[发明专利]一种基于多尺度相对熵的视觉显著区域提取方法

说明书

技术领域

本发明涉及一种图像处理和目标识别方法，尤其涉及一种基于相对熵的视觉显著区域提取方法。

背景技术

随着信息技术的发展，信息的提取和压缩到了越来越广泛的关注。由于人类感知到的外部信息有80％来自于视觉。面对庞大的视觉信息输入，人类视觉系统之所以能够进行快速、有效地处理，是因为在人类视觉信号处理的早期阶段存在着一种差异性评价过程，该过程将感知到的一些与众不同的刺激信号(新奇特征)提取出来，组成显著性区域并分配给有限的视觉注意资源。因为显著性区域计算在目标检测、图像压缩以及图像搜索等领域具有广泛的实际应用背景，所以如何模拟人类视觉系统的注意机制，建立显著性区域的计算模型获得了心理学和机器视觉领域的大量关注。

第一个较为系统的显著性计算框架由Itti提出，其基本思想是先对不同分辨率下的图像分别提取亮度、颜色、方向等视觉特征的要素图，然后将不同分辨率下的要素图进行中央-周边加权处理后形成整合显著图。实际上，自然图像满足非高斯分布，而Itti采用高斯差分方式处理中央-周边滤波，不能很好的过滤自然图像中的非高斯冗余(L.Itti，C.Koch.Computational Model of Visual Attention.Nature Reviews Neuroscience[J].2001，2(3)：194-203.)。该方法后来被Harel发展并应用于目标检测与识别(J.Harel，C.Koch，P. Perona.Graph-based VisualSaliency.Advances in Neural Information Processing Systems[C]，2007，19：545-552.)。Bruce建立了一种结合有效编码和信息最大化策略计算显著性的框架(Neil D.B.Bruce，John K.Tsotsos.Saliency，Attention，and Visual Search：An Information Theoretic Approach.Journal of Vision[J].2009 9(3)：5，1-24.)。该思想来源于Vinje获得的神经生理学试验结果，认为视皮层中简单细胞对外界刺激的响应满足稀疏分布。这类方法主要考虑了局部对比度信息，而大量试验结果表明：人类视觉系统大量地使用全局特征来引导注意。近年来，利用全局特征来检测显著性区域的方法也有报道。例如Hou认为图像对数谱曲线呈现出的统计特征的相似性隐含着冗余信息，而差异性对应着新奇性，从而提出了一种利用图像的谱残余来表达显著性的方法(X Hou，L Zhang.Saliency Detection：A spectral ResidualApproach[C].IEEE Conference on Computer Vision and Pattern Recognition，2007，1-8.)。然而，图像谱残余是否能够表达图像的显著性目前还未有定论。例如，Guo认为决定图像显著性的并非图像谱信息，而是相位谱信息，提出了相位谱变换模型(phase spectrum of Fourier transform，PFT)，并获得了与Hou类似的结果(Guo C L，Zhang L M.A Novel Multiresolution Spatiotemporal Saliency DetectionModel and Its Applications in Image and Video Compression[J].IEEE Transactionson Image Processing，2010，19(1)：185-195.)。

总体上讲，以上模型虽然在模拟人类注意过程中取得了一些进展，但其方法本身还有不完善之处。具体表现为：模型输出的显著性区域大多集中在图像边缘或亮度剧烈变化之处，表明局部特征对比度对显著性的计算起主导作用，即主要考虑了同种类型的基本特征之间的竞争关系，而特征所处的环境上下文信息，以及相似特征的空间频率选择等因素没有很好地体现。

此外，通过观察可以得知，在绝大多数情况下，人类对于视觉感知的特征具有全局尺度性，以及局部差异性等性质。无论是驾驶车辆还是数据搜索，我们所关注的对象都是特定的与自身目的相关的目标，因此，根据数据信息，有选择性的过滤无关的信息，使得更加符合主观的需求，是提高目标提取的有效方法。

发明内容

技术问题

本发明要解决的技术问题是提供一种基于相对熵原理的多尺度视觉显著区域的提取方法，该方法采用多尺度分析的方法，反映了全局显著性的颜色和方向特征，以及局部新奇性的相对熵。