一種基于位置先驗的紋理-顏色特征全局顯著性檢測方法
【專利摘要】本發(fā)明提供了一種基于位置先驗的紋理?顏色特征全局顯著性檢測方法，該方法以像素點為基本單位，在位置先驗的基礎上，分別提取圖像的顏色特征和紋理特征，通過使用某一區(qū)域與整幅圖像的對比度來計算該區(qū)域的顯著值，基于全局對比度進行顯著性檢測，分別生成對應的顏色顯著圖和紋理顯著圖，最后將三幅顯著圖歸一化，融合生成主顯著圖。該方法生成的顯著圖可以辨識出顯著物體，更加符合人類觀察結果，同時提高了精度與召回率，生成的顯著圖更加清晰，辨識度高。
【專利說明】
一種基于位置先驗的紋理-顏色特征全局顯著性檢測方法
技術領域
[0001] 本發(fā)明屬于圖像檢索和圖像識別技術領域，特別涉及一種基于位置先驗的紋理-顏色特征全局顯著性檢測方法。
【背景技術】
[0002] 人類的視覺系統(tǒng)在感知外界環(huán)境的過程中存在著極強的動態(tài)選擇性，這同時體現(xiàn) 在其視神經(jīng)系統(tǒng)的生理結構及作用機理上。以眼睛的生理結構為例，在視網(wǎng)膜盤顳側約 3.5mm處，有一個黃色小區(qū)，稱黃斑(macula lutea)，其中央的凹陷叫做中央凹，此處的視神 經(jīng)細胞分布最為密集，感知到的視覺信息最精確。中央凹雖然只占整個視覺面的〇.〇1%，但 是視神經(jīng)里10%的信息是由連接在這里的軸突傳遞到大腦。當人們觀察一個場景的時候， 并不是一次性地感知場景中的所有信息，而是基于注意轉移機制通過一系列的視點移動來 對場景進行逐步采樣。觀察者能夠利用視網(wǎng)膜中央凹的高分辨率感知機構，主動地探索環(huán) 境中的重要視覺信息。得益于這種動態(tài)選擇性行為，人類以及大多數(shù)的靈長類動物，能夠在 有限的時間內(nèi)高效靈動地處理復雜環(huán)境中的信息。這種高效感知和選擇信息的能力稱為視 覺注意機制，視覺注意機制幫助人類快速準確地處理海量視覺信息，完成相關視覺任務。
[0003] 人類的大腦具有多種選擇注意機制，利用計算機技術模擬人類的視覺選擇注意機 制，讓機器可以像人一樣去分析感知自然場景。視覺注意機制是視覺感知系統(tǒng)的一部分，針 對視覺注意機制的過程和特點，認知心理學家們提出了若干假設，其中，認知心理學家 Triesman等提出的特征融合理論和神經(jīng)生物學家Koch等提出的神經(jīng)生物學框架奠定了視 覺注意機制的可計算化，在顯著性計算中具有重要意義。Koch提出的神經(jīng)生物學框架給出 了一套完整的視覺注意機制框架，奠定了視覺注意機制建模領域重要的理論基礎。
[0004] 通過對視覺注意機制的深入研究，神經(jīng)生理學和認知心理學的研究學者們將視覺 注意機制劃分為兩個階段：
[0005] 1)快速的、任務無關的、數(shù)據(jù)驅動的自底向上的顯著性提?。?br>[0006] 2)慢速的、任務相關的、目標驅動的自頂向下的顯著性提取；
[0007] 在此基礎上，顯著性檢測也被劃分成自底向上的顯著性檢測和自頂向下的顯著性 檢測兩大類。
[0008] a)自底向上的顯著性檢測
[0009] 自底向上的顯著性檢測技術主要由刺激信號本身所引起的視覺注意，從而提取出 圖像中最具有視覺吸引力的區(qū)域。此類方法由數(shù)據(jù)驅動，與目標任務無關，通常較為快速。
