[发明专利]基于除法归一化的图像视觉显著性检测方法

说明书

技术领域

本发明属于自底向上视觉显著性的自动计算领域，具体涉及一种基于除法归一化的图像视觉显著性检测方法。

背景技术

人脑的神经资源是有限的，它无法同时处理所有的视觉感知信息。视觉注意是一种重要的视觉信息处理机制，它只允许少量的视觉感知信息进入高级皮层进行处理，如短期记忆、视觉意识、识别和学习等。视觉显著性(Visual saliency)是一种视觉感知特性，它能够让一个显著的目标或区域从复杂的视觉场景当中凸显出来，从而可以引起我们的视觉注意。有的视觉注意形成于场景依赖的或称自底向上的视觉显著性，而有的视觉注意受控于任务依赖的或称自顶向下的视觉显著性。

视觉显著图(Visual saliency map)被广泛的应用于许多计算机视觉应用当中，如感兴趣物体分割、物体识别、自适应图像压缩、内容敏感的图像缩放、图像检索等。视觉显著图中各像素灰度级的大小代表了视觉场景中对应位置显著性的强弱。Itti等人于1998年提出了“A model of saliency-based visual attention for rapid scene analysis”。该方法在计算结构上模仿人脑中视觉显著性形成的神经机制，可以计算出输入场景图像的视觉显著图。近来出现了一类显著性检测方法是从信息理论的角度来计算视觉显著性的，这类方法包括Bruce等人于2005年提出的“Saliency based on information maximization”，以及Harel等人于2006年提出的“Graph-based visual saliency”。尽管这类算法具有较好的显著性检测性能，但它们计算量很大，仍然不能实时处理。

另一类视觉显著性计算方法是在频域里进行计算的。Hou等人于2007年提出了“Saliency detection：a spectral residual approach”，该方法利用输入图像傅立叶变换幅度谱和自然图像的幅度谱均值之间的残差来计算输入图像的视觉显著性。Yu等人于2009年提出了“Pulse discrete cosine transform for saliency-based visual attention”，该方法通过归一化输入图像离散余弦变换的变换域系数来计算图像的视觉显著图。基于频域的显著性计算方法计算复杂度低，计算速度非常快，能够应用于实时处理系统，但它们的显著图分辨率较低，不能提供清晰的物体形状。

目前大多数的显著性计算方法仅能获得低分别率的视觉显著图，而且计算代价昂贵。有些算法只能检测到显著目标的边缘，而不能检测出完整的显著目标。Achanta等人于2009年提出了“Frequency-tuned salient region detection”，该方法利用每个像素的颜色值与整幅图像的颜色均值之间的欧氏距离来计算视觉显著图。尽管该方法步骤很简单，而且可以获得全分辨率的显著图，但它不是按照视觉显著性的形成机制设计出来的，因此其显著图与人的视觉感知差距较大。

发明内容

本发明的目的在于提出一种基于除法归一化的图像视觉显著性检测方法，可以使得图像中重要物体区域被均匀地凸显出来。

为达到本发明的上述目的，本发明提供的基于除法归一化的图像视觉显著性检测方法，具体包括以下步骤：

1)将大小为M×N像素的彩色输入图像从RGB颜色空间变换到CIE1976 L*a*b*颜色空间。输入图像经过变换后会产生三个具有生物合理性的颜色通道，其中亮度通道L、绿/红对立通道A和蓝/黄对立通道B；

2)将绿/红对立通道A分解为两个子通道：A_-和A₊，其中，A_-是将矩阵A的所有正值元素置0而得到，而A₊是将矩阵A的所有负值元素置0而得到；将蓝/黄对立通道B分解为两个子通道：B_-和B₊，其中，B_-是将矩阵B的所有正值元素置0而得到，而B₊是将矩阵B的所有负值元素置0得到，将矩阵A_-、A₊、B_-和B₊看作四个颜色通道，分别对应绿、红、蓝、黄四种颜色；

3)计算出绿、红、蓝、黄和亮度通道的能量，其中，E_g、E_r、E_b、E_y和E_L分别对应绿、红、蓝、黄和亮度5个特征通道的能量；