一種基于背景對(duì)比的顯著性檢測(cè)方法
【專利摘要】本發(fā)明涉及一種基于背景對(duì)比的顯著性檢測(cè)方法。包含六個(gè)步驟：輸入圖像I、對(duì)圖像I進(jìn)行過度分割、計(jì)算背景顯著性、計(jì)算圖像顏色對(duì)比顯著性、計(jì)算圖像緊湊度顯著性、得到最終的顯著性。其中步驟2中的過度分割又包括將輸入圖像I轉(zhuǎn)換成視覺上均勻的CIELAB顏色空間、用一個(gè)17維濾波器對(duì)上述轉(zhuǎn)換結(jié)果進(jìn)行卷積，這個(gè)濾波器由高斯濾波器，高斯導(dǎo)數(shù)濾波器，拉普拉斯算子的高斯濾波器組成、采用歐氏距離K?均值聚類算法對(duì)圖像進(jìn)行無監(jiān)督聚類、每個(gè)像素被分配到最近的群集中心，最終產(chǎn)生過分割圖像。本發(fā)明的方法相比對(duì)整個(gè)圖像的計(jì)算對(duì)比度的方法更加穩(wěn)健，生成的顯著圖與人眼標(biāo)識(shí)的結(jié)果最接近，在自然場(chǎng)景圖像處理上十分有效。
【專利說明】
一種基于背景對(duì)比的顯著性檢測(cè)方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及圖像數(shù)據(jù)處理領(lǐng)域的圖像分析技術(shù)，具體涉及一種基于背景對(duì)比的顯 著性檢測(cè)方法。
【背景技術(shù)】
[0002] 顯著性檢測(cè)在計(jì)算機(jī)視覺研究領(lǐng)域是一個(gè)具有挑戰(zhàn)性的問題，并且也是許多應(yīng)用 中的一個(gè)重要任務(wù)，如對(duì)象識(shí)別，圖像編碼，圖像編輯，圖像分割，以及視頻跟蹤等。通過大 量的努力，許多成功的顯著的檢測(cè)方法已被開發(fā)出來，
[0003] 它們大致分為自上而下（監(jiān)督）的方法和自底向上(無監(jiān)督）的方法兩大類型。前者 常常用從訓(xùn)練過程構(gòu)建的視覺知識(shí)描述顯著信息，然后再用這種知識(shí)來在測(cè)試圖像進(jìn)行顯 著性檢測(cè);后者通常依據(jù)與周邊不含任何顯著區(qū)域或物體優(yōu)先權(quán)的鄰域的差異程度確定一 個(gè)像素的顯著性。
[0004] 最近的研究已經(jīng)表明，基于自底向上的方法的計(jì)算模型是相當(dāng)成功的，非常適合 擴(kuò)展到大型數(shù)據(jù)集。感知方面的研究和以前的方法的結(jié)果表明，對(duì)自底向上的視覺顯著性 最有影響力的因素是對(duì)比度。Niloy J.Mitra等人提出了基于全局對(duì)比度的顯著性區(qū)域檢 測(cè)方法，也就是直方圖對(duì)比度法(histogram-based contrast，簡(jiǎn)稱HC)和基于空間信息增 強(qiáng)的區(qū)域?qū)Ρ榷确?region contrast，簡(jiǎn)稱RC)。HC方法是高效的且產(chǎn)生的結(jié)果具有精細(xì)的 細(xì)節(jié);RC方法生成空間增強(qiáng)的高質(zhì)量顯著圖，但是計(jì)算效率較低。并且此方法對(duì)高紋理圖像 的處理能力較弱。YANG等人提出了一種基于全局顏色對(duì)比的顯著性目標(biāo)檢測(cè)方法，首先提 取全局顏色對(duì)比度特征，把顯著圖和全局顏色對(duì)比的顯著性目標(biāo)檢測(cè)算法框架中，得到二 值顯著性掩模，最后經(jīng)區(qū)域描繪子計(jì)算得到包含顯著性目標(biāo)的最小外接矩形。