[0010] 1998年，Itti等人提出了一種基于生物啟發(fā)模型和特征整合理論的視覺顯著性計 算方法。Itti模型是顯著性檢測技術中的一個重要里程碑，由其所衍生出的視覺顯著性模 型奠定了后期多特征顯著性研究的基礎。不過由于現(xiàn)階段的研究還無法精確地描述視覺系 統(tǒng)的運作原理，故在此基礎上建立的顯著性檢測方法，其結果具有較大的不確定性，得到的 顯著圖分辨率較低，精確度不高。
[0011] 2007年，Hou等人提出了一種基于譜殘留的方法來檢測圖像顯著性。該方法認為頻 譜中的統(tǒng)計奇異性是由圖像中的不規(guī)則區(qū)域造成的，而這些地方就是圖像顯著性存在的地 方。該方法基于數(shù)理計算，與圖像特征無關，因此其結果圖中通常只高亮顯著性物體的輪廓 而非整個物體，且不易提取具有紋理背景圖像中的顯著性物體。
[0012] Harel等人提出一種基于圖的視覺顯著性模型，該模型在顯著值定義上提出了新 的思路，但在特征提取方面計算量較大且多尺度計算造成顯著對象的區(qū)域模糊。
[0013] 2008年，Zhang等人提出了 一種基于貝葉斯理論和自然圖像統(tǒng)計特征的方法(SUN) 來檢測圖像的顯著性，SUN模型為很多模型提供了基本的顯著性計算框架。
[0014] 2009年，研究學者們提出決策理論模型。從決策理論的角度理解，感知系統(tǒng)需要對 周圍環(huán)境做出一個最優(yōu)的決定，這種決定基于決策理論的角度，如讓錯誤的概率最小等。因 此，此類模型的首要問題就是做出一個最優(yōu)的決策。Gao認為，對目標識別來說，顯著性特征 就是那些能從其他類中區(qū)別出來的視覺特征。
[0015] 2010年，Goferman等人提出了上下文感知的視覺顯著性檢測方法。該方法利用顯 著性準則作為先驗知識進行顯著性檢測，顯著性思路與中央-周圍機制相似，通過融合多尺 度修正與上下文感知，使得顯著圖從目標往四周顯著值逐漸降低，使得邊緣模糊化，實驗效 果較為理想。
[0016] 2011年，Cheng等人提出基于直方圖對比度的方法HC(Histogram Contrast,直方 圖對比度)和基于局部對比度的方法RC(Region Contrast,區(qū)域對比度）。實驗對比可知，HC 方法的結果圖與RC方法的結果圖相比輪廓更加清晰，顯著對象突出，然而RC方法的精度和 召回率的值要明顯高出HC方法。HC和RC方法都是通過分析局部或全局對比度從而獲得顯著 圖。局部顯著性檢測方法利用圖像區(qū)域相對于一個小的局部鄰域的稀缺度來檢測顯著性區(qū) 域，此類方法不考慮區(qū)域或像素間的全局關系且強調邊緣或噪聲，因此，此類方法傾向于在 對象的邊緣區(qū)域產(chǎn)生高顯著值，而不是均勻地突出整個對象，而且經(jīng)常高亮圖像中的具有 復雜紋理的非顯著對象。全局方法通常是考慮整幅圖像的對比關系，用一個區(qū)域和整個圖 像的對比度來計算顯著性值。此類方法具有高計算復雜度，通常應用于低分辨率圖片，且該 方法復雜度依賴于圖像分割的復雜度。
[0017] 2012年，Shen等人出一個整合自頂向下方法中的高層次特征和自底向上方法中的 低層次特征的顯著性檢測模型。該模型采用基于濾波的低層紋理特征中提取的紋理特性進 行顯著性檢測。該模型有著提取特征多，計算量大，低秩矩陣的恢復速度較慢的明顯缺點。
[0018] Wei等人提出一種基于背景屬性優(yōu)先的顯著性檢測方法。該方法精度和召回率較 好，但由于其在顯著值定義中與圖像特征無關，故其生成的顯著圖呈馬賽克形狀，只模糊表 示顯著區(qū)域，顯著對象的外貌輪廓并不清晰。
