[发明专利]一种面向视觉显著性检测的中央周围环绕优化方法

说明书

技术领域

本发明属于计算机视觉领域，具体来说是一种受生物视觉感受野机制启发的面向视觉显著性检测的中央-周围环绕优化方法。 

背景技术

生物视网膜中神经节细胞感受野都由一个“中心”圆和一个“周围”同心环组成，两区域分别对激励具有兴奋和抑制响应。已证实神经节细胞响应是由抑制性和兴奋性感受野分量共同作用的结果。因此，生物视觉神经节细胞的感受野机制建摸的关键在于中央-周围环绕优化方法。 

目前已提出的中央-周围环绕优化方法可大致分为两类。一种是基于高斯差分模型，它采用重叠但却独立的两个高斯函数，分别模拟“中心”兴奋和“周围”抑制区域。由于两高斯函数对激励具有相反响应，最终表现为一个高斯差分函数。另一类是基于双指数模型，该方法建立在对猕猴H1水平细胞的实验研究基础上，认为大多数H1感受野的敏感度分布表现为两个指数分量的叠加。 

此外，现已提出的中央-周围环绕优化方法中感受野的“中心”和“周围”区域设定通常都是建立在输入图像的像素空间上。具体来说，“中心”和“周围”区域是根据像素与区域中心像素在像素空间上的距离进行划分，且感受野的空间范围和灵敏度分布与激励信号强弱无关。然而生物学实验已证明感受野大小和灵敏度曲线是随激励信号强弱自适应改变。另一个生物学证据是生物视觉信息的传输处理机制的研究，不管是分级假说还是平行处理机制都强调的是对输入视觉信息成分按不同性质重组处理和传输。 

发明内容

本发明针对现有技术的不足，受生物视觉感受野机制中“中心”兴奋和“周围”抑制特性，以及感受野细胞对视觉信息重组特性的启发，提供了一种面向视觉显著性检测的中央-周围环绕优化方法。 

本发明方法的具体步骤如下： 

步骤(1)：采用SLIC超像素聚类方法，提取输入图像的显著基元，具体为：

对于输入图像 ，设定期望划分的超像素个数为，采用SLIC超像素聚类方法根据期望的超像素个数划分出多个互不相交且区域面积近似相等的超像素区域，最终实际划分出的超像素个数为。将一个超像素区域视为一个显著基元，即显著基元的个数为。

步骤(2)：采用彩色变换方法，分别提取输入图像在CIELAB空间的l彩色分量图、a彩色分量图和b彩色分量图，具体为： 

对于输入图像，其l彩色分量图、a彩色分量图和b彩色分量图分别表示为、和。

步骤(3)：根据步骤(1)和步骤(2)的结果，提取每个显著基元在CIELAB空间的颜色特征，具体为： 

对于输入图像中的第i个显著基元，其颜色特征是由显著基元在CIELAB空间的颜色均值矢量、超像素区域的质心坐标组成。

所述的显著基元在CIELAB空间的颜色均值矢量表示为，其中为显著基元内所有像素的l彩色分量均值，为显著基元内所有像素的a彩色分量均值，为显著基元内所有像素的b彩色分量均值。 

所述的显著基元的质心坐标表示为，其中为显著基元内所有像素垂直方向坐标的均值与输入图像高度的比值，为显著基元内所有像素水平方向坐标的均值与输入图像宽度的比值。 

步骤(4)：根据步骤(3)结果，提取每个显著基元的颜色独特性值，具体为： 

对于输入图像中的第i个显著基元，其颜色独特性值表示为：

其中为显著基元和显著基元在CIELAB空间的颜色距离；为显著基元和显著基元的空间距离；为高斯函数标准差。

所述的显著基元和显著基元在CIELAB空间的颜色距离表示为显著基元在CIELAB空间的颜色均值矢量与显著基元在CIELAB空间的颜色均值矢量的L2距离，具体描述为： 

所述的显著基元和显著基元的空间距离表示为显著基元的质心坐标与显著基元的质心坐标的L2距离，具体描述为：

步骤(5)：根据步骤(3)结果，计算每个显著基元的空间紧凑性值，具体为：

对于输入图像中的第i个显著基元，其空间紧凑性值表示为：

其中为高斯函数标准差。

步骤(6)：根据步骤(4)和步骤(5)的结果，计算每个显著基元的合成显著性值，具体为： 

对于输入图像中的第i个显著基元，其合成显著性值表示为：

其中为高斯函数方差。