一種基于積分匹配的快速圖像協(xié)同顯著區(qū)域監(jiān)測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及計(jì)算機(jī)視覺(jué)與圖像處理領(lǐng)域，尤其涉及一種基于積分匹配的快速圖像 協(xié)同顯著區(qū)域監(jiān)測(cè)方法，本方法是通過(guò)在規(guī)則的超像素網(wǎng)格上使用高維積分匹配算法實(shí)現(xiàn) 的。
【背景技術(shù)】
[0002] 本發(fā)明中涉及到的【背景技術(shù)】有：顯著性檢測(cè)方法（SaliencyDetectionMethod): 又稱為單一圖像的顯著性檢測(cè)方法，旨在從一幅圖像中將顯著的前景目標(biāo)或區(qū)域提取出 來(lái)。近年來(lái)，顯著性檢測(cè)模型已經(jīng)得到了廣泛的應(yīng)用圖像分割、目標(biāo)檢測(cè)與識(shí)別、圖像 拼接等。常用的方法有：SF[1]、FT[2]、RCm和HC[3]。
[0003] SF的基本思想為：將顯著性看作為一個(gè)濾波器，使用濾波器的方法加速。Perazzi 主要對(duì)局部和全局兩種顯著特征的公式進(jìn)行了分析，提出了一種在線性時(shí)間內(nèi)計(jì)算的方 法。
[0004] FT:Achanta等人從頻率域角度出發(fā)，首次提出了一種基于全局對(duì)比的顯著區(qū)域 檢測(cè)的方法。該方法將經(jīng)過(guò)高斯低通濾波圖像中的每個(gè)像素值和整幅圖像的平均像素值之 間的歐幾里得距離作為該點(diǎn)的顯著值。該方法非常簡(jiǎn)單，時(shí)間消耗非常低，且實(shí)驗(yàn)結(jié)果在查 準(zhǔn)率-差全率方面的效果也堪稱優(yōu)良。然而FT在以下兩種情況下會(huì)失效：
[0005] 1.顯著區(qū)域的顏色占圖像中的大部分，通過(guò)方法[4]計(jì)算后，背景會(huì)具有更高的顯 著值；
[0006] 2.背景中含有少量突出的顏色，這樣背景中的這部分顏色的顯著值也會(huì)非常高。
[0007] HC:基于直方圖對(duì)比度的方法，每一個(gè)像素的顯著性值是由它與圖像中所有其他 像素的顏色差異來(lái)確定，得到全分辨率顯著性圖像；
[0008] RC:基于局部對(duì)比度的方法，先將圖像分割成小區(qū)域，采用的分割方法是基于圖的 分割，基本分割思想是將每個(gè)像素點(diǎn)作為無(wú)向圖的頂點(diǎn)，兩個(gè)像素點(diǎn)之間的不相似度作為 邊的權(quán)重，要求連接相同區(qū)域內(nèi)的兩個(gè)頂點(diǎn)的邊的最大權(quán)重要小于連接不同區(qū)域的頂點(diǎn)的 邊的最小權(quán)重，在迭代過(guò)程中進(jìn)行頂點(diǎn)歸納與區(qū)域合并；每個(gè)區(qū)域的顯著性值由它與其他 所有區(qū)域的空間距離和區(qū)域像素?cái)?shù)加權(quán)的顏色差異來(lái)確定；空間距離為兩個(gè)區(qū)域重心的歐 氏距離，較遠(yuǎn)區(qū)域分配較小權(quán)值；
[0009] 以上四種方法只是檢測(cè)單幅圖像的顯著對(duì)象，但是大部分情況下都傾向于從視頻 序列中檢測(cè)出顯著對(duì)象，而運(yùn)用以上四種方法，則會(huì)在忽視視頻幀的前后相關(guān)性的前提下 一幀一幀地去檢測(cè)顯著對(duì)象，這時(shí)準(zhǔn)確性不可避免的就會(huì)下降。
[0010] 協(xié)同顯著檢測(cè)方法（Co-SaliencyDetectionMethod)偏向于從一個(gè)圖像對(duì)或多 幅圖像中檢測(cè)出這些圖像所共有的顯著區(qū)域，而忽視每幅圖像中所獨(dú)有的顯著目標(biāo)。常用 的方法有：PC[5]、MS[6]、CC[7]。本發(fā)明也屬于這一類。
[0011]PC:在前置注意方案（preattentivescheme)下檢測(cè)出協(xié)同顯著對(duì)象。