[0019] 2013年，3〇1^€61^找61'等人提出基于統(tǒng)計的紋理差異性顯著性檢測方法，該方 法提取具有旋轉不變性的、基于鄰域的紋理表示，較有效利用紋理特征，適用于先驗背景信 息不全的應用且不依賴于圖像分割方法，具有較為精準的實驗結果。但其在特征提取階段 所采用的紋理表示方法是對每一個像素計算一個57維向量，因此其計算量高。
[0020] b)自頂向下的顯著性檢測
[0021] 自頂向下的顯著性檢測技術是以具體任務為導向，通過使用方位、閾值、特征數(shù) 目、組合參數(shù)等屬性特征，對自底向上的檢測結果加以調整，從而獲得實驗結果。自頂向下 的視覺注意機制分為高層知識驅動和控制加工兩個階段，由于該機制十分復雜，故基于此 機制的顯著性檢測模型數(shù)量較少且計算繁雜。
[0022] 自頂向下的顯著性檢測通常分為兩大類。第一類方法是以檢測任務為導向，人工 設計用于檢測顯著性的模型。此類方法要求設計者明確理解且準確把握具體任務中檢測目 標(如角點和邊緣等）的結構與性質，并通過選擇映射機制將理解正確反映到模型之中，從 而建立高效的顯著性檢測模型。第二類方法是以任務示例或樣本的整體屬性或整體統(tǒng)計信 息為依據(jù)，計算機自動建立顯著性檢測模型。通過對樣本進行數(shù)理統(tǒng)計，系統(tǒng)可得到樣本中 與目標任務相關的大量統(tǒng)計信息。使用統(tǒng)計信息作為判斷的依據(jù)或計算的前提，使其獲得 自然圖像中的顯著性對象或區(qū)域。但是，由于目標任務間的差異導致模型在建立前通常需 要對大量訓練樣本中的不同物體特征進行訓練統(tǒng)計，而此過程中也通常要采用多種學習方 法以保證統(tǒng)計信息的準確率及覆蓋率，因此，這類方法具有需求量大、變化性多和計算復雜 度高的弊端。
[0023] 受此啟發(fā)，在圖像與視頻信息處理過程中引入視覺注意機制，一方面可以將有限 的計算資源分配給感興趣的目標，另一方面也能夠產(chǎn)生出符合人的視覺認知要求的結果。 在視覺注意機制的研究中，如何確定場景中信息的重要程度，也即顯著性程度，是其中最基 本的問題。在圖像的顯著性計算中，圖像的顯著區(qū)域是指引起視覺注意的區(qū)域，該區(qū)域通常 只占整幅圖像中的一部分，但卻包含了整幅圖像的核心信息。顯著性檢測的核心問題就是 如何從一幅圖像中提取出有效、精準的顯著區(qū)域，從而使計算機的圖像信息處理可模擬人 的視覺主動性和選擇性。
[0024]在實際的處理中，具有紋理背景且顯著性對象和背景有著相似特征的圖像，其顯 著性檢測結果有時不能在不同顯著性檢測方法中獲得一致認同，而這類圖像的顯著性通常 在人類主觀評價中可獲得一致認同；同時有多個部分且與背景有著明顯不同特征顯著性對 象的圖像檢測得到的顯著性結果通常在各種模型中能獲得一致認同，但在人類主觀評價中 不能獲得一致認同。因此，目前為止的顯著性檢測方法和模型在具有復雜內(nèi)容或復雜紋理 背景的自然圖像上的性能仍具有一定局限性和不足，因此，如何提高顯著性檢測方法在復 雜圖像上的性能是本領域急需解決的問題。

【發(fā)明內(nèi)容】

[0025]本發(fā)明的目的是提出一種基于位置先驗的紋理-顏色特征全局顯著性檢測方法， 以像素點為基本單位，在位置先驗的基礎上，分別提取圖像的顏色特征和紋理特征，通過使 用某一區(qū)域與整幅圖像的對比度來計算該區(qū)域的顯著值，基于全局對比度進行顯著性檢 測，分別生成對應的顏色顯著圖和紋理顯著圖，最后將三幅顯著圖歸一化，融合生成主顯著 圖。