[0005] 自上而下和自底向上這兩種方法往往只依賴于區(qū)域中心環(huán)繞對(duì)比度或全局對(duì)比 的顯著性。依賴于區(qū)域中心環(huán)繞對(duì)比度的算法往往是不精細(xì)的，而全局對(duì)比的顯著性檢測(cè) 方法忽視了圖像各部分之間的空間關(guān)系，在圖像邊緣處的物體檢測(cè)不完全。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明要解決的技術(shù)問題是針對(duì)上述自上而下和自底向上這兩種方法中因?yàn)橹?依賴于區(qū)域中心環(huán)繞對(duì)比度或全局對(duì)比的顯著性而產(chǎn)生的顯著性算法不精細(xì)或在圖像邊 緣處的物體檢測(cè)不完全的問題。
[0007] 鑒于此，基于背景區(qū)域的對(duì)比度在這個(gè)過程中也起著重要的作用，本發(fā)明提出一 種基于背景對(duì)比的顯著性檢測(cè)方法，包含以下步驟：
[0008] 步驟1:輸入圖像I;
[0009] 步驟2:對(duì)圖像I進(jìn)行過度分割；
[0010] 步驟3:通過公式
0計(jì)算背景顯
(
[0013] 步驟6:根據(jù)上述步驟3、4、5分別得到的SBs(ri)，Sccs(ri)，Scs(ri)，通過公式S(ri)= S'ccs(ri) · S，cs(ri)，得至Ij最終的顯著性，其中S，ccs(ri) = Sccs(ri) · SFs(ri)，S，cs' = Scs (ri) · SFs(ri)，SFs(ri) = exp{-a · SBs(ri)}〇
[0014] 進(jìn)一步，上述步驟2包括如下步驟：
[0015] 步驟2-1 :將輸入圖像I轉(zhuǎn)換成視覺上均勻的CIELAB顏色空間；
[0016] 步驟2-2:用一個(gè)17維濾波器對(duì)步驟2-1的結(jié)果進(jìn)行卷積，這個(gè)濾波器由高斯濾波 器，高斯導(dǎo)數(shù)濾波器，拉普拉斯算子的高斯濾波器組成；
[0017] 步驟2-3:采用歐氏距離K-均值聚類算法對(duì)圖像進(jìn)行無監(jiān)督聚類；
[0018] 步驟2-4:每個(gè)像素被分配到最近的群集中心，以產(chǎn)生過分割圖像。
[0019] 有益效果：
[0020] 1、本發(fā)明中，候選區(qū)域可以根據(jù)背景的空間分布自動(dòng)生成，利用背景區(qū)域的空間 分布，來對(duì)背景的顯著性進(jìn)行編碼。而且采用了顏色對(duì)比度和緊湊度，對(duì)前景顯著性進(jìn)行編 碼。
[0021] 2、本發(fā)明使用相對(duì)于背景的對(duì)比度，要比相對(duì)整個(gè)圖像的計(jì)算對(duì)比度的方法更加 穩(wěn)健，生成的顯著圖與人眼標(biāo)識(shí)的結(jié)果最接近。
[0022] 3、本發(fā)明的方法在MSRA1000數(shù)據(jù)集進(jìn)行了測(cè)試，測(cè)試結(jié)果證明在自然場(chǎng)景圖像處 理上十分有效。另外，根據(jù)本發(fā)明得到的精度一召回率曲線和F值圖，也得出本發(fā)明優(yōu)于本 領(lǐng)域其他12種顯著性檢測(cè)方法的結(jié)論。同時(shí)與人眼表示的結(jié)果相比，本發(fā)明的效果也十分 有效。
【附圖說明】
[0023] 圖1為本發(fā)明的方法流程圖。
[0024] 圖2為本發(fā)明中各步驟得到的顯著圖。
[0025]圖3為本發(fā)明中的背景顯著圖。
[0026]圖4為本發(fā)明中的顏色對(duì)比顯著圖。
[0027]圖5為本發(fā)明中的緊湊度顯著圖。
[0028] 圖6為召回率曲線和F值圖。
【具體實(shí)施方式】
[0029]下面結(jié)合說明書附圖對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說明。
