一种基于区域显著性的红外图像目标分割方法--《2007年光电探测与制导技术的发展与应用研讨会论文集》2007年
一种基于区域显著性的红外图像目标分割方法
【摘要】：提出了一种基于区域显著性的红外图像目标分割方法,即首先在方差空间中提取显著性区域,然后根据图像复杂度对显著性区域进行筛选,最后采用阈值分割方法分割显著性区域,荻取目标。算法具有较强的适用性和工程实用性。
【作者单位】：
【关键词】：
【分类号】：TP391.41【正文快照】：
0引言 该算法能较大程度的降低误判率。 基于区域显著性的目标识别方法是较为常用的 红外图像目标识别方法。这种方法的主要思路是:借 鉴心理学有关视觉注意的研究成果，首先在全视场中 提取显著性区域，然后对显著性区域进行分割、聚类， 最后根据感兴趣目标的先验知识，依照
欢迎：、、)
支持CAJ、PDF文件格式，仅支持PDF格式
【参考文献】
中国期刊全文数据库
汪国有,邹玉兰,凌勇;[J];华中科技大学学报(自然科学版);2002年09期
【共引文献】
中国期刊全文数据库
赵诚;付梦印;王立平;;[J];兵工学报;2010年02期
胡兵;杨敏华;刘璇;;[J];测绘信息与工程;2011年05期
安成锦;牛照东;李志军;陈曾平;;[J];电子与信息学报;2010年09期
刘洪臣;陈忠建;冯勇;;[J];光电工程;2006年07期
焦婷婷;侯德文;;[J];山东科学;2008年02期
王彦;谢晓方;张永亮;;[J];计算机工程与设计;2012年06期
中国博士学位论文全文数据库
陈振学;[D];华中科技大学;2007年
杨粤涛;[D];中国科学院研究生院（长春光学精密机械与物理研究所）;2012年
原玉磊;[D];解放军信息工程大学;2012年
中国硕士学位论文全文数据库
刘艳丽;[D];河南工业大学;2010年
毋桂萍;[D];河南工业大学;2009年
郑丽煊;[D];华南理工大学;2011年
尹丹艳;[D];南京航空航天大学;2010年
宋璞;[D];国防科学技术大学;2011年
杨培艳;[D];燕山大学;2012年
张博;[D];武汉理工大学;2006年
吴梦麟;[D];南京理工大学;2006年
张勇;[D];国防科学技术大学;2006年
周薇;[D];南京航空航天大学;2007年
【相似文献】
中国期刊全文数据库
李晋惠;尚穆杨;薛鹏翔;乔永兴;;[J];电脑开发与应用;2009年12期
周维达;汪亚明;许建龙;;[J];浙江理工大学学报;2006年01期
李岩;何昕;魏仲慧;王军;;[J];微计算机信息;2009年06期
邢素霞;常本康;张俊举;;[J];电视技术;2009年11期
周维达;汪亚明;曹丽;黄文清;;[J];计算机仿真;2007年07期
刘军;齐华;汪振飞;;[J];飞行力学;2008年02期
王成儒;刘豫;;[J];微处理机;2008年01期
刘兰英;路红;;[J];机电产品开发与创新;2008年05期
徐秋平;郭敏;;[J];计算机工程;2009年08期
粘永健;张志;王力宝;万建伟;;[J];光子学报;2010年06期
中国重要会议论文全文数据库
袁天云;姜志国;;[A];图像 仿真 信息技术——第二届联合学术会议论文集[C];2002年
蒋建国;安红新;齐美彬;;[A];2011中国仪器仪表与测控技术大会论文集[C];2011年
杜鹢;李秋华;;[A];2009年先进光学技术及其应用研讨会论文集（上册）[C];2009年
李平岐;陈万春;邢晓岚;;[A];2007年光电探测与制导技术的发展与应用研讨会论文集[C];2007年
夏日辉;刘冬梅;何昕;王东鹤;;[A];第七届全国信息获取与处理学术会议论文集[C];2009年
邵大培;张艳宁;魏巍;;[A];第八届全国信号与信息处理联合学术会议论文集[C];2009年
齐美彬;张祺;蒋建国;孙洪艳;夏娜;;[A];中国仪器仪表学会第九届青年学术会议论文集[C];2007年
徐晗路;李晓峰;;[A];2008年中国西部青年通信学术会议论文集[C];2008年
