本發(fā)明屬于圖像處理領(lǐng)域，涉及一種基于顏色直方圖和凸包的顯著性檢測(cè)方法。

背景技術(shù)：

圖像顯著性檢測(cè)的目的是查找圖像中最顯著的部分，顯著部分表示的是圖像中的哪些區(qū)域能夠引起人們的重視以及重視的程度，高效快速的找到顯著部分能大大提高圖像處理的效率。顯著性檢測(cè)算法可以分成兩大類：自頂向下方法和自底向上方法。自頂向下通常是針對(duì)特定的任務(wù)，使用有監(jiān)督的方式學(xué)習(xí)目標(biāo)的各種特征，使用學(xué)到的特征信息完成圖像中顯著性目標(biāo)的識(shí)別，這類方法的缺點(diǎn)是只能完成特定的目標(biāo)且必須通過訓(xùn)練，擴(kuò)展性較差。自底向上的方法直接通過像素等信息來進(jìn)行計(jì)算，不需要進(jìn)行學(xué)習(xí)，通過計(jì)算圖像中不同部分之間的差異來查找顯著部分。

顏色直方圖是在許多圖像檢索系統(tǒng)中被廣泛采用的顏色特征。它所描述的是不同色彩在整幅圖像中所占的比例，即出現(xiàn)了哪些顏色以及各種顏色出現(xiàn)的概率，但是并不關(guān)心每種色彩所處的空間位置。顏色直方圖特別適于描述那些難以進(jìn)行自動(dòng)分割的圖像。

興趣點(diǎn)是圖像中一種特別重要的視覺特征，描述了圖像中的細(xì)節(jié)內(nèi)容。以興趣點(diǎn)為線索提取的凸包表示了圖像中用戶感興趣的部分所在的區(qū)域，用區(qū)域特征來檢索圖像，可以進(jìn)行圖像的顯著性檢測(cè)。

超像素在圖像處理中得到了廣泛的應(yīng)用，是很多算法的基本運(yùn)算單位，與以像素為計(jì)算單位相比，超像素有較少的計(jì)算量但又不失精確性，很多算法都是基于簡(jiǎn)單線性迭代聚類slic算法，該算法根據(jù)像素的顏色相似性和空間位置的接近程度對(duì)圖像進(jìn)行聚類，得到大小相近的超像素，超像素的個(gè)數(shù)也可以指定。

技術(shù)實(shí)現(xiàn)要素：

為了解決現(xiàn)有技術(shù)中顯著性檢測(cè)算法的準(zhǔn)確性仍不是很理想的問題，本發(fā)明提出了一種基于顏色直方圖和凸包的顯著性檢測(cè)方法，得到一種更加準(zhǔn)確的顯著性檢測(cè)方法。本發(fā)明根據(jù)圖像的顏色直方圖構(gòu)建基于顏色直方圖的顯著性圖來體現(xiàn)像素的顏色特征和細(xì)節(jié)特征；然后，使用簡(jiǎn)單線性迭代聚類slic對(duì)圖像進(jìn)行分割，根據(jù)區(qū)域?qū)Ρ葮?gòu)建基于區(qū)域?qū)Ρ榷鹊娘@著性圖；最后，根據(jù)圖像中的興趣點(diǎn)和圖像分割技術(shù)來構(gòu)建凸包，根據(jù)凸包融合基于顏色直方圖和區(qū)域?qū)Ρ榷鹊娘@著性圖得到最終的顯著性圖。

本發(fā)明的技術(shù)方案為：

一種基于顏色直方圖和凸包的顯著性檢測(cè)方法，包括如下步驟：

第一步，根據(jù)圖像的顏色直方圖構(gòu)建基于顏色直方圖的顯著性圖，像素的顯著性值由公式(1)計(jì)算得到：

其中，si表示像素i的顯著性值；n表示圖像中的像素個(gè)數(shù)；pi表示像素i的顏色在圖像中所占的比例；||ci,cj||表示像素i和像素j在lab顏色空間中的差異；

