一種針對復雜紋理圖像的圖像顯著性分析方法
【專利摘要】本發(fā)明公開了一種針對復雜紋理圖像的顯著性分析方法。首先，我們的方法結(jié)合超像素技術和meanshift算法去分割圖像。然后，通過gabor濾波器去提取紋理特征，對每塊區(qū)域的gabor平均值變化做全局對比計算去獲得紋理子顯著圖。接著，我們結(jié)合空間信息，利用區(qū)域?qū)Ρ热ビ嬎愕玫筋伾语@著圖。最后，我們利用非線性融合技術去將上述兩幅圖結(jié)合得到最終的顯著圖。我們針對ACHANTA的測試集中的96幅復雜紋理圖像進行實驗，并且和現(xiàn)有的10種顯著性分析方法做了性能對比。實驗表明，本方法對于復雜性紋理圖像，在準確率和召回率等指標總體上優(yōu)于其他方法。
【專利說明】一種針對復雜紋理圖像的圖像顯著性分析方法
【技術領域】
[0001]本發(fā)明涉及計算機視覺及圖像處理領域，具體涉及一種針對復雜紋理圖像的圖像顯著性分析方法。
【背景技術】
[0002]圖像視覺顯著性檢測旨在檢測圖像的顯著區(qū)域，便于圖像的后期處理，是目前重要的研究領域之一。顯著性檢測過程通過計算機去模擬人類觀察圖像的過程，去計算獲取符合人體視覺焦點的圖像顯著性區(qū)域，從而完成計算機的自適應處理。
[0003]圖像視覺顯著性檢測旨在檢測圖像的顯著區(qū)域，便于圖像的后期處理，也是目前重要的研究領域之一。在漫長的人類進化過程中，人們已經(jīng)具備了快速獲取視覺信息并對這些信息進行快速準確抉擇的能力。對于圖像視覺顯著性檢測方法，有一種基于自底向上視覺注意機制，分析人眼對圖像內(nèi)容的理解，利用圖像的底層特征、視覺特性并引入引力模型區(qū)檢測出更加準確的圖像顯著性區(qū)域。圖像視覺顯著性檢測方法主要是基于人類視覺系統(tǒng)的特性去檢測圖像中的顯著性區(qū)域。圖像視覺顯著性檢測方法在分析圖像內(nèi)容的過程中，引入了視覺特性，大大提高了計算機對圖像內(nèi)容的理解程度，推進了圖像處理技術的發(fā)展。在各種圖像處理技術中，計算機所關注的并不是圖像的全部內(nèi)容，而是一部分感興趣區(qū)域或者非感興趣區(qū)域。通過視覺顯著性方法去檢測圖像的顯著區(qū)域，并給予不同區(qū)域的處理優(yōu)先級，從而更好的利用計算資源，提高計算效率。現(xiàn)今，視覺顯著性檢查技術已經(jīng)被廣泛運用到圖像檢索、圖像和視頻壓縮、目標檢測、圖像及視頻分割等許多圖像處理領域，并很好的促進了這些領域的發(fā)展。
[0004]由于純計算的顯著性計算方法速度快，符合人類視覺系統(tǒng)快速獲取顯著物體的視覺原理，所以這類方法是目前研究的比較多的方法。Ma等人于2003年提出一種基于局部對比分析的方法去獲得圖像顯著圖。Achanta等人于2008年對Ma等人的方法提出改進，提出了一種多尺度對比分析的顯著性區(qū)域提取方法。其實在純計算方法中，基于局部對比的方法生成的顯著圖，在圖像的邊緣具有較高的顯著性而不是均勻的突出整個物體。此后，Achanta等人于2009年提出了一種頻率調(diào)諧的顯著性方法。但是這種方法不適用于那些顯著物體占據(jù)太多像素的圖像。Achanta等人于2010年，對09年提出的方法進行改進，提出了最大對稱周邊的顯著性檢測方法。作為09年的改進方法，盡管解決了此前的方法問題，但是他并沒有考慮空間信息對顯著性的影響。Cheng等人于2011年提出了基于全局對比度的顯著性檢測方法。Li等人于2011年通過具有相同顯著物體的圖去檢測它們共有的顯著性物體。Li等人和Cheng等人提出的兩種方法是非常新穎的。他們李穎分割區(qū)域以及空間信息區(qū)生成顯著圖。但是對于前者，如果只提供一幅圖像，或者提供兩幅背景非常相似的圖相對，生成的顯著圖并不是非常的好。而對于后者和上面提到的所有方法存在一個共同的問題，就是他們都沒有考慮圖像的紋理信息。
[0005]本發(fā)明公開的方法不同于上述所有方法，上述方法較少用到圖像的紋理信息，本發(fā)明針對高復雜紋理圖像提出一種結(jié)合紋理特征以及采用超像素和MeanShift方法改進GB分割方法，并通過非線性融合顏色和紋理分顯著性圖的顯著性分析方法。

