一種圖像顯著目標(biāo)檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及計算機視覺與數(shù)字圖像處理領(lǐng)域，具體涉及一種圖像顯著目標(biāo)檢測方 法。
【背景技術(shù)】
[0002] 人類視覺感知系統(tǒng)具有選擇性，可以在未知環(huán)境中不受復(fù)雜背景影響而準(zhǔn)確快速 地確定場景中的顯著區(qū)域或目標(biāo)，并能在視覺處理的各個階段自動提取感興趣的內(nèi)容，將 大量的無關(guān)信息進行壓縮或是丟棄，這就是視覺注意機制。目前計算機在處理復(fù)雜場景的 圖像時需要耗費大量的時間與計算能力，如果能夠模仿人類視覺注意機制，像人眼一樣迅 速選擇圖像中的顯著區(qū)域，并優(yōu)先處理，忽略或舍棄非顯著區(qū)域，可有效提高后續(xù)圖像處理 的工作效率和正確性。因此，將視覺注意機制引入到復(fù)雜場景下的圖像顯著目標(biāo)檢測有利 于實現(xiàn)穩(wěn)定的接近于人類認知機制的目標(biāo)檢測與識別任務(wù)，在計算機視覺領(lǐng)域中有著廣泛 的應(yīng)用，如應(yīng)用到目標(biāo)檢測、目標(biāo)識別、圖像分割、圖像檢索、圖像壓縮等。
[0003] 根據(jù)人類視覺特點，視覺顯著可以分為三類：一類是基于數(shù)據(jù)驅(qū)動、獨立于具體任 務(wù)，自底向上的顯著檢測；一類是受意識支配，依賴于具體任務(wù)，自頂向下的顯著檢測；一 類是前兩類的結(jié)合。顯著性源于視覺的獨特性、不可預(yù)測性，這是由顏色、亮度、邊界、梯度、 紋理等圖像屬性所致，由于缺乏高層知識，大多數(shù)算法都是屬于自底向上的顯著檢測。
[0004] 早期的自底向上顯著檢測基于圖像屬性對比度特征完成，如Itti提出高斯差 分方法的圖像顯著檢測，Koch和Ullman提出基于底層特征對比度的中心-周圍模型， R. Achanta等人提出頻域檢測顯著目標(biāo)，Μ. M. Cheng等人使用基于全局對比度的計算方法， Stas Goferman等人以及T. Liu等人提出檢測有區(qū)別性的圖案。這些方法利用圖像顏色、亮 度、邊界、梯度、紋理等底層特征屬性來決定圖像某個區(qū)域和它周圍的對比度，從顯著目標(biāo) 應(yīng)該具有的特征出發(fā)，從正面提取特征來檢測顯著目標(biāo)。但是由于目標(biāo)之間的行為差異，對 比度特征適應(yīng)性不足，雖然人們提出了很多計算模型，但是很難適用于所有情況。可見這種 方法并不是十分有效的，因為一些具有區(qū)別性特征的區(qū)域有時并不是顯著區(qū)域。
[0005] 近年來研宄者提出使用邊界先驗知識的方法提取顯著目標(biāo)，如Y. Wei等人提出假 定跟圖像邊界接觸的圖像塊都是背景，H. Jiang等人將與圖像邊界的對比度作為學(xué)習(xí)的特 征，C. Yang等人假定圖像的四個邊界是背景。邊界先驗是從背景的角度出發(fā)，指出背景應(yīng) 該具有的特征，進而剔除背景而更精確地檢測出前景。利用這種假設(shè)的一些算法甚至達到 了最先進結(jié)果，這表明邊界先驗描述了圖像關(guān)于邊界的空間布局，即使圖像內(nèi)容發(fā)生變化 時也有很好的穩(wěn)定性和健壯性。然而當(dāng)圖像的目標(biāo)和邊界有一點點接觸，或者目標(biāo)和邊界 具有相似性時就會漏檢目標(biāo)，有時候甚至丟失目標(biāo)。
[0006] 同時，Borji等人在5個數(shù)據(jù)集上比較了當(dāng)前最先進的算法，他們發(fā)現(xiàn)將已有算法 的一些特征結(jié)合起來會增強顯著檢測的準(zhǔn)確性，因為不同的算法是針對不同問題建立在不 同假設(shè)上的，它們的結(jié)合可能會提高顯著檢測的準(zhǔn)確性。但另一方面，他們的實驗結(jié)果還顯 示簡單的把特征相結(jié)合有時也并不能保證提高顯著檢測的準(zhǔn)確性，這表明那些廣泛使用的 特征之間可能并不能互相補充，相反，甚至是互相排斥的。
