專利名稱：一種基于局部特征的顯著區(qū)域檢測算法的制作方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像/視頻檢索技術(shù)領(lǐng)域，具體涉及一種基于圖像局部特征的顯著區(qū)域檢測算法。
背景技術(shù)：
圖像/視頻檢索技術(shù)已廣泛應(yīng)用于各個領(lǐng)域。隨著圖像數(shù)據(jù)爆炸式的增長，如何對海量的圖像/視頻數(shù)據(jù)進行高效檢索受到了越來越多的關(guān)注。作為圖像/視頻檢索的基礎(chǔ)，圖像的局部特征提取算法能有效提取圖像的特征信息以供圖像或視頻幀間做檢索，在圖像檢索引擎、網(wǎng)絡(luò)過濾等系統(tǒng)中被廣泛使用。圖像/視頻的檢索算法可以分成兩個階段特征提取階段和特征匹配階段。特征提取階段將圖像的特征，包括圖像的顏色特征，紋理特征，或是圖像中的特征點等，提取出來。特征匹配階段以比較兩幅/幀圖像的特征來判斷兩幅視頻幀或圖像是否匹配。但是， 研究人員發(fā)現(xiàn)對于整張圖像作局部特征提取將產(chǎn)生大量特征信息，從而造成圖像匹配階段處理時間過長。由于人們通常只對圖像中部分關(guān)鍵的區(qū)域感興趣，而忽略非關(guān)鍵區(qū)域，因此常用的實現(xiàn)過程是首先利用圖像顯著區(qū)域檢測算法檢測出圖像的顯著區(qū)域，再對圖像顯著區(qū)域上的特征進行提取，以此減少局部特征提取算法產(chǎn)生的特征信息。但由于常用的圖像顯著區(qū)域檢測技術(shù)本身復(fù)雜度較高，雖然能夠有效減少特征信息，但會造成在局部特征提取階段的額外時間開銷。因此，需要設(shè)計一種高效的顯著區(qū)域檢測技術(shù)，在引入較小時間開銷的前提下有效檢測出圖像的關(guān)鍵區(qū)域。對于人腦或是計算機，對比度屬性最重要和最基本的特征。因此，可以根據(jù)對比度來檢測及刪選特征點。另一方面，不論是顯著區(qū)域檢測技術(shù)還是局部特征提取算法，本質(zhì)上都是在圖像金字塔上計算對比度特征。因此，是否可以設(shè)計出一種新的技術(shù)避免這樣的重復(fù)計算以減小顯著區(qū)域檢測的開銷成為本設(shè)計的切入點。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種高效的基于圖像局部特征的顯著區(qū)域檢測算法。本發(fā)明提供的基于圖像局部特征的顯著區(qū)域檢測算法，一方面通過顯著區(qū)域計算，避免圖像局部特征提取算法對整張圖像做計算，以減少特征提取算法產(chǎn)生的特征信息， 提高處理速度；另一方面，利用這種技術(shù)能在損失較小的準(zhǔn)確度的條件下快速檢測出圖像的顯著區(qū)域，有效減少顯著區(qū)域檢測引入的額外計算開銷。本發(fā)明算法的基本步驟為首先，利用圖像局部特征算法，獲得特征檢測階段的圖像特征點分布；然后，根據(jù)分布的標(biāo)準(zhǔn)差和特征點數(shù)量將分布矩陣變換為適應(yīng)矩陣；最后， 再利用動態(tài)規(guī)劃算法求出適應(yīng)矩陣的最大子矩陣和，得到的最大子矩陣就是顯著區(qū)域。從而在損失較小的準(zhǔn)確度的情況下快速檢測出圖像的顯著區(qū)域。各個步驟具體介紹如下
(1)、計算特征點分布矩陣，即利用圖像局部特征算法，獲得特征檢測階段的圖像特征點分布；再對圖像進行n*m分塊，計算每塊中特征點的數(shù)量，將每個區(qū)域包含特征點的數(shù)量記錄分布矩陣B中，分布矩陣B為下一階段提供數(shù)據(jù)；
(2)、計算適應(yīng)矩陣，即根據(jù)分布的標(biāo)準(zhǔn)差和特征點數(shù)量將分布矩陣變換為適應(yīng)矩陣； 具體來說，將分布矩陣B轉(zhuǎn)化為適應(yīng)矩陣，由于分布矩陣中都是自然數(shù)，最大子矩陣和就是矩陣本身，所以需要使它轉(zhuǎn)化為整數(shù)矩陣，即對分布矩陣B中的每個元素減去一個適應(yīng)因子K。適應(yīng)因子K與圖像的特征點數(shù)量和分布情況有關(guān)。我們用分布矩陣特征點數(shù)量的
