專利名稱：一種基于期望步數(shù)的圖像顯著程度檢測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像處理中的局部區(qū)域分析，特別涉及圖像中的視覺顯著性區(qū)域檢測方法。
背景技術(shù)：
生物視覺系統(tǒng)所具有的視覺選擇性注意是由視覺顯著性機制驅(qū)動的。心理學(xué)研究發(fā)現(xiàn)，那些能夠產(chǎn)生新異的刺激、較強的刺激和人所期待的刺激的場景區(qū)域容易引起觀察者的注意。視覺選擇性注意機制是生物體特別是人類的一個內(nèi)在屬性，面對復(fù)雜、未知的場景，人類能夠不受復(fù)雜背景影響，快速而準確地檢測到顯著目標，是由于人類可以通過顯著性區(qū)域優(yōu)先分配圖像分析與合成所需要的計算資源。而計算機視覺系統(tǒng)只會不加選擇地平等對待視覺場景中的各個區(qū)域，在無法理解場景變化的同時還會造成計算瓶頸。如果我們把人類視覺系統(tǒng)的選擇性注意功能引入到計算機視覺系統(tǒng)中，勢必會提升現(xiàn)有計算機圖像分析效率。
模擬人類選擇性注意機制的計算模型提取的顯著性圖像被廣泛的應(yīng)用于許多計算機視覺領(lǐng)域，如自適應(yīng)圖像壓縮，目標檢測，目標識別，內(nèi)容感知圖像編輯和圖像檢索等鄰域。因此，顯著性計算模型成為了一個比較流行的研究課題。
目前視覺顯著性的計算模型己經(jīng)研究得比較深入，特別是Itti等人基于Treisman特征整合理論提出的模型極具代表性，該模型首先對輸入圖像構(gòu)成空間金字塔并提取亮度，顏色和方向等初級視覺特征，然后進行多尺度融合，并基于“中央一周邊差”理論度量圖像中每個局部區(qū)域在每種特征上的顯著程度，形成特征顯著圖。最后對特征顯著圖進行線性求和得到總的視覺顯著圖。但是，目前的顯著性檢測算法主要是建立在視覺特征的局部對比的基礎(chǔ)上的，缺乏從全局角度對顯著目標的自身特性進行分析理解，因此當背景較雜亂時會出現(xiàn)大量的誤判現(xiàn)象，檢測結(jié)果不夠理想。發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種基于期望步數(shù)的顯著性檢測方法，具體包括以下步驟:
步驟1，將輸入圖像切分成不重疊的圖像塊；
步驟2，提取每個圖像塊的顏色，方向熵和紋理特征，構(gòu)造特征向量；
步驟3，將每個圖 像塊視為全連通圖和k規(guī)則圖中的一個結(jié)點，對于每個結(jié)點，利用步驟2所得到的特征向量計算這個結(jié)點與其他所有結(jié)點的不相似度，利用結(jié)點間的不相似度得到全連通圖關(guān)聯(lián)矩陣和k規(guī)則圖的關(guān)聯(lián)矩陣，L表示分割后的圖像塊總數(shù)；根據(jù)全連通圖的狀態(tài)轉(zhuǎn)移矩陣Pg計算全連通圖的平穩(wěn)分布At，進而得到全連通圖的基礎(chǔ)矩陣Zg.根據(jù)基礎(chǔ)矩陣Zg計算全連通圖中從平穩(wěn)分布出發(fā)到達任意節(jié)點i的期望步數(shù)El (Ti):根據(jù)k規(guī)則圖的狀態(tài)轉(zhuǎn)移矩陣P1計算k規(guī)則圖的平穩(wěn)分布;，進而得到k規(guī)則圖的基礎(chǔ)矩陣Z1，根據(jù)基礎(chǔ)矩陣Z1計算k規(guī)則圖中從平穩(wěn)分布出發(fā)到達任意節(jié)點i的期望步數(shù)E17(T1):
步驟4，利用步驟3所得到的全連通圖中從平穩(wěn)分布出發(fā)到達任意節(jié)點i的期望步數(shù)^0\〕,以及k規(guī)則圖中從平穩(wěn)分布出發(fā)到達任意節(jié)點i的期望步數(shù)E1t(Ti)得到關(guān)鍵結(jié)點Nmsal,計算方法如下:
