一種基于多層分析和分層推理的顯著性檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于多層分析和分層推理的顯著性檢測方法，屬于計算機視覺顯 著性檢測技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 視覺顯著性檢測是模擬人類注意快速指向感興趣區(qū)域的機制，只對需要的信息進 行加工和分配，極大地提高了信息處理的效率，是計算機視覺領(lǐng)域亟待解決的一個重點和 熱點問題。
[0003] 面對一幅背景復雜的圖像，顯著的目標物體或者背景包含小尺度，高對比度，那么 就很難精確地提取顯著性物體。當背景比較雜亂，顯著物體的尺度比較小時，我們很難一下 子準確找到顯著物體。這個問題在自然圖像中很常見，對于已有的顯著性檢測方法是一個 巨大的挑戰(zhàn)。
[0004] 現(xiàn)有視覺顯著性檢測算法的主要缺點在于分辨率低，目標邊界定義差，計算復雜 度高。

【發(fā)明內(nèi)容】

[0005] 發(fā)明目的:針對現(xiàn)有技術(shù)中存在的問題，本發(fā)明提供一種分辨率高、計算復雜度低 的基于多層分析和分層推理的顯著性檢測方法。
[0006] 技術(shù)方案:一種基于多層分析和分層推理的顯著性檢測方法，包括如下步驟：
[0007] 步驟1:輸入圖像；
[0008] 步驟2:采用分水嶺算法對步驟1得到的圖像進行分割，將圖像分割為大小不一且 不重疊的區(qū)域；
[0009] 步驟3:定義一個新的區(qū)域尺度計算方法，將步驟2得到的過分割后的區(qū)域按照區(qū) 域尺度值的大小排序，形成區(qū)域尺度列表，對圖像中的每個像素按照區(qū)域列表標記后的圖 即為底層圖像；
[0010] 步驟4:設(shè)定不同的閾值，通過不同大小核的包濾波器，合并區(qū)域計算可依次獲得 中層和高層圖像；
[0011] 步驟5:從區(qū)域?qū)Ρ榷群涂臻g位置兩個方面計算每一層圖像的顯著值；
[0012] 步驟6:對步驟3和4得到的多層圖像構(gòu)造樹形結(jié)構(gòu)，通過能量更新和優(yōu)化，修正步 驟5得到的顯著值。通過對每一層的所有區(qū)域分配權(quán)值，最終加權(quán)平均得到最優(yōu)顯著圖。
[0013] 工作原理：當背景比較復雜時，現(xiàn)有的將每層顯著圖疊加求平均得到最終顯著圖 的做法并不是一個理想的方法?？紤]到在不同區(qū)域的尺度下，每一層相對應區(qū)域表示的顯 著性是不一致的。本發(fā)明運用分層推理優(yōu)化，每層圖像采用樹形結(jié)構(gòu)，利用信念傳播給每一 單層所有區(qū)域提供一個良好的權(quán)值，進行加權(quán)平均，得到最優(yōu)顯著圖。分層推理優(yōu)化利用在 每一層相同區(qū)域獲得的顯著值，有效地糾正最初顯著值。
[0014] 有益效果:與現(xiàn)有技術(shù)相比，本發(fā)明提供的方法能夠更加精確地檢測顯著目標，檢 測得到的結(jié)果分辨率高，目標邊界定義精準，算法復雜度小。
【附圖說明】
[0015] 圖1為本發(fā)明的流程圖；
[0016] 圖2為本發(fā)明方法與現(xiàn)有方法實驗效果對比圖，其中，a)原始圖像，b)Gr〇und Truth，c) IT方法，d )Mz方法，e) SR方法，f) GB方法，g) CA方法，h) FT方法，i)本發(fā)明提供的方 法；