马龙;李吉成;鲁新平;张蓓;;[A];2007年光电探测与制导技术的发展与应用研讨会论文集[C];2007年
李显宝;;[A];第七届全国信息获取与处理学术会议论文集[C];2009年
中国博士学位论文全文数据库
张翔;[D];上海交通大学;2009年
尹诗白;[D];长安大学;2013年
付斌;[D];哈尔滨工程大学;2006年
黄彬;[D];山东大学;2010年
夏懿;[D];中国科学技术大学;2013年
高阳;[D];西北工业大学;2006年
郁生阳;[D];上海交通大学;2009年
聂方彦;[D];重庆大学;2010年
刘靳;[D];西安电子科技大学;2010年
陈霄;[D];吉林大学;2013年
中国硕士学位论文全文数据库
李建萍;[D];中北大学;2010年
韩洲;[D];上海交通大学;2012年
赵伟;[D];杭州电子科技大学;2014年
朱利妍;[D];大连理工大学;2011年
张则宪;[D];云南大学;2012年
孙宁;[D];西南大学;2013年
谢建春;[D];西北工业大学;2004年
段炼;[D];长春理工大学;2014年
马英辉;[D];中北大学;2006年
刘雨涵;[D];北京邮电大学;2013年
&快捷付款方式
&订购知网充值卡
400-819-9993
《中国学术期刊（光盘版）》电子杂志社有限公司
同方知网数字出版技术股份有限公司
地址：北京清华大学 84-48信箱 大众知识服务
出版物经营许可证 新出发京批字第直0595号
订购热线：400-819-82499
服务热线：010--
在线咨询：
传真：010-
京公网安备75号基于聚类与均匀分布的图像显著性检测算法研究
来源：微型机与应用2013年第3期
作者：宋 平，刘 恒
摘& 要： 为增强图像的效果，提出了一种基于与的显著性检测算法。首先用聚类算法对图像进行，突显出图像中感兴趣的目标区域；然后对聚类后的图像进行均匀的显著性检测，在此过程中采用双边滤波对粗糙的金字塔显著性图像进行精化；最后将多层次的视觉显著性图整合到结果显著性图中。大量实验结果比较表明，该算法可以得到更准确、与人类较为一致的显著性检测结果。
关键词： 显著性检测；图像聚类；均匀分布；预处理；视觉注意机制
　人类视觉系统对视觉场景中感兴趣区域的抽取是一个视觉注意机制显著性检测的过程[1]。在图像理解的同时若能模拟人类视觉机制提取出图像中显著性区域，将会很大程度上提高图像理解的效率。目前，图像的显著性检测已经广泛地运用到许多计算机视觉的应用领域中，如目标检测、场景渲染和视觉界面设计等。
近年来，随着研究的深入，研究者们提出了各种图像显著性区域检测算法。最早的ITTI L等人[2]提出了一种模拟生物视觉注意机制的算法，目前只适用于自然图像。针对Itti模型的不足，田明辉[3]提出一种适用于自然场景的视觉显著度模型，在此基础上结合模糊区域增长方法进行显著性检测。对于不可预知以及复杂场景图像，Hou Xiaodi等[4]和Guo Chenlei等[5]利用图像频域的统计特性（如对数幅度和相角）来衡量图像显著性。GOFERMAN S等人[6]提出了一种基于上下文的显著性检测机制，效率比较低。黄志勇等人[7]在参考文献[6]算法基础上进行改进，提出了随机的显著性检测算法，旨在提高显著性检测的速度。
　显著性检测的最终结果即检测出人们感兴趣的目标区域，而图像的聚类分析通常依据相似性和相邻性构造分类器，可以将数据对象分割为不同的类。理论上，图像聚类算法可以分割出图像中的前景部分，而人们的感兴趣区域一般也隶属于图像中的前景。因此，可以在进行显著性检测算法之前对图片应用图像聚类算法以实行粗检测。
　本文提出了一种新的基于图像聚类与均匀分布的显著性检测算法。在该算法中，首先用图像聚类算法（如K-均值聚类[8]、金字塔聚类[9]和均值漂移聚类[10]）对图片进行粗检测；然后用均匀查找方法检测出聚类后的图像的每一层的粗糙的显著性区域；再采用滤波方式精化粗糙的显著性区域；最后将每层精化了的显著性区域图进行合并。大量实验结果表明，该算法与已有方法相比，准确性明显提高，与人类视觉注意机制较为一致。