[0012] MS:單幅圖像顯著圖SSIM(singleimagesaliencymap)和多幅圖像顯著圖 MISM(multi-imagesaliencymap)的線性組合。
[0013] CC:通過(guò)使用對(duì)比（contrast)、空間（spatial)和關(guān)聯(lián)（corresponding)的線索 來(lái)計(jì)算圖像聚類的顯著性的方法檢測(cè)出協(xié)同顯著對(duì)象。
[0014] 以上三個(gè)方法的時(shí)間成本較高而準(zhǔn)確度低。
[0015] 超像素網(wǎng)格（SuperpixelGrid):圖像經(jīng)過(guò)超像素分割后，得到的是不規(guī)則的超像 素結(jié)構(gòu)，在使用其對(duì)圖像進(jìn)行處理時(shí)，這種不規(guī)則結(jié)構(gòu)導(dǎo)致效率比較低。為將任意不規(guī)則的 超像素結(jié)構(gòu)進(jìn)行規(guī)整化排序，近年來(lái)，在圖像處理領(lǐng)域，一些研宄人員提出了一個(gè)超像素網(wǎng) 格的概念。利用目標(biāo)圖像的超像素分割結(jié)果，基于每一塊超像素的坐標(biāo)將其動(dòng)態(tài)地置于一 個(gè)虛擬的矩形網(wǎng)格中：該網(wǎng)格結(jié)構(gòu)應(yīng)該盡可能地保留原超像素結(jié)構(gòu)的整體連貫性、超像素 之間的連接性、局部以及全局特征；引入偽節(jié)點(diǎn)來(lái)保持網(wǎng)格規(guī)整的結(jié)構(gòu)和傳遞能量。近年來(lái) 生成超像素網(wǎng)格的一些常用方法有SuperLatice[8]、LatticeCut[9]、TurboPixel[1°]、SEEDS[11] 和SP-Grid[12]。
[0016] 積分圖（IntegralImage):為了快速計(jì)算圖像任意一個(gè)區(qū)域的特征而在[13]中被 提出來(lái)。在積分圖中任意一個(gè)像素點(diǎn)（x，y)的值可以表示為：
[0018]其中，S(x，y)表示積分圖中點(diǎn)（x，y)的值，i(x'，y'）表示原圖像中像素點(diǎn)（x'，y'） 的值。使用公式：
[0019] r(x,y) =r(x,y-1)+i(x,y)
[0020] S(x,y) =S(x-1,y)+r(x,y)
[0021] 進(jìn)行迭代運(yùn)算即可得到原圖像的積分圖。
[0022] 其中，r(x，y)表示第x行的從第一個(gè)元素到第y個(gè)元素的和，定義迭代下限 r(x, -1) =S(_l,y) = 0(對(duì)于r(x,y-1)，相當(dāng)于y取值為 0 ;
[0023] 對(duì)于S(x_l，y)，相當(dāng)于x取值為0) ;r(x，y_l)的定義與r(x，y)類似，S(x_l，y)的 定義與S(x,y)類似。

【發(fā)明內(nèi)容】

[0024] 本發(fā)明提供了一種基于積分匹配的快速圖像協(xié)同顯著區(qū)域監(jiān)測(cè)方法，本發(fā)明通過(guò) 建立一個(gè)顯著懲罰圖、一個(gè)魯棒的色彩模型和高維積分匹配方法以及利用這個(gè)方法來(lái)從多 幅圖像中提取出最大協(xié)同顯著對(duì)象，詳見(jiàn)下文描述：
[0025] -種基于積分匹配的快速圖像協(xié)同顯著區(qū)域監(jiān)測(cè)方法，其特征在于，所述快速圖 像協(xié)同顯著區(qū)域監(jiān)測(cè)方法包括以下步驟：
[0026] 生成顯著圖，在所述顯著圖的基礎(chǔ)上建立顯著懲罰圖；
[0027] 建立魯棒的色彩模型，通過(guò)所述色彩模型獲取圖像對(duì)中兩個(gè)區(qū)域的余弦相似度；
[0028] 構(gòu)建高維積分匹配方法，通過(guò)所述高維積分匹配方法對(duì)最大協(xié)同顯著區(qū)域進(jìn)行檢 測(cè)。
[0029] 其中，所述建立魯棒的色彩模型，通過(guò)所述色彩模型獲取圖像對(duì)中兩個(gè)區(qū)域的余 弦相似度的步驟具體為：