[0030]本發(fā)明中使用的英文縮略語的含義如下：
[0031 ] BS表不背景顯著度（Background Saliency);
[0032] CCS表不顏色對(duì)比顯著度（Color Contrast Saliency);
[0033] CS表示緊湊度顯著度（Compactness Saliency);
[0034] FS表示前景顯著度（Foreground Saliency)。
[0035] 本發(fā)明解決其技術(shù)問題所采取的技術(shù)方案是：引入了一個(gè)自底向上的顯著性檢測(cè) 框架，使用相對(duì)于的背景候選區(qū)域的對(duì)比。輸入圖像首先被過度分割成許多均勻的分割塊。 由于背景區(qū)域往往占據(jù)圖像中比較多的區(qū)域，并一直延伸到圖像的邊緣，由此可得到背景 的顯著圖，如圖2(c)，離圖像中心遠(yuǎn)的區(qū)域的背景顯著值高。除了通過利用背景區(qū)域的空間 分布，來對(duì)背景的顯著性進(jìn)行編碼，本發(fā)明也采用了顏色對(duì)比度和緊湊度，對(duì)前景顯著性進(jìn) 行編碼。背景候選區(qū)域根據(jù)背景的顯著圖被抽象后，如圖2(d)所示，通過計(jì)算每一個(gè)分割塊 相對(duì)于其背景區(qū)域的對(duì)比度，最后得到顏色對(duì)比顯著值。緊湊性顯著值是根據(jù)完形法則產(chǎn) 生，說明形狀規(guī)則的區(qū)域往往更加顯著，反之則不。結(jié)合這三個(gè)顯著圖，能夠得到最終的顯 著圖，如圖2(f)。
[0036]方法流程包含以下步驟：
[0037]步驟1:輸入圖像I;
[0038]步驟2:對(duì)圖像I進(jìn)行過度分割；
[0042] 步驟6:根據(jù)上述步驟3、4、5分別得到的SBs(ri)，S(xs(ri)，Scs(ri)，通過公式S(ri)= S'ccs(ri) · S，cs(ri)，得至Ij最終的顯著性，其中S，ccs(ri) = Sccs(ri) · SFs(ri)，S，cs' = Scs (ri) · SFs(ri)，SFs(ri) = exp{-a · SBs(ri)}。
[0043] 進(jìn)一步，上述步驟2包括如下步驟：
[0044] 步驟2-1:將輸入圖像I轉(zhuǎn)換成視覺上均勻的CIELAB顏色空間；
[0045] 步驟2-2:用一個(gè)17維濾波器對(duì)步驟2-1的結(jié)果進(jìn)行卷積，這個(gè)濾波器由高斯濾波 器，高斯導(dǎo)數(shù)濾波器，拉普拉斯算子的高斯濾波器組成；
[0046] 步驟2-3:采用歐氏距離K-均值聚類算法對(duì)圖像進(jìn)行無監(jiān)督聚類；
[0047] 步驟2-4:每個(gè)像素被分配到最近的群集中心，以產(chǎn)生過分割圖像。
[0048] 如圖2(b)所示，第一步是，根據(jù)原始圖像的原始像素強(qiáng)度生成一系列分割塊。其 中，較小的均勻的分割塊，在圖像中有明顯邊界的區(qū)域，對(duì)檢測(cè)顯著對(duì)象有用。
[0049] 輸入圖像首先被轉(zhuǎn)換成視覺上均勻CIELAB顏色空間，然后用一個(gè)17維濾波器進(jìn)行 卷積，這個(gè)濾波器由高斯濾波器，高斯導(dǎo)數(shù)濾波器，拉普拉斯算子的高斯濾波器組成。然后 采用歐氏距離K-均值聚類算法進(jìn)行無監(jiān)督聚類。最后，每個(gè)像素被分配到最近的群集中心， 以產(chǎn)生過分割圖像。雖然這些被分割的區(qū)域往往是大小和形狀高度不規(guī)則的，但是本發(fā)明 的優(yōu)點(diǎn)是，它可以將具備相似的外觀的且較大的均勻區(qū)域聚合起來，同時(shí)將異質(zhì)區(qū)域再分 成許多更小的塊。
[0050] 具體的獲取圖像顯著值的實(shí)現(xiàn)過程如下：