第二步，使用簡(jiǎn)單線性迭代聚類算法slic將輸入圖像分割800～900個(gè)超像素，得到slic小超像素圖像，來表示圖像的區(qū)域性，由于一幅圖像中，圖像的四條邊附近更有可能是背景部分，所以根據(jù)每個(gè)超像素的顏色特征，將在圖像四條邊上的超像素分成3類；綜合考慮圖像中不同超像素之間的空間位置和顏色特征，使用公式(2)計(jì)算基于區(qū)域?qū)Ρ榷鹊娘@著性圖：

其中，si表示超像素i的顯著性值；nk表示每個(gè)分類中超像素?cái)?shù)量；di和dj是超像素i和j的坐標(biāo)，||di,dj||是超像素i和j坐標(biāo)的歐式距離；β1＝0.2；β2＝1.1；α＝8；||ci,cj||表示超像素i和超像素j在lab顏色空間中的差異；

第三步，構(gòu)建凸包來表示圖像中的顯著部分；

第四步，使用簡(jiǎn)單線性迭代聚類算法slic將輸入圖像分割300～400個(gè)超像素，得到slic中等超像素圖像；查找第三步得到的凸包中所有像素位置對(duì)應(yīng)的超像素，使用公式(3)更新第一步和第二步得到的顯著性圖中凸包外部超像素的顯著性值：

sout＝sout-α(3)

其中，sout表示凸包外部的超像素(不包括凸包邊緣部分的超像素)；α＝0.5；

進(jìn)而得到更新后的基于顏色直方圖的顯著性圖s1，基于區(qū)域?qū)Ρ榷鹊娘@著性圖s2。

第五步，最終的顯著性圖s通過公式(4)來計(jì)算：

s＝βs1+(1-β)s2(4)

其中β＝0.4表示比例因子。

進(jìn)一步地，第三步構(gòu)建凸包表示圖像中顯著部分的具體方法為：

步驟1基于初始輸入圖像，采用harris算子計(jì)算興趣點(diǎn)得到凸包c(diǎn)1；

步驟2使用第二步得到小超像素圖像，計(jì)算每個(gè)超像素的顏色均值作為超像素中每個(gè)像素的顏色特征，將原圖像模糊化，實(shí)現(xiàn)去掉圖像中個(gè)別像素對(duì)興趣點(diǎn)結(jié)果的影響；進(jìn)而采用harris算子計(jì)算興趣點(diǎn)得到凸包c(diǎn)2；

步驟3使用簡(jiǎn)單線性迭代聚類算法將輸入圖像分割40～60個(gè)超像素，得到大超像素圖像c3；

步驟4將步驟1、2分別得到的凸包c(diǎn)1和c2與步驟3得到的大超像素圖像c3取交集得到更加準(zhǔn)確的凸包。

本發(fā)明的有益效果為：該方法使用顏色直方圖來體現(xiàn)像素的顏色特征和細(xì)節(jié)特征，得到的顯著性圖效果較好，但是并沒有考慮人類視覺注意力的因素；為了消除顏色直方圖沒有考慮人類視覺注意力的不足，添加圖像中不同區(qū)域的空間效應(yīng)來構(gòu)建基于區(qū)域?qū)Ρ榷鹊娘@著性圖；通過興趣點(diǎn)和圖像分割來構(gòu)建凸包，利用凸包來定位并更新基于顏色直方圖的顯著性圖和基于區(qū)域?qū)Ρ榷鹊娘@著性圖，并將兩種顯著性圖進(jìn)行融合得到最終的顯著性圖，具有很高的準(zhǔn)確性。

