[发明专利]一种基于人眼立体视觉特性的立体图像显著性检测方法

说明书

技术领域

本发明属于图像处理技术领域，具体涉及一种基于人眼双目立体视觉的立体图像显著性检测的方法。

背景技术

显著性检测技术是立体视频处理技术的一个重要组成部分，也是许多不同的应用程序在图像处理的基础,尤其在目标检测和识别，图像压缩，视觉导航和图像质量评估等重要应用例如，可以通过显着性检测技术获取立体视频的视觉显著区域，进一步对视觉显著区域的视频图像质量进行完善提高，而减少非显著区域(即对人眼视觉系统影响较小的区域)的处理时间。

目前大部分的显著性计算模型都是仅仅以图像的颜色、亮度、形状以及纹理等空间二维信息作为输入，然后基于像素点利用降采样或者多尺度变换的方式进行显著性计算，然而，这些计算模型在大多数情况下都没有考虑物体的距离信息，不适用于立体图像的显著性检测。通过上一章的研究分析，我们知道立体图像中的深度信息是人眼视觉系统(HSV)的重要感知特征之一，它能够反映物体距离观察者的远近。根据现有的研究分析：距离较近或深度改变较剧烈的场景物体容易引起我们双眼的注意，即表现出更强的视觉显著性。

鉴于上述现状，需要对传统的显著性模型检测进行改进，采取简单有效的方法对立体图像的二维空间以及深度两个不同维度的视图信息进行显著性计算，并且准确的检测出立体图像的显著区域。

发明内容

本发明的目的就是提出了一种基于双目立体视觉的立体图像显著性检测方法，包括如下步骤：

步骤一：显著特征提取：从立体图像的二维、深度两个不同维度的视图信息进行显著性计算，分别提取二维显著区域和深度显著区域；

其中提取二维显著区域具体包括以下步骤：

首先采用SLIC算法对立体视图的左视图进行预处理，通过区域分割获取超像素区域并进行区域相似性合并，然后，再采用GBVS模型进行二维显著性计算，具体步骤为：

a)采用SLIC算法对输入左视图进行超像素分割获取分割区域,具体公式如下：

其中，(l_i,a_i,b_i)和(l_j,a_j,b_j)分别表示(x_i,y_i)和(x_j,y_j)两点在LAB颜色空间对应的三个分量，d_c表示两点在LAB颜色空间的距离，d_s表示两点在二维平面内的距离，m为表示迭代次数，默认值取10，S为类间最大空间距离，D_s为所求的距离度量。

将超像素分割后的立体图像左视图进行区域相似性合并。经过SLIC算法分割后，图像中的每个分割区域都拥有自己的种子点，基于计算相邻种子点的颜色特征相似性进行区域合并，将超像素图中的n个区域进行合并，得到标签图L^r(x,y)：

其中，1≤i≤n，L^r(x,y)为标签图。

b)对区域相似性合并后的标签图采用GBVS算法对区域合并后的图像进行二维空间显著计算，该模型主要包括两步：

1.二维图像特征的提取：采用线性滤波以及非线性滤波提取图像的亮度颜色以及方向的低阶视觉特征；得到特征图M；

2.二维显著图的生成：

首先给定输入图像的一张特征图：M:[n]²→R，然后定义两个特征点之间的距离公式为：

式中M(i,j)和M(p,q)分别代表节点(i,j)、(p,q)两点的相应特征值。将特征图M中的每一个像素点进行两两相连构建图G_A，然后计算出(i,j)和(p,q)这两个节点的有向边的相应权重大小：

式中σ为一个自定义参数，默认取值为图像宽度大小的0.1到0.15倍左右，反向边具有同样大小的权重值。首先将每个节点的有向边权重大小都归一化到0到1区间，然后在图G_A上定义一条马尔科夫链，通过马尔科夫链的均衡分布反映出每个特征节点之间的差异大小，即对应的显著值，进而得到二维显著图S_img：[n]²→R。

其中深度显著性计算，具体步骤为：

a)采用DERS软件根据输入的左视点图和右视点图计算出相应的原始视差图D；