[0026]現(xiàn)有的方法對于具有復雜紋理背景、顯著性物體和背景相似的圖像進行顯著性檢 測時，其結果間存在較大差異性。對比可知，基于多種圖像特征的顯著性檢測方法得到的顯 著圖中的顯著對象，其輪廓更為清晰，更加貼合人類視覺感受，但當提取的特征類型和數(shù)量 過多時，會造成計算復雜且特征間的相互抑制導致顯著圖模糊。
[0027] 一種基于位置先驗的紋理-顏色特征全局顯著性檢測方法，包括以下步驟：
[0028]步驟1:獲取待檢測圖像；
[0029]步驟2:利用基于位置先驗方法對待檢測圖像處理，獲取位置顯著圖A(x)、顏色顯 著圖B(x)以及紋理顯著圖C(x);
[0030] 其中，所述位置顯著圖中每個像素的位置先驗分布值p(x)按照以下公式計算獲 得：
[0031] p(x) =exp(-d(x,c)/82)
[0032] x表示待檢測圖像f(x)中的像素，d(x，c)表示像素 x和待檢測圖像中心點的距離，S 為標準差，取值范圍為0.3_0.6;
[0033] 步驟3:將位置顯著圖、顏色顯著圖以及紋理顯著圖進行線性融合處理，生成主顯 著圖I(x):
[0034] I(x) =aA(x)+0B(x)+ y C(x) ,a+0+ y =1 ；
[0035]其中，a、P及y分別為位置顯著圖、顏色顯著圖以及紋理顯著圖的權重因子。
[0036]所述顏色顯著圖B(x)中每個像素 Ik的顏色顯著值S(Ik)按下面公式計算獲得：
[0037] -S(/A ) =
[0038] 其中，ci是像素點Ik的顏色值，n是顏色值總數(shù)，fj是顏色值cj在圖像I中出現(xiàn)的概 率;Ddh)是指像素 Ik與圖像中任意像素點I^Lab空間中的顏色距離。
[0039] 每個像素的顏色顯著值是指該像素的顏色值與圖像中每個像素在Lab空間中的顏 色距離度量之和；
[0040] 通過人類視覺注意機制可知，視覺系統(tǒng)對于特征信息的對比度具有高敏感性。對 輸入圖像的顏色特征進行統(tǒng)計，基于統(tǒng)計信息定義像素點的顯著值。
[0041] 具體而言，像素點的顯著值是用該點處的顏色值和其他像素點的顏色值間的對比 度定義的。圖像I中像素點Ik的顯著值定義為:S(&) = //)
[0042] D(Ik，Ii)是像素 Ik和Ii在Lab空間中的顏色距離度量。對上述公式擴展成為：
[0043] S(Ik)=D(Ik,Ii)+D(Ik,I2)+---+D(Ik,lN)
[0044] 其中，N是圖像I中的像素總數(shù)。
[0045] 由于此定義忽略了空間關系，因此顏色值相同的像素具有相同的顯著值。將具有 相同顏色值W的像素聚集在一起，得到每種顏色的顯著值的定義公式。
[0046]所述紋理顯著圖C(x)的獲取過程如下：
[0047]首先，通過采用局部二值模式LBP提取每個像素點的紋理特征；
[0048]其次，根據(jù)LBP均勻模式對每個像素點的紋理特征進行降維處理獲得LBP紋理直方 圖，以LBP紋理直方圖作為紋理顯著圖。
[0049]圖像的紋理特征描述圖像對應景物的表面性質，具有旋轉不變性且對噪聲有較強 抵抗力。但紋理特征會受到圖像分辨率的影響，光照及反射情況也會導致紋理信息發(fā)生變 化?；诩y理特征的顯著性檢測方法的首要問題就是選擇合適的紋理特征表示法去區(qū)分顯 著區(qū)域和非顯著區(qū)域。