附圖說明

圖1是本發(fā)明方法的流程示意圖；

圖2(a)為輸入待檢測(cè)圖片；

圖2(b)為使用slic小超像素模糊化后的圖像；

圖2(c)為基于顏色直方圖的顯著性圖；

圖2(d)為基于區(qū)域?qū)Ρ榷鹊娘@著性圖；

圖2(e)為對(duì)原始圖像使用harris算子計(jì)算興趣點(diǎn)得到的凸包；

圖2(f)為對(duì)模糊化后的圖像使用harris算子計(jì)算興趣點(diǎn)得到的凸包；

圖2(g)為slic大超像素圖像；

圖2(h)為原始圖像得到的凸包，模糊化后的圖像得到的凸包和slic大超像素取交集之后得到的凸包；

圖2(i)為使用凸包更新基于顏色直方圖的顯著性圖得到的結(jié)果；

圖2(j)為使用凸包更新基于區(qū)域?qū)Ρ榷鹊娘@著性圖得到的結(jié)果；

圖2(k)為本發(fā)明得到的最終顯著性圖；

圖3(a)為使用gs算法得到的顯著性圖；

圖3(b)為使用mr算法得到的顯著性圖；

圖3(c)為使用sf算法得到的顯著性圖。

圖3(d)為使用dsr算法得到的顯著性圖；

圖3(e)為使用xl算法得到的顯著性圖；

圖3(f)為真值。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明的實(shí)施方式進(jìn)行詳細(xì)說明。本實(shí)施例以本發(fā)明技術(shù)方案為前提進(jìn)行實(shí)施，給出了詳細(xì)的實(shí)施方式和具體的操作過程，但本發(fā)明的保護(hù)范圍不限于下述的實(shí)施例。

實(shí)施例1

圖1是本發(fā)明方法的流程示意圖；圖2(a)、圖2(b)、圖2(c)、圖2(d)、圖2(e)、圖2(f)、圖2(g)、圖2(h)、圖2(i)、圖2(j)和圖2(k)分別是輸入的待檢測(cè)圖像、使用slic小超像素模糊化后的圖像、基于顏色直方圖的顯著性圖、基于區(qū)域?qū)Ρ榷鹊娘@著性圖、對(duì)原始圖像使用harris算子計(jì)算興趣點(diǎn)得到的凸包、對(duì)模糊化后的圖像使用harris算子計(jì)算興趣點(diǎn)得到的凸包、slic大超像素圖像、原始圖像得到的凸包，模糊化后的圖像得到的凸包和slic大超像素取交集之后得到的凸包、使用凸包更新基于顏色直方圖的顯著性圖得到的結(jié)果、使用凸包更新基于區(qū)域?qū)Ρ榷鹊娘@著性圖得到的結(jié)果、最終的顯著性圖。針對(duì)附圖實(shí)現(xiàn)本發(fā)明的具體步驟為：

第一步，根據(jù)圖像的顏色直方圖構(gòu)建基于顏色直方圖的顯著性圖，像素的顯著性值由公式(1)計(jì)算得到：

其中，si表示像素i的顯著性值；n表示圖像中的像素個(gè)數(shù)；pi表示像素i的顏色在圖像中所占的比例；||ci,cj||表示像素i和像素j在lab顏色空間中的差異。

第二步，使用簡(jiǎn)單線性迭代聚類算法slic將輸入圖像分割850個(gè)超像素，得到slic小超像素圖像，來表示圖像的區(qū)域性，由于一幅圖像中，圖像的四條邊附近更有可能是背景部分，所以根據(jù)每個(gè)超像素的顏色特征，將在圖像四條邊上的超像素分成3類；綜合考慮圖像中不同超像素之間的空間位置和顏色特征，使用公式(2)計(jì)算基于區(qū)域?qū)Ρ榷鹊娘@著性圖：

其中，si表示超像素i的顯著性值；nk表示每個(gè)分類中超像素?cái)?shù)量；di和dj是超像素i和j的坐標(biāo)，||di,dj||是超像素i和j坐標(biāo)的歐式距離；β1＝0.2；β2＝1.1；α＝8；||ci,cj||表示超像素i和超像素j在lab顏色空間中的差異。