[0007] 專利號201410098280. 4 -種基于前景先驗和背景先驗的顯著性物體檢測方法， 提出一種分別從顯著性物體（前景）和背景出發(fā)，結(jié)合各自先驗知識的優(yōu)勢來定義對應(yīng)的 顯著性衡量方式。首先利用對比先驗計算每個子區(qū)域的中心周圍顏色對比，然后將該對比 度值乘以中心先驗，平滑后得到基于前景的顯著性圖；同時利用邊界先驗和所定義的八鄰 域縫，動態(tài)優(yōu)化找到每個像素分別到四條邊界的最優(yōu)縫，計算最優(yōu)縫的成本，以得到基于背 景的顯著性圖；最后按照公式Sal = Stift X5胃胃將前兩步得到的顯著性圖融合，再通過平滑 得到最終的顯著性圖。
[0008] Peng Jiang 等人的 Salient Region Detection by UFO ：Uniqueness, Focusness and Objectness融合了對比度特征、Focusness特征及Objectness特征，將代表圖像焦點 的Focusness特征與對比度特征相加，再乘以代表完整目標(biāo)的Objectness特征，按照公式 S = exp (F+U) X 0形成顯著圖。
[0009] 專利號201310044869. 1 -種基于顏色對比和顏色分布的物體顯著性檢測方法， 計算顏色對比顯著性圖、顏色分布顯著性圖，通過相乘的融合方式，并結(jié)合Meanshift分割 完成精化。
[0010] 專利號201210311804. 4 -種融合區(qū)域顏色和HOG特征的視覺顯著性檢測方法，提 出一種將區(qū)域顏色對比度顯著圖和區(qū)域紋理對比度顯著圖通過二次非線性的方法實現(xiàn)融 合。
[0011] 專利號201210451657.0 -種基于底層特征融合的圖像視覺顯著性計算方法，通 過計算特征的獨特性和分散性并將它們有效地融合在一起，最終計算出整幅圖像的顯著性 圖。
[0012] 專利號201310651864. 5 -種基于區(qū)域的圖像顯著圖提取方法，對基于全局顏色 直方圖的圖像顯著圖、基于區(qū)域顏色對比度的圖像顯著圖和基于區(qū)域空間稀疏性的圖像顯 著圖進行相乘的融合，得到最終的圖像顯著圖。
[0013] 專利號201110390185. 8基于非清晰區(qū)域抑制的多特征融合顯著區(qū)域提取方法， 考慮了綜合圖像的低層特征和高層語義特征信息，采用離散度準(zhǔn)則判斷圖像中是否存在清 晰度差異，從而抑制非清晰區(qū)域，從空間域和頻率域角度分別提取低層特征計算局部和全 局顯著度，用中心聚集化操作綜合二者的優(yōu)勢，并結(jié)合人臉信息作為高層語義特征增強顯 著性。

【發(fā)明內(nèi)容】

[0014] 本發(fā)明是為克服顏色對比度先驗和邊界先驗單一特征的不足，提供一種圖像顯著 目標(biāo)檢測方法，結(jié)合顏色對比度先驗特征和邊界先驗特征形成顯著圖，再利用Objectness 特征進行細化。顏色對比度先驗特征可以彌補邊界先驗圖像顯著檢測中當(dāng)目標(biāo)和邊界有接 觸或者背景和目標(biāo)特征接近時出現(xiàn)目標(biāo)漏檢的缺點，邊界先驗特征可以弱化具有顏色區(qū)別 性但不是目標(biāo)的區(qū)域的顯著性，完整目標(biāo)Objectness特征可以抑制顏色對比度先驗和邊 界先驗相加的結(jié)果。
[0015] 本發(fā)明解決技術(shù)問題采用如下技術(shù)方案：
