[发明专利]基于改进的SUSAN算子的显著性区域提取

说明书

联合研究

本申请得到以下基金资助：国家自然科学基金(No.61103113)，北京市属高等学校人才强教深化计划项目(PHR201008187)。

技术领域

本发明涉及基于改进的SUSAN算子的图像显著性区域提取的方法、装置和计算机程序产品。

背景技术

随着机器视觉的发展，提取图像显著性区域显得越来越重要。在这个互联网信息时代，每天都有大量的图片信息被分享，面对如此多的信息，面向目标物体的图像检索技术越来越受到重视。图像显著性检测就是解决这个问题的一个有效途径。图像显著性检测和目标提取是计算机视觉和模式识别领域的一个重要问题，同时涉及许多其它科学领域。

人们已经发现主要信息总是集中在某些特定的关键的图像区域。此外，人们习惯于将注意力放在图像的某些特定区域而不是整幅图像。因此，一幅图像中的显著性区域定义的是人们通常给予更多注意力的地方。事实上，从许多实际应用方面来了解图像显著性区域是很有必要的，如图像裁剪，适应图像，图像或视频压缩，内容感知的图像检索，图像插值和场景分类，面积显著性。

自从Koch和Ullman在1985年根据显著性分布提出视觉注意力模型(文献[7])，越来越多的视觉注意模型已经被提出来。

视觉显著性通常发生在自底向上的图像特征驱动模型中，它的机理首先由Koch和Ullman在1985年提出，并描述了在计算机上实现显著性检测的体系结构。接着Itti等人(文献[8])使用金字塔图像不同级交叉相减的方法，求得图像hsI三个通道的显著图，最后通过叠加三个通道的显著图而形成最后的显著图。它能突出显示一些图像的显著区域。Hou X.D.等人(文献[11])使用傅里叶变换图像，然后计算图像光残普差，再通过反变换获得图像显著图。

有两种常规方法可以找出图像的显著性区域。首先，低级别的视觉特征可以模拟在图像上的生物视觉注意力机制，如亮度，对比度方向和质感。另一方面，一些方法采用纯数学计算方法，这是不基于任何生物视觉原理的基础上取得的显著性，如基于图形的随机行走(Graph-based random walk)，贝叶斯猜想(Bayesian surprise)和谱残差方法(Spectral Residual Approach)。

除了区域显著性以外，还有通过显著点检测实现面向目标物体的图像检索方法。Lowe D G提出了一种鲁棒性很好的尺度不变特征描述方法SIFT，首先通过高斯差分滤波器构建高斯金字塔图像，它通过对高斯金字塔图像进行极值检测，确定极值点位置并为极值点指定主方向参数，最后形成关键点描述向量。通过这种方法也可以准确的进行图像匹配。但是这种方法计算数据量大、时间复杂度高。针对这些缺陷，Bay等人在此基础上提出了SURF方法提取特征点，它结合积分图像和hessian矩阵的优点，降低了算法的时间复杂度，而且运算量也减小了很多，达到的效果跟sift基本上保持一致。这些方法有一个共同点—他们利用各种办法去除边缘响应点和曲率较大的点。因为在多尺度显著点检测中这些点是不稳定的。但是对于一般的图像检索来说，人们往往不关注图像的精确匹配，而是跟目标图像相关的那些图像。所以这种情况下图像的边缘点也显得很重要了。

因此，本发明的目的在于提供一种改进的图像显著性区域提取方法，能够实现更好的图像显著性区域提取效果。

并且本申请是基于以下多篇参考文献提出的：

[1]T.Judd，K.Ehinger，F.Durand and A.Torralba，“2010Learning to Predict Where Humans Look，”IEEE ICCV.Proc.，pp.2106-2113，Sep.2009.

[2]J.S.Kim，S.G.Jeong，Y.H.Joo and C.S.Kim，“Content-aware image and video resizing based on frequency domain analysis，”IEEE Trans.Consumer Electronics.，Vol.57，no.1，pp.615-622，July.2011.

[3]Mengmeng Cheng，GX Zhang，N J.Mitra Xl Huang and SM Hu，“Global contrast based saliency region detection，”，IEEE CVPR，p.409-416，Colorado Springs，Colorado，USA，June 21-23，2011.