權(quán)利要求
1.一種基于期望步數(shù)的圖像顯著程度檢測方法，其特征在于，包括以下步驟: 步驟1，將寬為W，高為H的輸入圖像I切分成L個大小為kXk的不重疊的圖像塊； 步驟2，提取每個圖像塊的顏色，方向熵和紋理特征，構(gòu)造特征向量； 步驟3，將每個圖像塊視為全連通圖和k規(guī)則圖中的一個結(jié)點，對于每個結(jié)點，利用步驟2所得到的特征向量計算這個結(jié)點與其他所有結(jié)點的不相似度，利用結(jié)點間的不相似度得到全連通圖關(guān)聯(lián)矩陣名^和k規(guī)則圖的關(guān)聯(lián)矩陣<vi，L表示分割后的圖像塊總數(shù)；根據(jù)全連通圖的狀態(tài)轉(zhuǎn)移矩陣Pg計算全連通圖的平穩(wěn)分布，進而得到全連通圖的基礎(chǔ)矩陣Zg，根據(jù)基礎(chǔ)矩陣ZH十算全連通圖中從平穩(wěn)分布出發(fā)到達任意節(jié)點i的期望步數(shù)^(Ti);根據(jù)k規(guī)則圖的狀態(tài)轉(zhuǎn)移矩陣P1計算k規(guī)則圖的平穩(wěn)分布疋;L，進而得到k規(guī)則圖的基礎(chǔ)矩陣Z1，根據(jù)基礎(chǔ)矩陣Z1計算k規(guī)則圖中從平穩(wěn)分布出發(fā)到達任意節(jié)點i的期望步數(shù)Ejr(T1); 步驟4，利用步驟3所得到的全連通圖中從平穩(wěn)分布出發(fā)到達任意節(jié)點i的期望步數(shù)El(Ti),以及k規(guī)則圖中從平穩(wěn)分布出發(fā)到達任意節(jié)點i的期望步數(shù)EUTi)得到關(guān)鍵結(jié)點Nmsal,計算方法如下:
2.根據(jù)權(quán)利要求1所述的一種基于期望步數(shù)的圖像顯著程度檢測方法，其特征在于，所述的步驟I包括以下步驟: 把圖像I切分成圖像塊，當圖像的寬W和高H不是k的整數(shù)倍時，需要先對圖像進行縮放，保證圖像的寬和高是k的整數(shù)倍；將圖像I按照從左至右從上至下的順序切分成不重疊的圖像塊，每個圖像塊是一個方塊，寬和高都是k，每個圖像塊中的像素個數(shù)是k2，圖像I可以切分出的圖像塊總數(shù)
3.根據(jù)權(quán)利要求1所述的一種基于期望步數(shù)的圖像顯著程度檢測方法，其特征在于，所述的步驟2還進一步包括以下步驟: 步驟2.1，提取顏色特征，將每個圖像塊轉(zhuǎn)化到Y(jié)CbCr空間，將每個圖像塊的Cb和Cr通道作為顏色特征；步驟2.2，提取方向熵:步驟I中得到的圖像塊為彩色圖像塊，首先將彩色圖像塊轉(zhuǎn)化成灰度像塊，對灰度像塊進行高斯平滑，以消除噪聲，然后對灰度像塊進行二維傅里葉變換，將其轉(zhuǎn)化到頻域，并進行中心化處理，計算出每一個灰度像塊的方向直方圖H(Qi),方向直方圖H(Qi)的計算公式如式⑴所示
4.根據(jù)權(quán)利要求1所述的一種基于期望步數(shù)的圖像顯著程度檢測方法，其特征在于，步驟3中所述的不相似度的計算方法如下:ω ^.=θχρ (- β (g1-gj)2) 公式(4) 其中，Qij為結(jié)點i和結(jié)點j之間在特征向量空間的不相似程度，β是一個自由參數(shù)，β e (0.1 0.9)，gi和gj分別為結(jié)點i和結(jié)點j的特征向量。
5.根據(jù)權(quán)利要求4所述的一種基于期望步數(shù)的圖像顯著程度檢測方法，其特征在于，步驟3中所述的全連通圖關(guān)聯(lián)矩陣ΛΙζ的第i行第j列的元素a u，其計算公式如式(3)所示:
6.根據(jù)權(quán)利要求5所述的一種基于期望步數(shù)的圖像顯著程度檢測方法，其特征在于，步驟3中所述的全連通圖的狀態(tài)轉(zhuǎn)移矩陣Pg的計算方法如下: Pg=(Dg)-1Ag 公式(7) 其中，