1 图像上下文显著性检测原理
　基于上下文的显著性检测机制主要依赖于两个定理。
　定理1 设两个向量化了的图像块pi和pj在Lab颜色空间的欧氏距离为dcolor（pi，pj），将其归一化到[0，1]范围内。当dcolor（pi，pj）相对于任意的图像块都大时，则像素i是显著的。
定理2 设两个向量化了的图像块pi和pj所在位置之间的欧氏距离为dposition（pi，pj），将其归一化到[0，1]范围内。
　此种显著性检测方法计算量大、效率低，通常只针对于处理规格较小的图片。参考文献[7]提出了一种致力于改善检测速度的随机显著性检测算法：随机地从图像中选取2K个图像块，并且只考虑K个最相似的图像块；采用金字塔分层，并使用8邻域方法对粗糙显著性图进行精化。
　参考文献[7]算法计算量明显减少，但由于其算法中2K个图像块的随机选取，导致显著性检测效果不太稳定，噪声影响较大，一些检测结果如图1所示。从图1可以看出显著性检测效果不佳，噪声影响较大。基于此，本文考虑从两方面对其进行改善：（1）采用均匀分布，兼顾图像全局信息；（2）采用聚类算法进行图像区域显著性聚类，提高检测的稳定性，避免噪声影响。
2 基于聚类与均匀分布的显著性检测算法
　本文算法的主要步骤是：首先利用聚类算法对输入图像进行聚类，突出图像的感兴趣区域，在此基础上进行均匀采样显著性检测，再用双边滤波对粗糙显著性图进行精化。算法总体流程如图2所示。
　（3）基于均匀分布的显著性检测
　在对图像进行聚类后，在此基础上进行基于均匀分布的显著性检测。本文首先将图像均匀地分成2K个图像块，然后找出每个图像块的质心像素点，如此获得图片中均匀的2K个像素点。具体算法为：假设将一幅图像分成2K=N&M个图像块，则每个图像块的中心像素点的坐标值为：
　至此，合并后的显著性图已经比较精细，可以用于一些基本的图像应用。
3 实验结果分析及讨论
　本文使用VSC++程序设计语言在Windows XP系统环境下实现算法，机器硬件配置为：双核的CPU E6300 CPU，2 GB内存。实验在Achanta等人提供的公开测试集上进行算法测试，此测试集是此类数据最大的测试集，并且已由人工精确标注了显著性区域，实验过程中设置图像尺寸规格为640&480。
3.1 显著性检测过程中不同参数的分析比较
3.1.1 图像聚类的实验结果分析
　图4是对图像分别用3种图像聚类方法进行聚类后的实验结果。实验结果表明，均值漂移聚类算法得到的聚类效果中，图像的前景和背景分离较为彻底，突出的前景与人的主观意志最为一致，而其他两种算法得到的聚类效果则相差太远，不利于进行后续的显著性检测。本文最终选取的聚类算法为均值漂移聚类算法，其能给后续的显著性检测工作提供一个较为准确的人们感兴趣的粗检区域。
3.2 本文方法与其他显著性检测算法的实验结果比较
　为了分析和验证本文提出的基于聚类以及均匀分布的显著性检测算法的实际效果，本文同时采用了参考文献[7]的随机的显著性检测算法、参考文献[6]的基于上下文的显著性检测算法、均匀的显著性检测算法、基于聚类以及随机的显著性检测算法进行比较，实验结果如图7所示。
　图7表明，均匀的显著性检测结果与参考文献[6]和参考文献[7]的检测结果相比更加精细，更加能突出感兴趣区域，只是还存在少量噪声；基于聚类的随机的显著性检测结果与基于均匀分布的显著性检测结果相比，部分图像最后显示不出检测结果，而能显示出检测结果的图像与均匀的显著性检测结果相比，去掉了大部分噪声，这点归功于聚类算法。基于此，本文提出的算法将聚类以及均匀分布相结合，在此基础上进行显著性检测。从图7（g）可以看出，本文算法得到的显著性检测结果明显优于其他4种算法的检测结果，在去掉了大部分噪声的同时还能保证显著性区域的清晰存在，较符合人类视觉注意机制。