[0017] 圖3為本發(fā)明與現(xiàn)有方法的平均查準率-召回率-F值實驗對比柱狀圖；
[0018] 圖4為本發(fā)明與現(xiàn)有方法在復雜背景下檢測到的顯著區(qū)域?qū)嶒炐Ч麑Ρ葓D，其中， a)原始圖像，b) Ground Truth，c) IT方法，d)Mz方法，e) SR方法，f) CA方法，g)本發(fā)明提供的 方法。
【具體實施方式】
[0019] 下面結(jié)合具體實施例，進一步闡明本發(fā)明，應理解這些實施例僅用于說明本發(fā)明 而不用于限制本發(fā)明的范圍，在閱讀了本發(fā)明之后，本領(lǐng)域技術(shù)人員對本發(fā)明的各種等價 形式的修改均落于本申請所附權(quán)利要求所限定的范圍。
[0020] 如圖1所示，本發(fā)明提供的一種基于多層分析和分層推理的顯著性檢測方法，包括 如下步驟：
[0021] 步驟1:采集圖像數(shù)據(jù);定義采集圖像為A;
[0022] 步驟2:采用分水嶺算法對步驟1得到的圖像進行分割，將圖像分割為大小不一且 不重疊的區(qū)域；
[0023] 分水嶺算法是一種基于拓撲理論中數(shù)學形態(tài)學的分割方法，主要是對圖像做梯 度分割處理，將圖像分割為大小不一且互不重疊的區(qū)域。該算法主要分為兩步，首先是對圖 像進行預處理，將圖像像素的灰度值按照升序排列。然后根據(jù)排序構(gòu)造出"集水盆地"，并對 集水盆地進行不同的標記構(gòu)造出"防水堤壩"。在此過程中要用到Sobel算子來獲得梯度幅 值圖像，該算子包含兩個3x3的矩陣，一個是橫向矩陣，一個是縱向矩陣。將該算子和圖像做 平面卷積就能分別得到橫向和縱向的亮度差分近似值。設(shè)A為原始圖像，D x，Dy分別代表橫向 和縱向邊緣檢測圖像，表達式如下：
[0024]
[0025]
[0026] 因此，梯度大小表示為：
[0027]
[0028] 步驟3:定義一個新的區(qū)域尺度計算方法，將步驟2得到的過分割后的區(qū)域按照區(qū) 域尺度值的大小排序，形成區(qū)域尺度列表，對圖像中的每個像素按照區(qū)域列表標記后的圖 即為底層圖像；
[0029] 在已有的區(qū)域尺度計算中，往往是通過該區(qū)域所包含的像素個數(shù)計算得到。但是 在處理和理解自然圖像時這樣做并不一定都合適。事實上，一個包含大量像素的區(qū)域在人 類視覺感知中并不一定對應一個大尺度的區(qū)域。為此，我們定義了一個新的尺度計算方法， 對于形狀非常近似或者相同的區(qū)域，我們采用一個環(huán)繞尺度計算。設(shè)區(qū)域f，定義該區(qū)域的 環(huán)繞區(qū)域為即f GR。有了這樣的關(guān)系后，我們將區(qū)域R的尺度計算 表達式表τκ為，
[0030]
(4)
[0031] 其中，Rtxt是一個tXt的正方形區(qū)域。根據(jù)式(4)計算一個區(qū)域的尺度，需要進行大 量的搜索和比較，計算量比較大。這里我們可以進行簡化的操作，事實上在經(jīng)過分水嶺算法 分割后，我們只需要給定一個閾值t，將每個分割后的區(qū)域和t做比較，可以將所有的區(qū)域 分為大于t和小于t兩部分。因此，我們可以采用一個大小為tXt的核kt的包濾波器，包濾波 器的主要功能，在給定的滑動窗口大小下，對每個窗口內(nèi)的像素值進行快速相加求和。通過 這個包過濾器輸出分割區(qū)域尺度小于t部分。
