lab顏色空間，得到對應(yīng)的CIE-Lab顏色超像素圖像SP₃，在CIE-Lab顏色超像素圖像SP₃中第i個超像素p_i和第j個超像素p_j，計算顏色距離d_app(p_i,p_j)₁和空間距離d_spa(p_i,p_j)；

4)計算CIE-Lab顏色超像素圖像SP₃中第i個超像素p_i的初步對比度Ctr(p_i)，利用該對比度得到基于顏色特征的顏色顯著圖SM₁；

5)把紋理超像素圖像SP₂轉(zhuǎn)化到CIE-Lab顏色空間，得到對應(yīng)的CIE-Lab紋理超像素圖像SP₄，對CIE-Lab紋理超像素圖像SP₄中第i個超像素p_i和第j個超像素p_j構(gòu)建無相權(quán)值表，從該無相權(quán)值表中得到第i個超像素和第j個超像素的最短路徑，計算p_i和p_j在最短路徑的累積權(quán)重d_geo(p,q)；

6)計算CIE-Lab紋理超像素圖像SP₄中第i個超像素p_i的廣度面積Area(p_i)和p_i邊界連接函數(shù)為BndCon(p_i)，根據(jù)這兩個參數(shù)計算背景概率

其中，σ_BC為比例系數(shù)，σ_BC∈[0.5,2.5]；

7)用背景概率作為權(quán)值，對初步對比度Ctr(p_i)進行加強，得到加強后的對比度ωCtr(p_i)，利用該對比度ωCtr(p_i)得到基于紋理特征的紋理顯著圖SM₂；

8)輸入紋理顯著圖SM₂，并利用SLIC方法對紋理特征圖進行超像素分割，得到紋理超像素顯著圖SM₃，再將SM₃轉(zhuǎn)化到CIE-Lab顏色空間，得到對應(yīng)的CIE-Lab紋理顯著圖SM₄，在SM₄中第i個超像素p_i和第j個超像素p_j，計算顏色距離d_app(p_i,p_j)₂

9)將第i個超像素p_i和第j個超像素p_j分別在CIE-Lab顏色超像素圖像SP₃中的顏色距離d_app(p_i,p_j)₁在CIE-Lab紋理顯著圖SM₄中的顏色距離d_app(p_i,p_j)₂及背景概率進行線性融合，得到最終對比度ωCtr(p_i)*，利用該對比度得到同時包含顏色特征和紋理特征的最終顯著圖SM。

本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點：

1.本發(fā)明充分利用了圖像的紋理特征和顏色特征，提高了對圖像基本信息的利用率，得到的顯著圖更符合人類的視覺注意模型。

2.本發(fā)明充分考慮了應(yīng)用范圍，采用自底向上的圖像顯著性檢測，不需要任何先驗知識就能獲取顯著圖；

3.本發(fā)明利用SLIC對圖像進行超像素分割，并針對超像素計算對比度，在提高計算效率的同時很好的保持了顯著性區(qū)域的邊緣信息，提高分割準(zhǔn)確度。

附圖說明

圖1是本發(fā)明的實現(xiàn)流程圖；

圖2是顯著性目標(biāo)為植物的圖像；

圖3是顯著性目標(biāo)為動物的圖像；

圖4是顯著性目標(biāo)為其它的圖像；

圖5是本發(fā)明對顯著性目標(biāo)為植物的圖像處理后得到的顯著圖；

圖6是本發(fā)明對顯著性目標(biāo)為動物的圖像處理后得到的顯著圖；

圖7是本發(fā)明對顯著性目標(biāo)為其它的圖像處理后得到的顯著圖；

圖8是本發(fā)明和現(xiàn)有多種顯著性檢測方法進行顯著性檢測后的平均錯誤率結(jié)果圖；

圖9是本發(fā)明和現(xiàn)有多種顯著性檢測方法進行顯著性檢測后的準(zhǔn)確率、召回率和綜合正確率的結(jié)果圖。

具體實施方式

參照圖1，本發(fā)明基于紋理特征和顏色特征融合的圖像顯著性檢測方法，其實現(xiàn)如下：

步驟1：輸入原始圖像I，獲取包含圖像顏色信息的顏色超像素圖像SP₁。

1a)輸入原始圖像I，本實例的原始圖像為3幅，其中第1幅是圖2所示的顯著性目標(biāo)為植物的圖像，第2幅是圖3所示的顯著性目標(biāo)為動物的圖像，第3幅是圖4所示的顯著性目標(biāo)為其它的圖像；