7.根據(jù)權(quán)利要求5所述的一種基于期望步數(shù)的圖像顯著程度檢測方法，其特征在于，步驟3中所述的k規(guī)則圖的狀態(tài)轉(zhuǎn)移矩陣P1的計算方法如下: P1=(D1)-1A1 公式(14) 其中,D1 二⑩名⑷,…，# )公式(15)， d! =Σ$公式(16 ) 步驟3中所述的k規(guī)則圖的平穩(wěn)分布的第j個元素π j的計算方法如下: 卜=公式(17)\ 2dj=i 71J 一 I 其中，Pij為k規(guī)則圖的狀態(tài)轉(zhuǎn)移矩陣P1第i行第j列的元素，'表示k規(guī)則圖中結(jié)點j的平穩(wěn)分布概率； 步驟3中所述的k規(guī)則圖的基礎(chǔ)矩陣Z1的計算方法如下: Z1=(1-P^W)-1 公式(18) 其中，I是單位陣，W是由L個k規(guī)則圖的平穩(wěn)分布< (組成的LXL矩陣； 步驟3中所述的k規(guī)則圖中從平穩(wěn)分布出發(fā)到達任意節(jié)點i的期望步數(shù)Ejr(T1)的計算方法如下:E1ff(T1) = ^(T1)Xz11 公式(19) 其中，Ei(Ti) = +公式(20)，Jii表示k規(guī)則圖的平穩(wěn)分布y的第i個元素，Zii是k規(guī) 71I71I L則圖的基礎(chǔ)矩陣ζ1的第i行第i列的元素，i = 1,2,…，L。
8.根據(jù)權(quán)利要求6所述的一種圖像塊顯著程度的衡量方法，其特征在于，步驟5中所述的混合圖上的關(guān)鍵節(jié)點到達任意節(jié)點i的期望步數(shù)的計算方法如下: 將公式中的上標改為m，利用公式(4)、(7)-(9)以及混合圖關(guān)聯(lián)矩陣Am計算出混合圖狀態(tài)轉(zhuǎn)移概率矩陣Pm，利用Pm，根據(jù)公式(10)、(11)計算得到混合圖平穩(wěn)分布^1-和混合圖基礎(chǔ)矩陣Ζπ，然后計算混合圖中從關(guān)鍵結(jié)點出發(fā)到達所有節(jié)點的期望步數(shù)Efmsel(Ti) (i=l，2……L)，計算公式如下:ENmsai(Ti) = Ei (Ti)X(Zi1-ZNmsali)公式(21) 其中，ΕΓα) = +，JIi表示混合圖平穩(wěn)分布JIm中第i個元素，Zii和zNmsali分別表示 71I混合圖基礎(chǔ)矩陣Zm中 第i行第i列以及第Nmsal行第i列的元素。
全文摘要
本發(fā)明公開了一種基于期望步數(shù)的圖像顯著程度檢測方法，包括將輸入圖像切分成不重疊的圖像塊，提取每個圖像塊的初級視覺特征；構(gòu)造全連通圖和k規(guī)則圖。對于每個圖像塊計算這個圖像塊與其他所有圖像塊的不相似度，利用圖像塊間的不相似度計算兩個圖模型中各結(jié)點的初始轉(zhuǎn)移概率，得到平穩(wěn)分布的概率，然后求得求的關(guān)鍵結(jié)點；將全連通圖和k規(guī)則圖進行融合，計算到達關(guān)鍵結(jié)點的期望步數(shù)，然后計算出每個結(jié)點的顯著值，得到顯著圖。通過二維高斯平滑算子進行平滑，得到最終反映圖像各個區(qū)域顯著程度的結(jié)果圖像。與傳統(tǒng)方法相比，本發(fā)明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。
文檔編號G06T7/00GK103247051SQ20131018106
公開日2013年8月14日 申請日期2013年5月16日 優(yōu)先權(quán)日2013年5月16日
發(fā)明者段立娟, 喬海濤, 楊震, 吳春鵬, 苗軍, 馬偉 申請人:北京工業(yè)大學(xué)