　从时间消耗这一因素来说，本文的算法也明显优于参考文献[6]的算法。在随机的显著性检测算法以及本文算法中，图像块的采样量比较少，加速了程序运行的速度。而参考文献[6]的算法是利用全部的图像块来进行像素显著性值的计算，计算效率非常低下。此外，均匀的显著性检测与随机的显著性检测算法相比，时间消耗明显减少许多，这是由于随机的显著性检测算法中，图像块需要按照一定的规则去逐个寻找，这个过程需耗费一定的时间，而均匀的显著性检测算法中，图像块是固定的，省去了查找图像块的时间。最终各算法的时间消耗如图8所示。
3.3 关于显著性检测结果稳定性的结果讨论&& &
　显著性检测结果的稳定性源于整个检测过程中图像聚类和图像块的选取方式两个关键步骤。先对图像用聚类算法进行粗检测，可以很好地去除图像中的背景信息，保留前景部分中感兴趣的区域；然后将图像均匀进行分块，选取每个图像块的中心像素点，如此获得2K个图像块，这将避免随机的显著性检测中出现的情况，兼顾图像的全局信息，因此其显著性检测结果较为稳定。结合聚类算法能更好地去除图像中的背景信息，加强了最终的检测结果的稳定性。本文算法与其他算法生成的显著性结果稳定性比较如图9所示。
　大量实验表明，本文提出的基于聚类以及均匀分布的显著性检测算法能得到一个比较准确的显著性检测结果，与人类视觉注意机制符合程度较高，这表明本文方法存在较大的价值。在未来的工作中，将进一步致力于研究显著性检测的困难问题&&背景复杂图像的显著性检测算法，以进一步获取对图像显著性检测原理的认识。
[1] 李寅.基于张量分解的视觉显著性算法[D].上海：上海交通大学，2011.
[2] ITTI L， KOCH C， NIEBUR E. A model of saliency-based visual attention for rapid scene analysis[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1998， 20（11）： .
[3] 田明辉.视觉注意机制建模及其应用研究[D].合肥：中国科学技术大学，2010.
[4] Hou Xiaodi， Zhang Liqing. Saliency detection： a spectral residual approach[C]. Proceedings of IEEE Conference on Computer Vision and Pattern Recognition， 2007： 1-8.
[5] Guo Chenlei， Ma Qi， Zhang Liming. Spatio-temporal saliency detection using phase spectrum of quaternion fourier transform[C]. Proceedings of IEEE Conference on Computer Vision and Pattern Recognition， 2008： 116-124.
[6] GOFERMAN S， ZELNIK-MANOR L， TAL A. Context-aware saliency detection[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2010： .
[7] 黄志勇，何发智，蔡贤涛，等.一种随机的视觉显著性检测算法[J].中国科学（信息科学），）：863-874.
[8] 李翠，冯冬青.基于改进K-均值聚类的图像分割算法研究[J].郑州大学学报（理学版），）：109-113.
[9] JAHNE B. Digital image processing（5rd ed）[M]. Berlin：Springer-Verlag， 2002.
[10] 刘技，康晓东，贾富仓.基于图割与均值漂移算法的脊椎骨自动分割[J].计算机应用，）：760-762.&& &
[11] RAFAEL C G， RICHARD E W. Digital image processing （2rd ed）[M].阮秋奇， 阮宇智，译. New Jersey， Prentice Hall， 2002.
