[发明专利]一种基于期望步数的图像显著程度检测方法

说明书

技术领域

本发明涉及图像处理中的局部区域分析，特别涉及图像中的视觉显著性区域检测方法。

背景技术

生物视觉系统所具有的视觉选择性注意是由视觉显著性机制驱动的。心理学研究发现，那些能够产生新异的刺激、较强的刺激和人所期待的刺激的场景区域容易引起观察者的注意。视觉选择性注意机制是生物体特别是人类的一个内在属性，面对复杂、未知的场景，人类能够不受复杂背景影响，快速而准确地检测到显著目标，是由于人类可以通过显著性区域优先分配图像分析与合成所需要的计算资源。而计算机视觉系统只会不加选择地平等对待视觉场景中的各个区域，在无法理解场景变化的同时还会造成计算瓶颈。如果我们把人类视觉系统的选择性注意功能引入到计算机视觉系统中，势必会提升现有计算机图像分析效率。

模拟人类选择性注意机制的计算模型提取的显著性图像被广泛的应用于许多计算机视觉领域，如自适应图像压缩，目标检测，目标识别，内容感知图像编辑和图像检索等邻域。因此，显著性计算模型成为了一个比较流行的研究课题。

目前视觉显著性的计算模型己经研究得比较深入，特别是Itti等人基于Treisman特征整合理论提出的模型极具代表性，该模型首先对输入图像构成空间金字塔并提取亮度，颜色和方向等初级视觉特征，然后进行多尺度融合，并基于“中央一周边差”理论度量图像中每个局部区域在每种特征上的显著程度，形成特征显著图。最后对特征显著图进行线性求和得到总的视觉显著图。但是，目前的显著性检测算法主要是建立在视觉特征的局部对比的基础上的，缺乏从全局角度对显著目标的自身特性进行分析理解，因此当背景较杂乱时会出现大量的误判现象，检测结果不够理想。

发明内容

本发明的目的在于提供一种基于期望步数的显著性检测方法，具体包括以下步骤：

步骤1，将输入图像切分成不重叠的图像块；

步骤2，提取每个图像块的颜色，方向熵和纹理特征，构造特征向量；

步骤3，将每个图像块视为全连通图和k规则图中的一个结点，对于每个结点，利用步骤2所得到的特征向量计算这个结点与其他所有结点的不相似度，利用结点间的不相似度得到全连通图关联矩阵和k规则图的关联矩阵L表示分割后的图像块总数；根据全连通图的状态转移矩阵P^g计算全连通图的平稳分布进而得到全连通图的基础矩阵Z^g．根据基础矩阵Z^g计算全连通图中从平稳分布出发到达任意节点i的期望步数根据k规则图的状态转移矩阵P¹计算k规则图的平稳分布进而得到k规则图的基础矩阵Z¹，根据基础矩阵Z¹计算k规则图中从平稳分布出发到达任意节点i的期望步数：

步骤4，利用步骤3所得到的全连通图中从平稳分布出发到达任意节点i的期望步数以及k规则图中从平稳分布出发到达任意节点i的期望步数得到关键结点Nmsal，计算方法如下：

Nmsal=max(Eπg(Ti)Eπi(Ti))]]>公式(3)

其中i＝1，2…，L；

全连通图G每个结点与图中所有结点连通，反映了图像的全局属性，显著结点与其他结点的不相似度较大，从其他结点出发到达这样的结点较困难，从平稳分布出发到达这种结点的期望步数就越高。k规则图L反映了图像的局部属性，因为每个结点只与周围的相邻的结点连通。相邻的区域内的结点之间的视觉特征差异较小，结点之间的转移速度更快，到达显著结点的期望步数较低。我们用全连通图G与k规则图L中期望步数的比值中最大的值作为关键结点，即最显著的结点。