【發(fā)明內(nèi)容】

[0006]針對現(xiàn)有技術的缺陷及不合理性，本發(fā)明的目的在于提出一種針對復雜紋理圖像的圖像顯著性分析方法，該方法在計算顯著圖的過程中融合了紋理信息，能夠更加準確的得到與原始圖像分辨率相同的顯著圖，并且很好地抑制了原始圖像中的非顯著區(qū)域，從而有利于后期目標物體分割等應用。
[0007]為了達到上述目的，本文提出一種針對復雜紋理圖像的圖像顯著性分析方法，其具體步驟如下其具體步驟如下:
[0008](I)運用基于超像素分割方法將原始圖像分割成K個超像素，
[0009](2)在超像素分割的基礎上進一步使用MEANSHIFT方法進行聚類；
[0010](3)得到最終的分割結(jié)果進行全局區(qū)域?qū)Ρ鹊玫筋伾诛@著性圖；
[0011 ] (4)對每個區(qū)域提取GABOR紋理特征；
[0012](5)對紋理特征也采用全局對比得到紋理分顯著性圖；
[0013](6)將兩個分顯著性圖融合為總顯著性圖；
[0014]上述步驟(3)所述的對原始圖像進行量化及高頻顏色篩選，其具體步驟如下:
[0015](2-1)將原始圖像RGB通道的顏色值量化為12個不同的值，其計算式為:
[0016]
【權利要求】
1.針對復雜紋理圖像的圖像顯著性分析方法，其具體步驟如下: (1)運用基于超像素分割方法將原始圖像分割成K個超像素，I^ i ^K; (2)在超像素分割的基礎上進一步使用MEANSHIFT方法進行聚類； (3)得到最終的分割結(jié)果進行全局區(qū)域?qū)Ρ鹊玫筋伾诛@著性圖； (4)對每個區(qū)域提取GABOR紋理特征； (5)對紋理特征也采用全局對比得到紋理分顯著性圖； (6)將兩個分顯著性圖融合為總顯著性圖。
2.如權利要求1所述的針對復雜紋理圖像的圖像顯著性分析方法，其特征在于，上述步驟(3)所述的對原始圖像進行量化及高頻顏色篩選，其具體步驟如下: (2-1)將原始圖像RGB通道的顏色值量化為12個不同的值，其計算式為:

3.如權利要求1所述的一種針對復雜紋理圖像的圖像顯著性分析方法，其特征在于，本發(fā)明先使用超像素將圖片分割為小區(qū)域，超像素的優(yōu)點在于可以更好的保存圖片的邊緣，然后以小區(qū)域為節(jié)點像素重新合成一幅圖像，選取小區(qū)域中每個通道顏色的平均值作為新圖像的對應像素的顏色值，新圖像的通道數(shù)和原圖像相同，最后使用MeanShift方法分割新的圖像圖，再根據(jù)原來圖的標號圖像將降采樣后的圖像還原到原來的圖像。 上述步驟(3)所述的利用分割圖像得到量化圖像對應的分割區(qū)域并進行區(qū)域?qū)Ρ扔嬎惬@取第i個區(qū)域的顯著值從而獲得顏色分顯著性圖，將權利要求1的分割圖像與步驟(2-4)的量化圖像結(jié)合計算初始顯著圖，其計算式為:
4.如權利要求1所述的一種針對復雜紋理圖像的圖像顯著性分析方法，其特征在于，上述步驟(4)所述的提取每個區(qū)域的GABOR，其計算式如下:
5.如權利要求1所述的一種針對復雜紋理圖像的圖像顯著性分析方法，其特征在于，上述步驟(6)所述的將顏色和紋理兩個分顯著性圖融合為總顯著性圖，其具體步驟如下:(5-1)定義融合比例為Y，Y由公式24確定
【文檔編號】G06T7/00GK103985130SQ201410229154
【公開日】2014年8月13日 申請日期:2014年5月27日 優(yōu)先權日:2014年5月27日
【發(fā)明者】陳志華, 劉怡, 袁玉波, 張靜 申請人:華東理工大學