[发明专利]融合颜色对比图和颜色空间分布图的图像显著性检测方法

说明书

本发明公开了一种融合颜色对比图和颜色空间分布图的图像显著性检测方法。通常的自下而上的图像显著性检测方法是利用图像的颜色、亮度、边缘等底层特征来计算。本发明综合图像底层颜色对比特征图和图像颜色空间分布特征图来得到最后的显著性图。首先根据SLIC超像素分割后的图像求取图像的颜色对比特征图，接着，利用K‑Means聚类后的图像通过计算获得初步的颜色空间分布特征图，再映射到超像素分割图上，进而根据图像颜色的相似度来进一步优化颜色分布特征图。最后融合颜色对比特征图和优化后的图像颜色空间分布特征图得到最终的显著图。本发明能够在较低的时间复杂度内得到较准确、完整的显著图。

技术领域

本发明属于计算机图像处理领域，涉及检测图像的显著性区域，具体涉及融合颜色对比图和颜色空间分布图的图像显著性检测方法。

背景技术

图像的显著性检测是将图像中最重要的、包含丰富信息的区域标记出来。显著性检测在图像分割、图像压缩、图像检索、目标识别等领域具有重要应用，对于图像的理解及处理有着重要的应用价值。如何快速准确地从大量的图像信息中检索到人们想要关注的信息是一个极其重要的课题。研究发现人类的视觉系统具有视觉选择性能力，并且人类的视觉系统主要分为两种，即自底向上策略注意机制和自顶向下策略注意机制。前者是利用图像的颜色、亮度、边缘等特征来计算，而后者主要针对图像的特定特征来计算图像的显著性区域。由于目前所检测的图像大多是不确定的、无目标的区域，因此大多数的算法均为自底向上模型。

下面对国内外的基于自底向上的图像显著性检测方法进行介绍。其中，最早由Itti等人(“A Model of Saliency-Based Visual Attention for Rapid SceneAnalysis”)于1998年提出的著名的生物启发模型，根据视觉系统的行为和神经网络结构，提取图像的亮度、颜色以及方向特征，利用中心-周边差来得到图像在不同尺度下的特征。在Itti模型的基础上Hofmann等人(“Graph-Based Visual Saliency”)于2006年提出了基于图论的GBVS算法，该算法采用Itti的特征提取方法，把像素点(或者图像块)作为节点并计算节点间的差异得到一个带权无向图，最后利用Markov链计算最终的显著图。Zhai等人(“attention detection in video sequences using spatiotemporal cues”)于2006年提出的LC算法，可以通过计算每个像素与其余像素灰度信息的差异计算得到显著图，但缺少色彩信息。Hou等人(“A Spectral Residual Approach”)于2007年从频域角度提出了频谱差法SR，利用图像的傅里叶频谱与平均频谱之差做反傅里叶变换得到显著图。该方法适用于尺寸较小的显著目标，但显著图往往只有注视点区域，没有清晰边界。Achanta等人(“Salient region detection and segmentation”)于2008年提出的AC算法中，显著性被定义为图像区域相对于其在多尺度下的邻域的局部对比度，是一种全分辨算法，可得到清晰的边界信息。Achanta等人(“Frequency-tuned Salient Region Detection”)于2009年提出一种基于DOG算子的频域调制算法FT，该算法利用图像在lab色彩空间中每个通道与色彩均值之差，可得到全局对比度的显著图。Cheng等人(“Global Contrast based SalientRegion Detection”)于2011年提出了基于全局对比度的检测方法。该方法对量化后的图像建立颜色直方图，通过计算每种颜色与其他颜色之间的差异度来获取直方图对比度(HC)。利用上述直方图把图像分割为不同的颜色块，再组合空间关系来计算每个区域的显著值(RC)，最后得到基于区域对比度的显著图。Hornung等人(“Contrast based filtering forsalient region”)于2012年提出了一种基于滤波来提高计算效率的方法，显著图的计算元素是SLIC超像素分割后的每一个超像素块，综合颜色对比度和颜色分布方差来计算显著图。郭迎春等人(“基于Local特征和Regional特征的图像显著性检测”)于2013年利用图像在多个尺度下计算得到的子块的局部特征和区域特征进行自然图像的显著性检测。张旭东等人(“结合区域协方差分析的图像显著性检测”)于2016年提出了一种基于协方差矩阵的检测方法，但部分显著目标不完整。