[0050] 具體步驟如下獲得：
[0051] 采用Ojala提出的局部二值模式(LBP)的均勻模式，該模式的基本思想是每個像素 點映射為一個8位的二進制數(shù)組合，該組合是將像素點與其8領域的像素點進行灰度值比 較，小于中心像素的灰度值記為〇,反之記為1，LBP計算定義為 [21]:
[0052] LBP(r v ) = 2Ps(ip - Q
[0053]其中（xc，yc)是中心像素點，ic是中間像素點的灰度值，i P是相鄰像素點的灰度值。 [0054]為減少二進制模式種類數(shù)量，Ojala提出了LBP的均勻模式，該模式為：
[0055] LBPplf = S^lp ~ L,:^1 U^LBPp !^ ~ 2 '" ( P + 1, otherwise
[0056]其中p表示鄰域集內(nèi)的采樣點數(shù)。
[0057] 通過計算LBP紋理直方圖中各紋理原子間的差異性和加入中心位置偏移先驗知識 對紋理直方圖進行修正，獲得各紋理原子的顯著值，更新紋理顯著圖C(x)。
[0058]生成LBP紋理直方圖后，通過計算紋理原子間的差異性和加入中心位置偏移先驗 知識予以修正，紋理原子t的顯著值^定義為：
[0060] 其中，&是紋理原子。與其他紋理原子的差異性，
丨是圖像I(x)中。出現(xiàn)的概 率，％是圖像I(x)中屬于U紋理原子的像素總數(shù)
是計算紋理模式為U的像素 點與圖像中心點x。的空間近似權值。
[0061] 所述位置顯著圖是利用基于位置先驗方法對待檢測圖像處理后，對處理后的圖像 計算Harr i S角點，以Harr i S角點作為顯著點獲得。
[0062]高斯分布中，上標越接近零，值越大概率越大，而當一個像素與中心的距離越小 時，該值越大，越符合人類視覺觀點。離中心點越近，顯著度相應越高，中心點的獲取，是能 否成功生成較好的位置先驗圖的關鍵，利用Harris角點代替顯著點。
[0063] 有益效果
[0064]本發(fā)明提供了一種基于位置先驗的紋理-顏色特征全局顯著性檢測方法。該方法 基于位置先驗，提取圖像的位置特征和紋理特征，分別經(jīng)過量化和聚類保留高頻特征，按照 視覺規(guī)則定義計算高頻特征的顯著值，生成相應的位置先驗顯著圖、顏色顯著圖和紋理顯 著圖，將顯著圖歸一化線性融合，生成主顯著圖。通過大量的實驗結果表明，該方法生成的 顯著圖可以辨識出顯著物體，更加符合人類觀察結果，同時提高了精度與召回率，生成的顯 著圖更加清晰，辨識度高。
【附圖說明】
[0065] 圖1為本發(fā)明所述方法的流程示意圖；
[0066] 圖2為本發(fā)明所述方法的運行步驟示意圖；
[0067] 圖3為不同w權值設置下的P-R對比圖，其中，（a)中whc = 0 ? 5，wlbp = 0 ? 5，（b)中whc = 0.7, wlbp = 0.3；
[0068] 圖4為不同方法的精度、召回率和F-measure對比圖；
[0069]圖5為不同的顯著性檢測方法提取的顯著圖對比示意圖，其中，（a)為原始圖，（b) 為采用FT方法，（c)為采用HC方法，（d)為采用LC方法，（e)為采用RC方法，（f)為采用SR方法， (g)為采用TCH方法。
【具體實施方式】
[0070] 下面將結合附圖和實施例對本發(fā)明做進一步的說明。
[0071] 如圖1和圖2所示，一種基于位置先驗的紋理-顏色特征全局顯著性檢測方法，包括 以下步驟：
[0072] 步驟1:獲取待檢測圖像；