[0032] 將圖像通過分水嶺過分割的區(qū)域按照每個區(qū)域尺度值的大小排序，記為區(qū)域列表 對圖像中的每個像素按照區(qū)域列表9?標記后的圖，記為M。通過一個核為k t的包濾波器， 輸出的圖為kt〇M，〇指二維卷積。計算絕對差Dt= |M-kt〇M|，當滿足下面公式，我們就可以從 區(qū)域列表沢篩選出小于尺度t的區(qū)域。
[0033] (5)
[0034] 其中，y表示像素，在經(jīng)過卷積后，所有屬于區(qū)域心的標簽值將會被改變，輸出小于 閾值t的尺度。
[0035] 定義一個尺度大小為3x3的核kt的包濾波器，以及分割后每個區(qū)域尺度值從大到 小排序的區(qū)域列表識:。如果在區(qū)域列表況中的區(qū)域心小于3x3的尺度，那么我們就將該區(qū)域 合并到與其最相鄰的區(qū)域中，根據(jù)在CIELUV顏色空間的平均顏色距離更新合并區(qū)域的尺 度，并且將合并區(qū)域的平均顏色距離更新顏色。當所有的區(qū)域都被計算完時，我們所得到的 圖就作為底層或者第一層圖，記為L 1。
[0036] 步驟4:設(shè)定不同的閾值，通過不同大小核的包濾波器，合并區(qū)域計算可依次獲得 中層和高層圖像；
[0037] 通過改變閾值的大小，采用與步驟3相同的方法，就可以獲得中層和高層圖，分別 記為L2，L3。本實施例中的三個閾值分別為3，17，32。
[0038] 步驟5:從區(qū)域?qū)Ρ榷群涂臻g位置兩個方面計算每一層圖像的顯著值；
[0039]區(qū)域?qū)Ρ榷?br>[0040]將圖像中任意兩個像素Pl，Pj在Lab顏色空間上的距離用兩個像素的對比度值Q (i，j)表示，表達式如下：
[0041] Ci(i , j)=D(pi,pj)i^ j (6)
[0042] 其中，D(Pl，Pj)表示像素 Pl，Pj在Lab顏色空間上的距離。那么圖像過分割后任意兩 個區(qū)域心，心中像素的對比度值Cd(i，j)可以通過計算顏色平均值的歐氏距離來表示，表達 式如下：
[0043] Cd(Ri,Rj) = l|yi-yjll2i^j (7)
[0044] 其中，講和內(nèi)分別表示區(qū)域吣兒中的像素在Lab顏色空間上的顏色均值，| | | |2代表 歐氏坐標距離。由以上兩個公式就可以推出圖像中任意一個區(qū)域?qū)Ρ榷鹊谋磉_式如下：
[0045]
n:-L (8)
[0046] 其中，m表示圖像經(jīng)過分水嶺算法過分割之后的區(qū)域數(shù)量。
[0047]通過區(qū)域?qū)Ρ榷确椒ㄓ嬎銏D像的顯著性，往往對區(qū)域之間的距離也會有要求，因 為區(qū)域之間的距離通常也會影響人眼對于圖像區(qū)域關(guān)注度的選擇。從一般情況來說，當人 眼在集中看某個感興趣區(qū)域的時候，視線都會比較集中在這個區(qū)域，而不會分散開來，因此 兩個區(qū)域之間的距離如果太大會對區(qū)域?qū)Ρ榷戎涤杏绊憽Ｔ谄綍r生活中我們發(fā)現(xiàn)，如果存 在某個區(qū)域和其他任意兩個區(qū)域的顏色對比度值恰好是一樣的，那么這兩個區(qū)域中與該區(qū) 域之間距離更近的那個區(qū)域?qū)⒏菀滓鹑搜垡曈X關(guān)注。由此，本文在區(qū)域?qū)Ρ榷戎幸?權(quán)值表示為區(qū)域心，!^的中心點在圖像中的歐氏坐標距離，對顯著性檢測將更加 合理。因此，將公式改進為如下式：
.....… (9)
[0048