1b)用基于總變差模型的濾波器對上述圖像進行濾波，得到去紋理圖像S；

1c)利用SLIC方法對去紋理圖像S進行超像素分割：

先將每一幅原始圖像I轉(zhuǎn)化為CIE-LAB顏色空間和XY坐標(biāo)下的5維特征向量；

再對5維特征向量構(gòu)造距離度量標(biāo)準(zhǔn)，利用該標(biāo)準(zhǔn)對轉(zhuǎn)化后的圖像像素進行局部聚類與分割，得到顏色超像素圖像SP₁。

步驟2：根據(jù)輸入原始圖像I，獲取包含圖像紋理信息的紋理超像素圖像SP₂。

2a)定義Gabor濾波器的函數(shù)為：

其中(x,y)為Gabor濾波點坐標(biāo)，x'＝xcosθ+ysinθ，y'＝-xsinθ+ycosθ，λ為正弦函數(shù)波長，θ為Gabor核函數(shù)的方向，ψ為相位偏移，σ是高斯函數(shù)的標(biāo)準(zhǔn)差，γ為空間寬高比，i為虛數(shù)單位；

2b)通過Gabor濾波器對輸入的每一幅原始圖像I圖像進行濾波，得到紋理特征圖像T；

2c)利用SLIC方法對紋理特征圖像T進行超像素分割，得到紋理超像素圖像SP₂。

步驟3：計算基于顏色特征的初步對比度Ctr(p_i)。

對比度的計算是顯著性檢測過程中的關(guān)鍵步驟，研究者使用較多的一種方法就是通過在一定的顏色空間求顏色距離，然后再與空間距離進行加權(quán)，得到對比度值。參考這些方法，對于第i個超像素p的初步對比度，本實例通過如下步驟計算：

3a)把顏色超像素圖像SP₁轉(zhuǎn)化到CIE-Lab顏色空間，得到對應(yīng)的CIE-Lab顏色超像素圖像SP₃；

3b)計算第i個超像素和第j個超像素在CIE-Lab顏色超像素圖像SP₃中的顏色距離d_app(p_i,p_j)₁和空間距離d_spa(p_i,p_j)：

其中C_i1為第i個超像素在CIE-Lab顏色超像素圖像SP₃的顏色值，C_j1為第j個超像素在CIE-Lab顏色超像素圖像SP₃的顏色值，d(p_i,p_j)表示第i個超像素和第j個超像素中心的距離，σ_spa為比例系數(shù)，取值為0.25；

3c)根據(jù)3b)的結(jié)果，計算第i個超像素基于顏色特征初步對比度Ctr(p_i)：

步驟4：計算第i個超像素的背景概率

為了有效提升顯著性檢測的質(zhì)量，引入背景概率作為權(quán)值，對基于顏色特征初步對比度Ctr(p_i)進行擴展。

對于第i個超像素的背景概率通過如下步驟計算：

4a)把紋理超像素圖像SP₂轉(zhuǎn)化到CIE-Lab顏色空間，得到對應(yīng)的CIE-Lab紋理超像素圖像SP₄；

4a)在CIE-Lab紋理超像素圖像SP₄中，取第i個超像素和第j個超像素構(gòu)建無相權(quán)值表，計算第i個超像素到第j個超像素在最短路徑的累積權(quán)重d_geo(p_i,p_j)：

當(dāng)?shù)趇個超像素和第j個超像素為同一個超像素時，即在i＝j(luò)這種特殊情況下，定義d_geo(p_i,p_j)＝0。

4b)計算第i個超像素的廣度面積Area(p_i)：

其中d_geo(p_i,p_j)表示第i個超像素到第j個超像素最短路徑的累積權(quán)重，σ_clr為比例系數(shù)，取值在[5,15]之間，這里取σ_clr＝10；