[0073]步驟2:利用基于位置先驗方法對待檢測圖像處理，獲取位置顯著圖A(x)、顏色顯 著圖B(x)以及紋理顯著圖C(x);
[0074] 其中，所述位置顯著圖中每個像素的位置先驗分布值p(x)按照以下公式計算獲 得：
[0075] p(x) =exp(-d(x,c)/82)
[0076] x表示待檢測圖像f (x)中的像素 ，d (x，c)表示像素 x和待檢測圖像中心點的距離，S 為標準差，取值范圍為0.3_0.6;
[0077] 步驟3:將位置顯著圖、顏色顯著圖以及紋理顯著圖進行線性融合處理，生成主顯 著圖I(x):
[0078] I(x) =aA(x)+0B(x)+ y C(x) ,a+0+ y =1 ；
[0079]其中，a、P及y分別為位置顯著圖、顏色顯著圖以及紋理顯著圖的權重因子。
[0080]所述顏色顯著圖B(x)中每個像素 Ik的顏色顯著值S(Ik)按下面公式計算獲得：
[0081] S(/,;) = Z ⑴ 〇(/,'，/,)
[0082] 其中，ci是像素點Ik的顏色值，n是顏色值總數(shù)，fj是顏色值cj在圖像I中出現(xiàn)的概 率;Ddh)是指像素 Ik與圖像中任意像素點I^Lab空間中的顏色距離。
[0083] 每個像素的顏色顯著值是指該像素的顏色值與圖像中每個像素在Lab空間中的顏 色距離度量之和；
[0084] 通過人類視覺注意機制可知，視覺系統(tǒng)對于特征信息的對比度具有高敏感性。對 輸入圖像的顏色特征進行統(tǒng)計，基于統(tǒng)計信息定義像素點的顯著值。
[0085] 具體而言，像素點的顯著值是用該點處的顏色值和其他像素點的顏色值間的對比 度定義的。圖像I中像素點Ik的顯著值定義為：
[0086] S(/t) = Sv/,e/ Z)(K)
[0087] D(Ik，Ii)是像素 Ik和Ii在Lab空間中的顏色距離度量。對上述公式擴展成為：
[0088] S(Ik)=D(Ik,Ii)+D(Ik,I2)+---+D(Ik,lN)
[0089] 其中，N是圖像I中的像素總數(shù)。
[0090] 由于此定義忽略了空間關系，因此顏色值相同的像素具有相同的顯著值。將具有 相同顏色值W的像素聚集在一起，得到每種顏色的顯著值的定義公式。
[0091] 所述紋理顯著圖C(x)的獲取過程如下：
[0092] 首先，通過采用局部二值模式LBP提取每個像素點的紋理特征；
[0093]其次，根據(jù)LBP均勻模式對每個像素點的紋理特征進行降維處理獲得LBP紋理直方 圖，以LBP紋理直方圖作為紋理顯著圖。
[0094]圖像的紋理特征描述圖像對應景物的表面性質，具有旋轉不變性且對噪聲有較強 抵抗力。但紋理特征會受到圖像分辨率的影響，光照及反射情況也會導致紋理信息發(fā)生變 化?；诩y理特征的顯著性檢測方法的首要問題就是選擇合適的紋理特征表示法去區(qū)分顯 著區(qū)域和非顯著區(qū)域。
[0095]具體步驟如下獲得：
[0096]采用Ojala提出的局部二值模式(LBP)的均勻模式，該模式的基本思想是每個像素 點映射為一個8位的二進制數(shù)組合，該組合是將像素點與其8領域的像素點進行灰度值比 較，小于中心像素的灰度值記為〇，反之記為1，LBP計算定義為：
[0097] LBP(x"xO =Zp：〇 2^s(ip - i,)
[0098] 其中（Xc；，y。)是中心像素點，i。是中間像素點的灰度值，iP是相鄰像素點的灰度值。 [0099]為減少二進制模式種類數(shù)量，Ojala提出了LBP的均勻模式，該模式為：
