[发明专利]一种基于区域描述和先验知识的图像显著性检测方法

说明书

技术领域

本发明涉及图像智能处理领域，特别涉及一种基于区域描述和先验知识的图像显著性检测方法。

背景技术

随着图像处理技术的快速发展，图像视觉显著性检测成为一个备受关注的课题。显著性检测广泛应用于图像处理各个领域，比如图像分割、图像检索、物体检测和识别、自适应图像压缩、图像拼接等。

人们在观察一幅图像时，给予图像各区域的关注往往是不均匀的。其中受到更多关注和引起人们兴趣的区域称为显著对象。心理学和感知等学科研究表明，人们更倾向于通过显著对象获取图像信息，对图像进行分析、理解。相对于其它区域，显著对象在图像评价中起到关键作用。此外，通过优先分析和处理显著性区域，能够提高计算资源的利用效率，因此视觉显著对象的检测具有重要的研究意义。

图像显著性检测是检测一个场景中最显著和最吸引注意力的区域,利用每个像素的不同灰度，表示这个像素属于显著区域的可能性，其输出结果通常是一幅被称为显著图的灰度图，显著图中每个像素的灰度值被称为显著度值。现有进行显著性检测的方法分为两大类。一类是基于注视点预测的模型；另一类是基于提取和分割显著物体的模型。本发明所涉及的方法属于后一类。这类方法，主要是通过对分割区域与邻域之间的差异度进行比较，来计算分割区域的显著度值。

下面对国内外关于图像显著性检测的方法和专利做相关介绍。T.Liu等人于2011年在国际模式识别顶级期刊PAMI期刊中发表了“Learning to detect a salient object”一文。该方法通过条件随机场理论(Conditional random field)，利用多尺度对比度、中心四周直方图以及颜色空间分布等特征学习用户感兴趣的显著区域，通过穷举算法在显著图上搜索目标矩形。该算法检测到目标物体的准确率高，但是搜索过程耗时长。

Achanta等人在2009年的计算机视觉国际会议CVPR会议发表了“Frequency-tuned Salient Region Detection”一文，文中所述方法的原理是将图像通过一个带通滤波器滤波，把高频的噪声和细节，以及低频的均匀背景去除掉。具体实现是首先对原图进行高斯模糊得到清晰度较低的图像，同时，计算整幅图像的平均值，然后两者相减取绝对值，得到最后的显著图。该方法提取出的Z.Liu等人在2009年的图像处理期刊IET发表了“Efficient saliency detection based on Gaussian models”一文，该文提出的显著性模型是以高斯分布模型作为基础建立的，该模型首先利用均值飘移算法在Luv颜色空间中把图像预分割为不同区域，然后利用一系列高斯分布模型描述各个区域，并计算每个像素与不同区域之间的颜色相似程度，再计算各区域之间的颜色距离以及空间距离，分别形成颜色显著性图和空间显著性图。最后由两者相结合形成最终的显著性图。该方法仅仅利用了图像的颜色特征，导致最终的显著图中可能含有大量背景噪声干扰。

区域具有清晰度较高且边缘清晰的特点，而且算法简单，运算耗时少。但该方法具有一个明显的缺点，当背景稍微复杂时，显著性检测效果会变得很不理想。

Z.Liu等人在2009年的图像处理期刊IET发表了“Efficient saliency detection based on Gaussian models”一文，该文提出的显著性模型是以高斯分布模型作为基础建立的，该模型首先利用均值飘移算法在Luv颜色空间中把图像预分割为不同区域，然后利用一系列高斯分布模型描述各个区域，并计算每个像素与不同区域之间的颜色相似程度，再计算各区域之间的颜色距离以及空间距离，分别形成颜色显著性图和空间显著性图。最后由两者相结合形成最终的显著性图。该方法仅仅利用了图像的颜色特征，导致最终的显著图中可能含有大量背景噪声干扰。

目前我国在该领域相关专利有：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)。该方法同时考虑了全局对比度和空间相干性。但是由于仅利用了颜色直方图和空间关系，而且得到的显著图是基于分割区域而非像素，使得最终的显著图比较粗糙，并且在背景较为复杂时检测结果不太理想。

综上所述，现有基于分割区域的显著性检测方法大部分仅利用图像的颜色特征，导致最终生成的显著图比较粗糙，可能含有大量背景噪声干扰，而且对背景复杂的图像显著性检测效果较差。

发明内容