4c)計算第i個超像素的邊界連接函數(shù)BndCon(p_i)：

其中Area(p_i)表示第i個超像素的廣度面積，δ表示超像素p_i在是否在圖像邊界上，若在，則δ取1，反之取0；

4d)計算第i個超像素的背景概率

其中，σ_BC為比例系數(shù)，σ_BC∈[0.5,2.5]。

步驟5：計算用背景概率增強后的最終對比度ωCtr(p_i)*。

5a)根據(jù)步驟3和步驟4的結(jié)果，計算基于顏色特征的對比度ωCtr(p_i)：

5b)對基于紋理特征得到的顯著圖SM₂，利用SLIC方法進行超像素分割，得到一個新的紋理超像素顯著圖SM₃；

5c)將SM₃轉(zhuǎn)化到CIE-Lab顏色空間得到對應(yīng)的CIE-Lab紋理顯著圖SM₄，并計算SM₄中的第i個超像素和第j個超像素的顏色距離d_app(p_i,p_j)₂：

其中，C_i2為第i個超像素在CIE-Lab紋理顯著圖SM₄的顏色值，C_j2為第j個超像素在CIE-Lab紋理顯著圖SM₄的顏色值；

5d)計算增強后的最終對比度ωCtr(p_i)*：

其中d_app(p_i,p_j)₁為第i個超像素與第j個超像素在CIE-Lab顏色超像素圖像SP₃中的顏色距離，d_app(p_j,p_j)₂為第i個超像素與第j個超像素在CIE-Lab紋理顯著圖SM₄中的顏色距離，d_spa(p_i,p_j)為第i個超像素與第j個超像素的空間距離，為第i個超像素的背景概率，α為阻尼因子，α∈[0,1]。

本實例中，最終的紋理顯著圖為3幅，其中第1幅是圖5所示的顯著性目標(biāo)為植物的圖像處理后得到的顯著圖，第2幅是圖6所示的顯著性目標(biāo)為動物的圖像處理后得到的顯著圖，第3幅是圖7所示的顯著性目標(biāo)為其他的圖像處理后得到的顯著圖。

新的對比度通過引入紋理特征信息，增強了顯著性區(qū)域的對比度，抑制了背景區(qū)域的對比度，得到新的對比度值更加準(zhǔn)確，顯著圖的質(zhì)量也能得到顯著提高。

本發(fā)明的效果可以通過以下對真實圖像的仿真實驗進一步說明：

1、仿真實驗條件

本發(fā)明的仿真在windows 7旗艦版，CPU Inter I5，基本頻率3.4GHZ，軟件平臺為Matlab 2016上實現(xiàn)。仿真實驗選用標(biāo)準(zhǔn)的MSRA-10000數(shù)據(jù)集進行測試。該數(shù)據(jù)集中的圖像，具有背景復(fù)雜且目標(biāo)區(qū)域?qū)Ρ榷鹊偷奶攸c，對其中的圖像顯著性檢測是一個很有挑戰(zhàn)性的工作，很多具有代表性的方法都選擇在該數(shù)據(jù)集上進行測試。

仿真使用的現(xiàn)有四種顯著性檢測方法分別為：

RBD法：基于背景強健的圖像顯著性檢測方法；

SF法：基于顯著性濾波器的圖像顯著性檢測方法；

GS法：基于測地線距離的圖像顯著性檢測方法；

MR法：基于流形排序算法的圖像顯著性檢測方法。

2、仿真內(nèi)容與結(jié)果

仿真一，用本發(fā)明和現(xiàn)有的多種顯著性檢測方法對MSRA-10000數(shù)據(jù)集中的圖像進行顯著性檢測，檢測的平均錯誤率(MAE)如圖8。

從圖8可以看出，較低的MAE值表明了本發(fā)明的顯著性圖和真實值更為相似，它可以直接反應(yīng)顯著圖與真值之間的相似程度，對于以后的實際應(yīng)用，如目標(biāo)提取或圖像修剪具有重要意義，可在多種有代表性的顯著性檢測算法中進行廣泛使用。

仿真二，用本發(fā)明和現(xiàn)有的多種顯著性檢測方法對MSRA-10000數(shù)據(jù)集中的圖像進行顯著性檢測，檢測結(jié)果的準(zhǔn)確率(Precision)，召回率(Recall)，綜合正確率(Fm)結(jié)果如圖9。

從圖9可以看出，本發(fā)明無論是準(zhǔn)確率，召回率，還是作為整體評價標(biāo)準(zhǔn)的綜合正確率都具有明顯的提高。

綜上，本發(fā)明通過把基于紋理特征得到的顯著性信息，添加到基于顏色的對比度計算過程中去，不僅提高了對圖像基本信息的利用率，使顯著性檢測的過程更接近人類的視覺注意模型，而且提高了顯著性檢測的質(zhì)量。