[0016] 本發(fā)明一種圖像顯著目標(biāo)檢測方法，依據(jù)公式S= (SJSb) ·θχρ(0)，將按顏色對比 度先驗特征檢測圖像所形成的顯著圖S。和按邊界先驗特征檢測圖像所形成的顯著圖Sb相 加，再與整個圖像的Objectness特征的指數(shù)函數(shù)相乘，產(chǎn)生最終的顯著圖S。
[0017] 與已有技術(shù)相比，本發(fā)明有益效果體現(xiàn)在：
[0018] 1、本發(fā)明一種圖像顯著目標(biāo)檢測方法，充分考慮顏色對比度先驗特征與邊界先驗 特征之間的互補性及完整目標(biāo)Objectness特征的抑制作用，有效提取顯著目標(biāo)。
[0019] 2、本發(fā)明一種圖像顯著目標(biāo)檢測方法，通過圖像庫測試對比證明了其有效性以及 在效果上明顯的優(yōu)勢。
【附圖說明】
[0020] 圖1為本發(fā)明一種圖像顯著目標(biāo)檢測方法的流程圖。
[0021] 圖2為本發(fā)明一種圖像顯著目標(biāo)檢測方法使用的所有單一特征與融合特征之間 的顯著性檢測結(jié)果PR曲線比對圖。
[0022] 圖3為本發(fā)明一種圖像顯著目標(biāo)檢測方法與現(xiàn)有方法在數(shù)據(jù)集MSRA-1000上的顯 著性檢測結(jié)果PR曲線比對圖。
[0023] 圖4為本發(fā)明一種圖像顯著目標(biāo)檢測方法與現(xiàn)有方法在數(shù)據(jù)集CSSD上的顯著性 檢測結(jié)果PR曲線比對圖。
[0024] 圖5為本發(fā)明一種圖像顯著目標(biāo)檢測方法與現(xiàn)有方法在數(shù)據(jù)集ECSSD上的顯著性 檢測結(jié)果PR曲線比對圖。
[0025] 圖6為本發(fā)明一種圖像顯著目標(biāo)檢測方法與現(xiàn)有方法的顯著性檢測結(jié)果質(zhì)量比 較。
[0026] 以下通過【具體實施方式】，并結(jié)合附圖對本發(fā)明作進一步說明，但本發(fā)明的實施方 式不限于此。
【具體實施方式】
[0027] 本實施例一種圖像顯著目標(biāo)檢測方法，依據(jù)公式S= (Se+Sb) ~χρ(0)，將按顏色對 比度先驗特征檢測圖像所形成的顯著圖S。和按邊界先驗特征檢測圖像所形成的顯著圖Sb 相加，再與整個圖像的Objectness特征的指數(shù)函數(shù)相乘，產(chǎn)生最終的顯著圖S，參見圖1。
[0028] 所述按顏色對比度先驗特征檢測圖像顯著性的方法為：
[0029] 在傳統(tǒng)的多尺度顏色對比度顯著檢測方法基礎(chǔ)上，將圖像分割為超像素，每個超 像素的顯著性定義為：
【主權(quán)項】
1. 一種圖像顯著目標(biāo)檢測方法，依據(jù)公式s= (St+Sb) -exp(O)，將按顏色對比度先驗 特征檢測圖像所形成的顯著圖S。和按邊界先驗特征檢測圖像所形成的顯著圖Sb相加，再與 整個圖像的化jectness特征的指數(shù)函數(shù)相乘，產(chǎn)生最終的顯著圖S。
【專利摘要】為克服圖像顯著目標(biāo)檢測中顏色對比度先驗和邊界先驗單一特征的不足，提供一種圖像顯著目標(biāo)檢測方法，依據(jù)公式S＝(Sc+Sb)·exp(O)，將按顏色對比度先驗特征檢測圖像所形成的顯著圖Sc和按邊界先驗特征檢測圖像所形成的顯著圖Sb相加，再與整個圖像的Objectness特征的指數(shù)函數(shù)相乘，產(chǎn)生最終的顯著圖S。所述圖像顯著目標(biāo)檢測方法充分考慮顏色對比度先驗特征與邊界先驗特征之間的互補性及完整目標(biāo)Objectness特征的抑制作用，有效提取顯著目標(biāo)。
【IPC分類】G06T7-00
【公開號】CN104680546
【申請?zhí)枴緾N201510118787
【發(fā)明人】劉政怡, 王嬌嬌, 郭星, 張以文, 李煒, 吳建國
【申請人】安徽大學(xué)
【公開日】2015年6月3日
【申請日】2015年3月12日