第三步，構(gòu)建凸包來表示圖像中的顯著部分；

a.采用harris算子計(jì)算興趣點(diǎn)得到凸包c(diǎn)1。

b.使用第二步得到slic小超像素圖像，計(jì)算每個(gè)超像素的顏色均值來作為超像素中每個(gè)像素的顏色特征，將原圖像模糊化，實(shí)現(xiàn)去掉圖像中個(gè)別像素對(duì)興趣點(diǎn)結(jié)果的影響；進(jìn)而采用harris算子計(jì)算興趣點(diǎn)得到凸包c(diǎn)2。

c.使用簡(jiǎn)單線性迭代聚類算法slic將輸入圖像分割50個(gè)超像素，得到slic大超像素圖像c3。

d.取c1,c2和c3的交集得到更加準(zhǔn)確的凸包c(diǎn)。

下面說明根據(jù)興趣點(diǎn)得到凸包的計(jì)算方法:

步驟1首先找到興趣點(diǎn)集合中最右下方的興趣點(diǎn)，即興趣點(diǎn)中縱坐標(biāo)最大的點(diǎn)，然后尋找相對(duì)于水平方向與這個(gè)興趣點(diǎn)之間有最小的正向角度的興趣點(diǎn)，用直線連接這兩個(gè)興趣點(diǎn)，該直線為凸包的一條邊，并以找到的興趣點(diǎn)為當(dāng)前興趣點(diǎn)繼續(xù)尋找下一條邊。

步驟2繼續(xù)尋找與當(dāng)前興趣點(diǎn)在逆時(shí)針方向有最小的正向角的下一個(gè)興趣點(diǎn)，用直線連接兩個(gè)興趣點(diǎn)，該直線為凸包的一條邊，并以找到的興趣點(diǎn)為當(dāng)前興趣點(diǎn)繼續(xù)尋找凸包的下一條邊。

步驟3判斷當(dāng)前興趣點(diǎn)是否為算法最初取的最右下方的興趣點(diǎn)，如果是則計(jì)算結(jié)束，凸包計(jì)算完成。否則，返回步驟2繼續(xù)執(zhí)行。

第四步，使用簡(jiǎn)單線性迭代聚類算法slic將輸入圖像分割350個(gè)超像素，得到slic中等超像素圖像；查找第三步得到的凸包中所有像素位置對(duì)應(yīng)的超像素，使用公式(3)更新第一步和第二步得到的顯著性圖中凸包外部超像素的顯著性值：

sout＝sout-α(3)

其中，sout表示凸包外部的超像素(不包括凸包邊緣部分的超像素)；α＝0.5；

第五步，假定基于顏色直方圖的顯著性圖為s1，基于區(qū)域?qū)Ρ榷鹊娘@著性圖為s2，最終的顯著性圖s通過公式(4)來計(jì)算：

s＝βs1+(1-β)s2(4)

其中β＝0.4表示比例因子；s1表示基于顏色直方圖的顯著性圖；s2表示基于區(qū)域?qū)Ρ榷鹊娘@著性圖；s是最終的顯著性圖；

本實(shí)施得到的最終顯著圖見圖2(k)，圖3(f)為本實(shí)施的真值結(jié)果，其中白色區(qū)域?yàn)轱@著性區(qū)域，圖3(a),圖3(b)，圖3(c),圖3(d)，圖3(e)分別為gs算法，mr算法，sf算法，dsr算法與xl算法的顯著性圖。圖2(k)與圖3(f)，圖3(a),圖3(b)，圖3(c),圖3(d)，圖3(e)比較發(fā)現(xiàn)，本實(shí)施例的最終顯著圖與理想顯著圖吻合，本發(fā)明具有良好的顯著性檢測(cè)效果，且顯著性結(jié)果優(yōu)于其他算法。