平均值卩來描述特征點的數(shù)量，用標(biāo)準(zhǔn)差jy來描述特征點的分布，
aγx^a 2=0,/=0 X ν /
其中7 = ι / ^ * m ，，^u表示第i行j列分塊中特征點的數(shù)量。因此定義
K=fn( /f "="“..—對)χ fn()是與分布標(biāo)準(zhǔn)差相關(guān)的函數(shù)。在確定適應(yīng)
因子K后，將分布矩陣B中每個元素減去K，得到適應(yīng)矩陣A ；
(3)、求最大子矩陣和，即利用動態(tài)規(guī)劃算法求出適應(yīng)矩陣的最大子矩陣和，得到的最大子矩陣就是顯著區(qū)域。具體來說，是根據(jù)步驟(2)得到的適應(yīng)矩陣A，將尋找顯著區(qū)域的問題轉(zhuǎn)換為尋找適應(yīng)矩陣A的最大子矩陣和問題。本發(fā)明利用最大子矩陣和的動態(tài)規(guī)劃解法將問題的復(fù)雜度從0(n3 Xn3)降到0(mXn2)，其中η表示行的分塊數(shù)，m表示列的分塊數(shù)量。本發(fā)明還能方便計算第二大顯著區(qū)域，即在得到最大子區(qū)域后，將該區(qū)域屏蔽，繼續(xù)計算最大子區(qū)域。 同樣能夠計算第N大顯著區(qū)域。本發(fā)明的貢獻在于1)本發(fā)明設(shè)計并實現(xiàn)了一種快速的顯著區(qū)域檢測技術(shù)。2)本發(fā)明利用了局部特征提取算法中特征檢測階段產(chǎn)生的中間結(jié)果，避免重復(fù)計算圖像金字塔上的對比度特征。3)本發(fā)明避免計算多種低級別的視覺特征。4)本發(fā)明利用現(xiàn)有的最大子矩陣和算法快速找出特征點分布最集中的區(qū)域。5)本發(fā)明的設(shè)計可以擴展快速檢測出圖像中的第N大顯著區(qū)域。


圖1為本發(fā)明所述基于局部特征的顯著區(qū)域檢測算法的計算過程。
具體實施例方式在具體實施過程中，可以采用多種圖像局部特征提取算法，一般采用SURF，SIFT 或其變種。下面將按順序介紹本發(fā)明三個步驟的詳細(xì)實現(xiàn)。步驟1、計算特征點分布矩陣
本步驟目的在于得到特征點的分布矩陣。本發(fā)明在實施過程中使用SURF算法作為圖像局部特征提取算法。利用SURF算法特征檢測階段，該過程分為四個階段1)首先是計算積分圖像，輸入原圖像的灰度圖像，計算積分圖像的過程是將輸入的灰度圖像抽象成每個點都用原點和這個點的坐標(biāo)構(gòu)成的矩形里所有的點的灰度和來表示的形式；2)在對積分圖像計算Hessian矩陣，SURF采用一種box filter的方法近似地求出Hessian矩陣的特征值；3)為了使得提取出來的特征不會受到圖像伸縮變換帶來的影響，SURF采用了金字塔方式的計算，每個圖像會計算它在不同大小情況下的特征；4)在金字塔中尋找滿足條件特征
4(2)
即對正整數(shù)分布矩陣B每個元素減去一個常數(shù)。因此可以利用最大子矩陣和算法求特征點分布最集中的區(qū)域。P的值決定了 K的大小。當(dāng)K的值取大時，找到的子矩陣就越小， 相反，當(dāng)K變小時，找到的子矩陣將變大。因此，K稱為適應(yīng)因子，我們定義一個適應(yīng)函數(shù)來得到K值。 測試發(fā)現(xiàn)對于特征點數(shù)量和分布情況不同的圖像，K的值(或者ρ的值，但這里從
K的取值來分析)應(yīng)該有所不同。為了使K隨圖像特征點數(shù)量變化，定義K=k*i，其中^是