继续阅读>>
热门关键词　　摘 要： 图像显著性检测是一种通过对图像颜色、强度、方向等特征进行分析生成图像显著性图的技术。其生成的显著性图可以用于" />
免费阅读期刊
论文发表、论文指导
周一至周五
9：00&22：00
图像显著性检测方法解析
2014年22期目录
&&&&&&本期共收录文章20篇
　　摘 要： 图像显著性检测是一种通过对图像颜色、强度、方向等特征进行分析生成图像显著性图的技术。其生成的显著性图可以用于图像分割、图像压缩以及图像识别等图像处理领域，从而改善图像处理的性能。为了对图像显著性检测技术及其发展有一个全面深入的了解，使用文献研究法和比较研究法对其概念及方法进行了探究。针对几种具有代表性的图像显著性检测算法进行了简要的概述和分析，用流程图简明扼要地表示显著性检测算法的基本框架。研究结果显示，图像显著性检测技术的效率在不断提升，算法越来越多样化，在图像处理领域的应用越来越广泛，这些对于图像处理自动化具有重要意义。 中国论文网 /8/view-6291291.htm　　关键词： 图像显著性； 显著性检测； 检测方法； 图像处理 　　中图分类号： TN919?34； TP391 文献标识码： A 文章编号： X（1?04 　　Analysis for method of image saliency detection 　　SUN Na?na， LIU Xin 　　（School of Physical and Electronic Science， Shandong Normal University， Jinan 250014， China） 　　Abstract： Image saliency detection is the technology that generates image saliency diagram by means of analyzing the image features such as color， intensity and direction. The generated saliency diagram can be used in the image processing fields such as image segmentation， image compression and image recognition， so as to improve the performance of the image processing. In order to comprehend the image saliency detection technology and its development completely， its concept and methods were explored with the literature research method and comparative study method. Several image saliency detection methods with representativeness are summarized and analyzed briefly. The basic framework of saliency detection algorithm is shown in the flow chart concisely. The research results show that the efficiency of image saliency detection technology is improved constantly， its algorithm is more and more diversified， and more widely applied in the field of image processing. These have important significance for automated image processing. 　　Keywords： image saliency； saliency detection； detection method； image processing 　　0 引 言 　　人类所获得的外界信息80%以上都是通过视觉完成的，然而对于大量的信息，视觉系统并不是完全地进行捕获和处理，它会根据特有的机制进行选择性的处理和忽略，这就是视觉的选择注意机制。这种信息处理机制被应用于图像和视频的处理，发展出一个新的科研方向，即显著性检测研究。 　　随着图像处理技术和计算机技术的发展，人们越来越希望计算机能够自主地进行图像的处理，而图像显著性信息对于图像自动化处理来说异常重要。因此，图像显著性检测技术受到了广泛的关注，并产生了许多检测方法与技术。基于此，对其中代表性的检测方法进行解析，对于显著性检测研究具有一定的意义。 　　1 图像显著性检测方法分类 　　图像显著性是指，图像中的像素点（或者区域）能够区别于其他点（或者区域）吸引视觉注意的能力。