[发明专利]一种基于颜色对比和颜色分布的物体显著性检测方法

说明书

技术领域

本发明涉及图像处理技术领域，具体地，特别涉及一种基于图像颜色对比和颜色分布的物体显著性检测方法。

背景技术

对人的视觉选择注意机制进行研究一直是一个备受关注的课题，因为这种视觉选择机制能让我们将各种计算资源集中在最有价值的信息上面。在图像中检测显著的物体是这个领域中的一个重要方面，其在自动目标定位与分割，图像检索，基于内容的图像缩放等方向都有很广泛的应用。显著性检测的结果被称为“显著性图”（Saliency Map），图上亮度越大的区域意味着越容易吸引人的注意。显著性检测方法通常可以分为两类：自底向上与自上而下。自底向上的显著性检测方法模拟人本能的视觉注意机制，利用底层特征如颜色，边缘，纹理等进行检测。自上而下的显著性检测方法利用人的视觉注意机制受先验知识与任务依赖等影响，旨在开发目标驱动的显著性检测方法。本发明主要利用图像中的颜色对比与颜色分布作为显著性检测的依据，因此本发明属于自底向上的显著性检测方法。

下面对国内外的自底向上的显著性检测方法以及专利做相关介绍。作为最早期的工作，Itti等人（“A Model of Saliency-Based Visual Attention for Rapid Scene Analysis”）于1998年提出使用特征的中心－周围差异原理来进行显著性检测，所用特征具体包括颜色，强度与方向，并且其采用DOG（Difference of Gaussian）来实现中心周围差异的计算。Hou等人（“Saliency detection:A spectral residual approach”）于2007年提出光谱残差的方法，其在图像傅立叶变换后的幅度谱上计算光谱残差，然后再将该残差进行反变换得到显著性图。Zhai等人于2006年提出“Visual attention detection in video sequences using spatiotem-poral cues”，该方法定义一个像素的显著性值为该像素与图像中其余像素的亮度差异。Achanta等人（“Frequency-tuned salient region detection”）于2009年提出一种计算快速的显著性检测方法，该方法定义一个像素的显著性值为该像素在颜色空间上与图像均值的欧氏距离。但是在具有复杂背景与纹理的自然图像上该方法很难获得令人满意的结果。Goferman等人（“Context-aware saliency detection”）于2010年利用局部特征与全局特征在多尺度估计一个图像块的显著性。该方法的缺点是计算量大，并且由于采用了局部特征，该方法有时会高亮显示目标物体的边缘部分，而并不能突出显示整个目标。Perazzi等人（“Saliency Filters:Contrast Based Filtering for Salient Region Detection”）于2012年提出将显著性检测视为图像特征上的高维高斯滤波操作。以上提到的方法存在的缺陷是常常检测出目标物体的角点，边缘，或者目标物体的某些部分，而并不能突出整个物体。

如国内相关专利：基于学习的视频中显著物体序列自动检测方法（专利号ZL200810150324.8）与基于色彩直方图和全局对比度的图像视觉显著性计算方法（专利号201110062520.1）。前者由于引入机器学习算法，处理一幅图片往往需要很长时间，因此很难满足一些实时的应用。后者定义一个像素的显著性为其与图像中其他像素的颜色对比，并且转化为颜色直方图上的量化与计算操作。该方法由于只考虑了颜色对比，其最终的显著性图中可能包含大量背景干扰，并且在具有复杂背景纹理的图像上不能得到满意的检测结果。

本发明公开的方法不同于上述所有方法，因为本发明旨在得到高质量的显著性图，其能均匀的突出目标物体，保持物体的边缘细节，并且能够较强的抑制背景干扰。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于颜色对比和颜色分布的物体显著性检测方法，该方法能有效突出图像中的显著性物体，并且较好的保持物体的边缘细节，同时抑制背景干扰，有利于后续诸如目标物体分割等处理。

本发明具体包括以下技术步骤：

S1：首先将输入图像过分割为面积较小的超像素，并计算超像素内部的平均颜色与位置；