[发明专利]一种基于局部自适应回归的显著区域检测方法

说明书

技术领域

本发明属于图像处理技术领域，更准确地说，本发明涉及一种基于局部自适应回归的显著区域检测方法。

背景技术

人们很容易从未知环境中搜索到场景中的显著区域，并注意这些区域包含的目标，但对于电脑来说就非常困难。因此显著区域检测分析是近年来计算机视觉领域中的研究热点之一，同时也是进一步分析显著区域的关键，如目标图像分割，目标识别，图像压缩、图像编辑和图像检索等。显著区域检测效果直接影响着后续的进一步处理。

近年来，不少研究者提出了很多的显著区域检测算法，大部分算法根据一些底层的视觉特征和数学方法构建数学模型。底层视觉特征主要包括图像灰度、颜色、边缘、纹理等属性，通过分析这些区域和周围区域的对比度来定义图像的显著性，一些著名区域检测算法属于这一类。如1998年，Itti等研究者依据Koch理论和Treismant理论提出得区域检测模型(Treisman A M,Gelade G.A feature-integration theory of attention.Cognitive Psychology,1980,12(1):97-136.)，该模型通过计算中央周边差的方法计算像素的显著性值；Harel等人将Itti获得特征图量化到[0，1]之间突出显著性区域(S.Goferman,L.Zelnik-Manor,and A.Tal.Context-aware saliency detection，IEEE Trans.on Pattern Analysis and Machine Intelligence),2012,34(10):1915--1926.)；Goferman等人同时结合局部底层线索、全局考虑和视觉组织规则来构建图像显著模型，突出图像中的显著区域；Zhai和Shah通过某个像素和其余像素点对比度定义像素的显著性(Y.Zhai and M.Shah.Visual attention detection in video sequences using spatiotemporal cues.In ACM Multimedia2006,815–824.)；Cheng等人提出了基于区域对比度的视觉显著模型(M.Cheng,G.Zhang,N.J.Mitra,X.Huang,and S.Hu.Global contrast based salient region detection.IEEE Computer Society Conference on Computer Vision and Pattern Recognition,2011,409–416.)，同时考虑了图像全局对比度和空间相关性。

但是，这些算法主要考虑一些底层特征，对于稍微复杂的背景或存在噪声的图像检测时效果不理想。Chelhwon等人通过无参回归定义像素显著性值(Chelhwon Kim and Peyman Milanfar.Visual Saliency in Noisy Images.Journal of Vision.2013,13(4),1-14)，该视觉显著模型是利用全部的局部自适应回归核特征(LARK特征)定义的。但LARK特征在计算显著性值时并不是所有的特征都有效，而无参回归模型忽略。通过观察发现基于全部LARK特征的视觉计算模型虽然可以有效计算像素的显著性值，但在实际应用中，只需要很少的LARK特征就能表征图像，也能有效的突出目标。

目前，一些简单场景下的显著区域检测方法已经比较成熟，但在稍复杂的场景或存在一些噪声的情况下，大多数的算法检测效果会不理想。如果能找到较好的图像目标表征方式，将会对复杂场景下的显著区域检测有很大的帮助，除外，检测简便程度、移植性等，都是需要考虑的问题。

发明内容

本发明的目的是：为了解决上述技术的不足，给出一种基于局部自适应回归的显著区域检测方法，以实现在复杂的场景中的显著区域快速检测和有效表征图像特征和检测场景中的显著区域包含的目标。该方法基于类似人视觉的Lab颜色空间的LARK特征而实现，先利用有效的局部自适应回归特征表征图像的像素的底层特征，然后根据感兴趣的像素包含的图像区域与相邻区域的不相似度定义像素的显著性值，在图像存在噪声时有效借助了核技巧，对每个像素的显著性值重新进行了计算得到新的值。

具体地说，本发明是采用以下的技术方案来实现的，包括下列步骤：

1)提取Lab图像：基于获得的图像，将RGB图像转换成Lab颜色图像；