图像显著性检测是通过对图像颜色、强度、对比度等特征的分析，计算图像显著性，生成图像显著性图的一种技术。而图像显著性图是一幅和原始图像大小相同的二维图像，其中每个像素值表示原图像对应点的显著性大小。显著性图不仅表示每个位置的显著性，还可以用于引导注意区域的选择，快速定位和处理图像的显著性区域。 　　视觉显著性研究最先开始于生物学方面，直到20世纪90年代才被引入到计算机领域，用于图像和视频的处理。最开始，显著性研究集中在利用生物学上已有的显著性研究成果来创建相似的显著性模型，但是这种方法算法比较复杂，效率不高，而且效果也不是很理想。随后，研究人员不断简化模型，突破了严格的生物模型形式，开始使用各种图像处理的方法，来实现更为简单便捷的显著性计算。如上所述，可以将图像显著性检测方法分为两类：基于生物模型的和基于图像的。 　　还有一种更为常用的分类方法，即根据人类视觉选择注意方式分为两类：一类是纯数据驱动独立于任务的自底而上的显著性检测方法，另一类是受意识支配依赖于任务的自顶而下的显著性检测方法。由于人类自顶而下的选择注意由高层的脑部信息所控制，对于同一场景不同的人注意的结果不同，其动机、情感等因素比较难以控制和分析，因此构建自顶而下的显著性模型比较复杂，所以对于这类显著性模型的研究不是很多。
　　2 自底而上的图像显著性检测方法 　　早期研究中最为经典的显著性模型是Itti等人根据Koch和Ullman提出的生物框架创建的显著性模型，它模拟灵长类动物的早期视觉特征，结合图像颜色、亮度和方向三个方面的特征，利用多尺度分析计算图像显著性图，其算法框架如图1所示。 　　 　　图1 Itti显著性图算法流程图 　　Itti显著性模型定义强度表示为[I=（r+g+b）3]；将颜色由三个通道转换为四个通道：红色[R=r-（g+b）2]，绿色[G=（r+b）2，]蓝色[B=b-（r+g）2，]黄色[Y=（r+g）2-r-g2-b]（负值置为零）；通过高斯滤波选取4个方向[θ∈{0°，45°，90°，135°}]。对于上述图像特征量建立9个尺度的高斯金字塔，然后根据一些生物视觉特征建立图像特征图，强度上：[I（c，s）=I（c）ΘI（s）]，颜色上：[Rg（c，s）=（R（c）-G（c））Θ（G（s）-R（s））]，[By（c，s）=（B（c）-Y（c））Θ（Y（s）-B（s））]，方向上：[O（c，s，θ）=O（c，θ）ΘO（s，θ）]。其中[Θ]为不同尺度空间的特征图相应点的差值，[c]表示图像像素的中心尺度，取值为[c∈{2，3，4}]；[s=c+δ]表示该像素周围的相应尺度，而[δ∈{3，4}]。然后将标准化之后的特征图通过线性插值调整到同一大小后，相加计算强度、颜色和方向上的显著性图。最后将各显著性图标准化之后，线性相加得到图像的显著性图。该模型比较适合处理自然图像，能够有效地计算复杂自然场景的显著性图。对比是图像显著性研究中常会用到的一种方法。Ma和Zhang提出了一种使用对比来进行显著性检测的方法，如图2（a）所示。首先在图像的LUV颜色空间通过计算像素与周围像素的色彩差异和来计算对比度，即[Ci，j=q∈Θd（pi，j，q）]，其中像素[（i，j）]邻域[Θ]的大小控制着感知区域的敏感度，[pi，j]和[q]表示感知因素色彩，这里对比差异[d]通过高斯距离来计算。然后将对比度的值标准化到[[0，255]]区间作为该像素点的显著性值。这种显著性图不仅可以反映颜色的对比，而且可以反映图像纹理强度信息。Achanta等人提出通过在不同尺度上利用新的对比方法来计算显著性的方法，他们引入区域平均特征元素向量的概念来计算像素点的显著性值，如图2（b）所示。 　　 　　图2 三种采用对比方法的显著性检测算法流程图 　　在这种方法中给定一个图像尺度，位于[（i，j）]位置的像素点基于对比的显著性值为内部区域[R1]的像素特征平均向量和外部区域[R2]的像素特征平均向量的距离，数学公式表示如下：[ci，j=D[（1N1p=1N1vp），（1N2q=1N2vq）]]。其中[N1]和[N2]分别为区域[R1]和区域[R2]中像素的个数，[v]是对应像素的特征元素向量，定义为[[L，a，b]T]，距离[D]采用欧氏距离。这里内部区域[R1]一般选择所需计算显著性值的像素本身，外部区域[R2]选择宽度范围为[[ω2，ω8]]的像素方形邻域，其中[ω]为图像的像素宽度。使用上述方法计算出不同尺度的对比显著性值后，再将各个尺度的显著性值相加，计算出每个像素最后的显著性值，从而构建出图像显著性图。该方法可以获得与原始图像相同分辨率的显著性图。 　　Cheng等人提出了两种利用图像直方图对比的方法来计算图像显著性。第一种方法，通过直方图对比的方法建立显著性图，如图2（c）所示。这里使用颜色统计和对比，计算每种颜色的显著性值，其像素[Ik]的显著性值定义为：[S（Ik）=S（cl）=j=1nfjD（cl，cj）]，这里[cl]为像素[Ik]对应的颜色值，[n]为图像中不同像素颜色的数量，[fj]是图像中颜色为[cj]的像素的概率，这里[D（cl，cj）=cl-cj]是一种颜色距离，表示颜色间的差异。