[0030]i' = (ir/ 0，ig/ 0，ib/ 0)，其中 0 =max(ir，ig，ib)
[0031] i'為魯棒的色彩模型中的每一個(gè)像素，Uig，ib為像素點(diǎn)的三個(gè)值；
[0032] 兩個(gè)區(qū)域的余弦相似度為：
[0034] 兩個(gè)區(qū)域?qū)?yīng)的直方圖分別為匕和h2。
[0035] 其中，所述構(gòu)建高維積分匹配方法，通過(guò)所述高維積分匹配方法對(duì)最大協(xié)同顯著 區(qū)域
[0036] 進(jìn)行檢測(cè)的步驟具體為：
[0037] 1)二維積分圖的快速構(gòu)造以及矩形區(qū)域值的快速計(jì)算；
[0038] 2)在二維積分圖的基礎(chǔ)上進(jìn)行高維積分表的快速構(gòu)造以及高位矩形區(qū)域值的快 速計(jì)算；
[0039] 3)計(jì)算兩個(gè)高維區(qū)域的相似度，實(shí)現(xiàn)高維區(qū)域的積分匹配，獲取最大的協(xié)同顯著 區(qū)域。
[0040] 本發(fā)明提供的技術(shù)方案的有益效果是：相比于其它協(xié)同顯著性檢測(cè)方法 (Co-saliencyDetectionMethod)，本發(fā)明所提出的協(xié)同顯著性檢測(cè)方法更快速、更準(zhǔn)確。
【附圖說(shuō)明】
[0041] 圖1為基于積分匹配的快速圖像協(xié)同顯著區(qū)域監(jiān)測(cè)方法的流程圖；
[0042] 圖2為標(biāo)準(zhǔn)（R，G，B)色彩模型與魯棒的色彩模型的實(shí)驗(yàn)結(jié)果對(duì)比圖；
[0043] 圖3為二維積分圖中S(X，y)的表示圖；
[0044] 圖4為原圖像中任意矩形區(qū)域（pQ，Pl)的值R(p。，Pl)表示圖；
[0045] 圖5為基于公開(kāi)數(shù)據(jù)集[6]的檢測(cè)結(jié)果比較圖；
[0046] 圖6為基于公開(kāi)數(shù)據(jù)集[6]的性能比較圖；
[0047] 圖7為基于康奈爾大學(xué)的數(shù)據(jù)集（CMU-CornelliCoseg數(shù)據(jù)集[14])的檢測(cè)結(jié)果對(duì) 比圖；
[0048] 圖8為基于康奈爾大學(xué)的數(shù)據(jù)集（CMU-CornelliCoseg數(shù)據(jù)集[14])的性能比較 圖。
【具體實(shí)施方式】
[0049] 為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面對(duì)本發(fā)明實(shí)施方式作進(jìn)一步 地詳細(xì)描述。
[0050] 本發(fā)明旨在從多幅圖像中快速準(zhǔn)確地提取出共有的顯著對(duì)象。首先，對(duì)于每一幅 圖像，該監(jiān)測(cè)方法都會(huì)得到對(duì)應(yīng)的顯著懲罰圖土M，圖中正值表示該像素點(diǎn)是顯著的，應(yīng)該 得到鼓勵(lì)；而負(fù)值表示該像素點(diǎn)是非顯著的，應(yīng)該得到懲罰。其次，該方法提出了一個(gè)可以 去除或減少光照影響的魯棒的色彩模型，在該色彩模型中，還可以簡(jiǎn)單而高效地得到圖像 對(duì)中兩個(gè)區(qū)域的余弦相似度。最后，通過(guò)在規(guī)則的超像素網(wǎng)格上使用高維積分匹配算法，最 終從圖像對(duì)中提取出最大的協(xié)同顯著區(qū)域。
[0051] 實(shí)施例1
[0052] 101 :生成顯著圖，在所述顯著圖的基礎(chǔ)上建立顯著懲罰圖；
[0053] 102 :建立魯棒的色彩模型，通過(guò)所述色彩模型獲取圖像對(duì)中兩個(gè)區(qū)域的余弦相似 度；
[0054] 103 :構(gòu)建高維積分匹配方法，通過(guò)所述高維積分匹配方法對(duì)最大協(xié)同顯著區(qū)域進(jìn) 行檢測(cè)。
[0055] 其中，所述建立魯棒的色彩模型，通過(guò)所述色彩模型獲取