[0100] LBP0H2 = _ Lc)> ^ 2 ? 'l i P + 1, otherwise
[0101] 其中p表示鄰域集內(nèi)的采樣點數(shù)。
[0102] 通過計算LBP紋理直方圖中各紋理原子間的差異性和加入中心位置偏移先驗知識 對紋理直方圖進行修正，獲得各紋理原子的顯著值，更新紋理顯著圖C(x)。
[0103] 生成LBP紋理直方圖后，通過計算紋理原子間的差異性和加入中心位置偏移先驗 知識予以修正，紋理原子t的顯著值^定義為：
[0105] 其中，私是紋理原子^與其他紋理原子的差異性
I是圖像I(x)中^出現(xiàn)的概 率，是圖像I(x)中屬于U紋理原子的像素總數(shù)
是計算紋理模式為t的像素 點與圖像中心點x。的空間近似權值。
[0106] 所述位置顯著圖是利用基于位置先驗方法對待檢測圖像處理后，對處理后的圖像 計算Harr i S角點，以Harr i S角點作為顯著點獲得。
[0107]高斯分布中，上標越接近零，值越大概率越大，而當一個像素與中心的距離越小 時，該值越大，越符合人類視覺觀點。離中心點越近，顯著度相應越高，中心點的獲取，是能 否成功生成較好的位置先驗圖的關鍵，利用Harris角點代替顯著點。
[0108] 本發(fā)明所提出的顯著性檢測方法利用Microsoft Visual Studio2010和 0PENCV2.4.7實現(xiàn)，利用MATLAB R201 lb對實驗數(shù)據(jù)進行分析，計算精度、召回率、F-measure，生成柱狀圖和P-R曲線圖。
[0109]為驗證本發(fā)明提出的方法的性能，從Cheng建立的THUS10000數(shù)據(jù)集中隨機抽取 300張形成子數(shù)據(jù)集THUS300，該數(shù)據(jù)集包含圖像及其所對應的Ground Truth圖。顯著性檢 測方法生成輸入圖像的顯著圖，將顯著圖與其對應的GT圖比較計算生成精度-召回率曲線。
[0110]其中，TCHC顯著圖為HC顯著圖、LBPT顯著圖以及位置先驗圖通過權重W線性融合生 成。通過實驗對比發(fā)現(xiàn)(如圖3所示），當增大時，該方法的精度和召回率會有明顯提升，但顯 著圖的視覺效果會相應下降，為取得主觀評價和客觀評價間的平衡，設定 WHC = 〇.7，wlBP = 0.3〇
[0111]本發(fā)明將提出的計算方法與另外5種顯著性檢測方法進行比較，生成顯著圖，計算 精度、召回率、F-measure和P-R曲線，這5種方法分別是:SR方法、HC方法、RC方法、FT方法和 LC方法，其中，SR表不Spectral Residual Approach，即剩余光譜方法，HC表不Histogram Contrast，即全局對比度顯著性檢測方法，RC表示Region Contrast，即基于局部對比度方 法，F(xiàn)T表示Frequency-tuned，即頻率調整，LC表示基于對比度的顯著性檢測;為了獲得精度 和召回率，首先用一個固定閾值對顯著圖進行分割，該閾值固定在一定灰度值范圍內(nèi)。將顯 著圖歸一化到[0,255]內(nèi)，即采用256個閾值對顯著圖進行分割。
[0112]假設一張顯著圖由某個閾值分割得到二值化圖B，其中前景像素點的個數(shù)為Bn，該 圖像所對應的GT圖中的前景像素點個數(shù)為Gn，定義tpSB4PGn的交集。則由以下2個公式分 別計算本方法在圖像i上的精度和召回率。