最后再利用平滑程序进行去噪处理，形成最终的显著性图。第二种方法，利用系数直方图比较来进行区域对比，获得区域显著值。这种方法先将图像分割为不同区域，然后通过区域间颜色对比计算区域显著性值。Sha等人将图像划分为前景区域和背景区域，对两个不同区域计算前景显著性图和背景显著性图，最后通过计算和融合生成最终的显著性图，算法流程如图3所示。 　　计算背景显著性时，将图像背景区域划分为上下左右四个子区域，经过对图像的分析选取上下两个背景区域和像素进行对比计算像素显著性值。计算前景图像显著性时，将图像划分为一个个大小相同的方形参考中心区域，通过和上下两个背景区域的对比，选取出最具显著性的区域作为中心区域，并通过像素和这个中心区域的对比来计算像素的显著性值。 　　随着研究的不断深入，图像显著性的研究不可能仅仅局限在空间域进行分析。Achanta等人提出了一种频域方法来计算显著性图，如图4（a）所示。首先利用高斯差分滤波器来进行图像预处理，通过调整高斯差分滤波器参数，在去除高频噪声（和纹理）的同时能够保留更多关于显著性边缘的高频信息。然后通过包含颜色和亮度的特征向量计算显著性，公式表示如下：[S（x，y）=Iμ-Iωhc（x，y）]，这里[Iμ]是图像平均特征向量，[Iωhc（x，y）]是图像经过高斯滤波处理后对应像素点的特征向量。利用这种方法可以获得带有清晰的显著性对象边界的全分辨率显著性图。随后，他们又对这个方法进行了改进，将[Iμ]定义为像素点的邻域平均向量，而不是整幅图像的平均特征向量，使其能够更适用于计算复杂背景或者显著性区域非常大的图像的显著性图。 　　 　　图3 Sha的显著性算法流程图
　　 　　图4 两种频域显著性检测算法流程图 　　Ngau等人提出了一种在小波变换域计算显著性图的方法，如图4（b）所示。该方法先将图像由RGB颜色空间转换到YCbCr颜色空间，然后分别对Y，Cb，Cr分量图像进行小波变换分解到LL，LH，HL和HH四个波段，该方法中只选用了LL波段来进行分析（包括图像水平和垂直方向的低频成分），分别计算各分量在LL波段的对比图。以Y分量为例，其像素点[（x，y）]的对比值[C（x，y）=（ILL（x，y）-Iμ）2]。其中[ILL（x，y）]表示像素点[（x，y）]在LL波段的强度值；[Iμ]表示图像在LL波段的强度均值。接着通过逆小波变换将各分量对比图转换回空间域，最后将各分量对比图标准化之后相加计算出最后的显著性图。 　　3 自顶而下的图像显著性检测方法 　　自顶而下的显著性模型一般包括特征学习和显著性计算两个部分。Judd等人提出一种通过机器学习来建立自顶而下显著性模型的方法，如图5（a）所示。首先通过实验收集15位观察者自由观看1 003张随机图像的视线跟踪数据，随后对这些数据进行人类视觉关注点分析获得显著性图，并选择一些用于训练模型的不同级别的特征；然后通过现有显著性模型来计算这些不同级别的特征；最后使用1 003张图像通过机器学习来进行训练和测试显著性模型。 　　图5 两种自顶而下的显著性模型构建流程图 　　这里对于每幅图像从显著性前20%中随机选取10个积极标签像素，显著性后70%中随机选取10个消极标签像素，建立一个18 060个样本的训练集和一个2 000个样本的测试集。Yang等人提出了一种利用判别字典和条件随机场来建立显著性模型的方法，如图5（b）所示。首先将图像分为图像块，对于每个图像块做出目标是否存在标记，利用学习的方法获得条件随机场（CRF）权重和判别字典，使用图像块标记、条件随机场权重和判别字典对图像块计算显著性。搜集图像建立图像训练集，通过学习的方法构建条件随机场和判别字典，其算法为：对于给定图像根据训练数据所得的字典估算其稀疏潜在变量，然后结合稀疏潜在变量、CRF权重以及图像目标标记来获得违反标记，最后通过损失函数的梯度算法来更新字典和随机场权重。 　　4 结 语 　　图像显著性检测对于图像的自动化处理非常重要，它现在已经应用到了图像分割、图像自适应压缩、图像识别、图像非真实感绘制等众多图像处理研究领域，通过图像显著性信息的引导可以更加精准高效地进行图像处理工作。虽然图像显著性检测技术研究已经有了相当不错的成果，但是随着图像处理智能化发展趋势的要求，以及更多领域的使用和普及，图像显著性检测技术还有着很大的发展前景。 　　参考文献 　　[1] KOCH C， ULLMAN S. Shift in selective visual attention： Towards the underlying neural circuitry [J]. Human Neurobiology， 1985， 4（4）： 219?227. 　　[2] ITTI L， KOCH C， NIEBUR E. A model of saliency?based visual attention for rapid scene analysis [J]. IEEE Transaction on Pattern Analysis and Machine Intelligence， 1998， 20（11）： . 　　