分布矩陣特征點的平均值。為了使K隨特征點的分布而不同，對于n*m的分布矩陣B，我們用標(biāo)準(zhǔn)差k來區(qū)分不同分布類型的圖像，因此定義k=fn(d)。fn(d)是一個關(guān)于標(biāo)準(zhǔn)差d的
適應(yīng)函數(shù)』= ^ 1^,其中P=…、=, 為
第i行第j列分塊中特征點數(shù)量。k的值應(yīng)該與標(biāo)準(zhǔn)差d成正比，才能保證最大子矩陣取適
= ^后，則公式2變換為
值最大的點，即圖像的特征點。在得到圖像的特征點后對圖像進行分塊，將每塊區(qū)域特征點的數(shù)量記錄在分布矩陣B中，分布矩陣B為下一階段提供數(shù)據(jù)。步驟2、計算適應(yīng)矩陣
經(jīng)過步驟1，得到了分布矩陣B。為了求得矩陣B中特征點分布最集中的區(qū)域R，首先定義區(qū)域R為該區(qū)域中單位面積特征點數(shù)量大于整張圖像單位面積特征點數(shù)量P倍的最大子區(qū)域，一般P>1。即
max{ R \ Xj.. ^ h[i][j] > px Sr / San }(ι)
其中max為求最大值，b[i] [j]表示第i行j列分塊中特征點的數(shù)量，&表示當(dāng)前區(qū)域 R的面積，Sall為圖像的總面積。但是對于求解這個問題算法需要遍歷這個矩陣的所有可能的子矩陣，算法復(fù)雜度高為0(m3*n3)，其中η表示行的分塊數(shù)，m表示列的分塊數(shù)量。本發(fā)明將尋找特征點最密集的最大子區(qū)域問題轉(zhuǎn)化成已存在較好解決的算法模型，即最大子矩陣和模型。最大子矩陣和模型是在一個nXm自然數(shù)矩陣A中尋找一個和最大的子矩陣，即
Σ ^n Σ /=/1 a^，其中a[i][j]表示矩陣第i行第j列
IS /IS J 2< η
的元素。最大子矩陣和算法是利用最大子段和算法并采用動態(tài)規(guī)劃的思想將算法復(fù)雜度降至IjO (m X η2)。可以將公式(1)轉(zhuǎn)化為
權(quán)利要求
1. 一種基于局部特征的顯著區(qū)域檢測算法，其特征在于具體步驟如下(1)計算特征點分布矩陣，即利用圖像局部特征算法，獲得特征檢測階段的圖像特征點分布；再對圖像進行分塊，計算每塊中特征點的數(shù)量，將每個區(qū)域包含特征點的數(shù)量記錄分布矩陣B中，分布矩陣B為下一階段提供數(shù)據(jù)；(2)計算適應(yīng)矩陣，即根據(jù)分布的標(biāo)準(zhǔn)差和特征點數(shù)量將分布矩陣B變換為適應(yīng)矩陣A ；即對分布矩陣B中的每個元素減去一個適應(yīng)因子K，適應(yīng)因子K與圖像的特征點數(shù)量和分布情況有關(guān)，將圖像分成m*n個分塊，定義適應(yīng)因子K=fn(
全文摘要
本發(fā)明屬于圖像/視頻檢索技術(shù)領(lǐng)域，具體為一種基于局部特征的顯著區(qū)域檢測算法。該算法將尋找顯著區(qū)域的問題轉(zhuǎn)化為尋找特征點分布最密集區(qū)域的問題，再將尋找特征點分布最密集區(qū)域的問題轉(zhuǎn)化為求最大子矩陣和的問題。具體步驟為利用局部特征算法，獲得特征檢測階段的圖像特征點分布；根據(jù)標(biāo)準(zhǔn)差和特征點數(shù)量將分布矩陣變換為適應(yīng)矩陣；利用動態(tài)規(guī)劃算法求適應(yīng)矩陣的最大子矩陣和。本發(fā)明能在損失較小準(zhǔn)確度的情況下，快速檢測出圖像的顯著區(qū)域。本發(fā)明在準(zhǔn)確度上與同類顯著區(qū)域檢測算法接近的情況下，速度超過常用顯著區(qū)域檢測算法的25倍。
文檔編號G06F17/30GK102495843SQ20111036087
公開日2012年6月13日 申請日期2011年11月15日 優(yōu)先權(quán)日2011年11月15日
發(fā)明者張為華, 朱斐文, 楊冬蕾, 臧斌宇 申請人:上海紅神信息技術(shù)有限公司, 復(fù)旦大學(xué)