[0115] 統(tǒng)計該方法在數(shù)據(jù)集上的所有精度和召回率。各方法的精度、召回率和F-measure 值的對比如圖4所示，P-R曲線圖如圖3所示。從圖4可知，TCHC方法的精度和召回率值明顯高 于FT、LC和SR，相較于HC方法，本發(fā)明提出的TCHC方法的召回率有明顯提高，但略低于RC方 法。
[0116] 圖5展示了本發(fā)明提出的TCHC方法和其他5種方法所生成的顯著圖。該圖從數(shù)據(jù)集 中選擇具有復雜紋理信息或雜亂背景的10張圖片進行示例，可以看出與FT、RC和SR的結果 圖相比，TCHC顯著圖具有較好的視覺效果，清晰地標識出顯著對象或區(qū)域;此外，TCHC顯著 圖比HC顯著圖強調了圖像的紋理性。HC顯著圖中，顯著對象內(nèi)部由于顏色值的差異存在亮 度不均問題，而同一對象通常具有同種或近似的紋理特征，故TCHC顯著圖更好的保持了顯 著對象內(nèi)部的一致性。圖中雖然TCHC的召回率和精度略低于低于RC，但從圖中亦可看出相 對來說，RC的顯著圖質量較低，不能清晰的標識出顯著對象，這是由于TCHC方法有效地保證 了對象或區(qū)域內(nèi)部顯著性的一致性，從而更加清晰地顯示顯著對象。
【主權項】
1. 一種基于位置先驗的紋理-顏色特征全局顯著性檢測方法，其特征在于，包括W下步 驟： 步驟1:獲取待檢測圖像； 步驟2:利用基于位置先驗方法對待檢測圖像處理，獲取位置顯著圖A(x)、顏色顯著圖B (X) W及紋理顯著圖CU); 其中，所述位置顯著圖中每個像素的位置先驗分布值P(X)按照W下公式計算獲得： p(x) = exp(-d(x,c)/5^) X表示待檢測圖像f (X)中的像素，d(x，c)表示像素 X和待檢測圖像中屯、點的距離，S為標 準差，取值范圍為0.3-0.6; 步驟3:將位置顯著圖、顏色顯著圖W及紋理顯著圖進行線性融合處理，生成主顯著圖I (X): I(X) =aA(x)+郎(X)+ 丫 C(X) ,a+0+ 丫 = 1; 其中，a、e及丫分別為位置顯著圖、顏色顯著圖W及紋理顯著圖的權重因子。2. 根據(jù)權利要求1所述的方法，其特征在于，所述顏色顯著圖B(X)中每個像素 Ik的顏色 顯著值S(Ik)按下面公式計算獲4曰其中，Cl是像素點Ik的顏色值，n是顏色值總數(shù)，。是顏色值C廟圖像I中出現(xiàn)的概率;D (Ik，I i)是指像素 Ik與圖像中任意像素點I i在Lab空間中的顏色距離。3. 根據(jù)權利要求1或2所述的方法，其特征在于，所述紋理顯著圖CU)的獲取過程如下： 首先，通過采用局部二值模式LBP提取每個像素點的紋理特征； 其次，根據(jù)LBP均勻模式對每個像素點的紋理特征進行降維處理獲得LBP紋理直方圖， WLBP紋理直方圖作為紋理顯著圖。4. 根據(jù)權利要求3所述的方法，其特征在于，通過計算LBP紋理直方圖中各紋理原子間 的差異性和加入中屯、位置偏移先驗知識對紋理直方圖進行修正，獲得各紋理原子的顯著 值，更新紋理顯著圖C(X)D5. 根據(jù)權利要求1-4任一項所述的方法，其特征在于，所述位置顯著圖是利用基于位置 先驗方法對待檢測圖像處理后，對處理后的圖像計算化rris角點，W化rris角點作為顯著 點獲得。
【文檔編號】G06T7/00GK105913463SQ201610222464
【公開日】2016年8月31日
【申請日】2016年4月11日
【發(fā)明人】陳再良, 魏浩, 沈海瀾, 寇宏波, 薛奇, 彭鵬, 廖勝輝
【申請人】中南大學