[3] MA Yu?fei， ZHANG Hong?jiang. Contrast?based image attention analysis by using fuzzy growing [C]// Proceedings of the 11th ACM International Conference on Multimedia. Berkeley， CA， USA，： ACM， 2003： 374?381. 　　[4] ACHANTA R， ESTRADA F， WILS P， et al. Salient region detection and segmentation [M]// Computer Vision Systems of Lecture Notes in Computer Science. Heidelberg： Springer， 2008： 66?75. 　　[5] CHENG M M， ZHANG G X， MITRA N J， et al. Global contrast based salient region detection [C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Los Alamitos： IEEE Computer Society Press， 2011： 409?416. 　　[6] SHA C.X， LI X.Q， SHAO Q， et al. Saliency detection via boundary and center priors [C]// Proceedings of the 6th International Congress on Image and Signal Processing. Los Alamitos： IEEE Computer Society Press， 2013： . 　　[7] ACHANTA R， HEMANI S， ESTRADA F， et al. Frequency?tuned salient region detection [C]// Proceedings of the International Conference on Computer Vision and Pattern Recognition. Los Alamitos： IEEE Computer Society Press， 2009： . 　　[8] ACHANTA R， S?SSTRUNK S. Saliency detection using maximum symmetric surround [C]// Proceedings of the International Conference on Image Processing. Los Alamitos： IEEE Computer Society Press， 2010： . 　　[9] NGAU C W H， ANG L M， SENG K P. Bottom?up visual saliency map using wavelet transform domain [C]// Proceedings of the International Conference on Computer Science and Information Technology. Los Alamitos： IEEE Computer Society Press， 2010： 692?695. 　　[10] JUDD T， EHINGER K， DURAND F， et al. Learning to predict where humans look [C]// Proceedings of the International Conference on Computer Vision. Los Alamitos： IEEE Computer Society Press， 2009： . 　　[11] YANG J M， YANG M H. Top?down visual saliency via joint CRF and dictionary learning [C]// Proceedings of the International Conference on Computer Vision and Pattern Recognition. Los Alamitos： IEEE Computer Society Press， 2012： .
转载请注明来源。原文地址：
【xzbu】郑重声明：本网站资源、信息来源于网络，完全免费共享，仅供学习和研究使用，版权和著作权归原作者所有，如有不愿意被转载的情况，请通知我们删除已转载的信息。
xzbu发布此信息目的在于传播更多信息，与本网站立场无关。xzbu不保证该信息（包括但不限于文字、数据及图表）准确性、真实性、完整性等。