[0051] (1)背景顯著圖的獲取
[0052] a.如圖3(a)所示給定一個(gè)大小為WXH的輸入圖像I，W和H分別是圖像的寬度和高 度。首先建立坐標(biāo)系，以圖像左上點(diǎn)為坐標(biāo)原點(diǎn)建立坐標(biāo)系，水平和垂直方向分別表示:X軸 和y軸，帶阻濾波器Fh(x，W)在X軸上定義：
[0053]
[0054] X是X軸坐標(biāo)，參數(shù)τ控制上限，η控制帶阻濾波器的形狀。
[0055]匕類似地在7軸上定義?'?(7，!〇。
[0056] c .如圖3 (c )所示，區(qū)域ri的（X，y )上有L個(gè)像素。計(jì)算ri的歸一化空間分布 /<U：)，,分別通過計(jì)算X軸，y軸上的像素?cái)?shù)得到。
[0057] d.背景顯著性定義為Γι中所有像素的加權(quán)平均濾波響應(yīng)：
[0058]
[0059]因此，那些遠(yuǎn)離圖像中心且大而均勻的區(qū)域?qū)⒈戎行膮^(qū)域，分配到更多的顯著值， 如圖3(d)所示。
[0060] (2)顏色顯著圖的獲取
[0061]經(jīng)常發(fā)生這樣的情況:顯著對(duì)象沒有正好處于圖像的中心，但是目標(biāo)區(qū)域的顏色 相對(duì)于整個(gè)場(chǎng)景仍然大有不同。所以本發(fā)明中選擇選擇基于候選背景區(qū)域的對(duì)比度進(jìn)行計(jì) 算，而不是基于整個(gè)圖像來計(jì)算顯著值。根據(jù)上述步驟三中的BS，選擇具有較高的顯著性和 較大尺寸的作為候選背景區(qū)域。
[0062]選定{81，82，"_%}作為候選背景區(qū)域。然后計(jì)算在1?^顏色空間里分割塊^的色彩 差異顯著(CCS):
[0065] (3)緊湊度顯著圖的獲取
[0066] 背景區(qū)域分布在整個(gè)圖像，表現(xiàn)出高度的空間異質(zhì)性，而前景對(duì)象通常更緊湊并 且有規(guī)則的形狀。根據(jù)這樣的性質(zhì)，本發(fā)明定義緊湊顯著性(CS):
[0067]
[0068] 其中，L是η中的像素?cái)?shù)，Df⑴，Df 〇；)分別是ri在X軸，y軸上的像素?cái)?shù)分布，N (·)表示高斯核函數(shù)，
，參數(shù)Pi為核函數(shù)中心，Oi設(shè)為min{W，H}。圖5展 示了 CS的計(jì)算結(jié)果
[0069] (4)綜合顯著圖的獲取
[0070]本發(fā)明中，假設(shè)三種測(cè)量是獨(dú)立的。一開始將BS，CCS和CS規(guī)范化至[0，1]。在實(shí)踐 中發(fā)現(xiàn)，BS在表示背景時(shí)，具有更高的辨別力。因此，本發(fā)明使用一個(gè)指數(shù)函數(shù)以強(qiáng)調(diào)前景 顯著度(FS)為：
[0071] SFS(ri)=exp{-a · SBS(ri)}，其中，α是縮放因子。
[0072]若僅使用CCS和CS可能突出一些背景區(qū)域（如圖2所示），產(chǎn)生了錯(cuò)誤的顯著性分 配。為了彌補(bǔ)這一缺陷，本發(fā)明中乘FS對(duì)其進(jìn)行修改，以消除背景的影響干擾：
[0073] S'ccs(ri) = Sccs(ri) · Sfs(Ti)
[0074] S'cs'=Scs(ri) · SFS(ri)
[0075] 最終的顯著圖定義為:S(ri) = S'ccs(ri) · S'cs(ri)
[0076] 顯著圖S(ri)歸一化到固定范圍[0,255]，Γι的每個(gè)圖像像素分配到一個(gè)顯著值S (ri)〇
[0077] 召回率(Recall)和精度(precis ion)是用來評(píng)價(jià)結(jié)果的質(zhì)量的兩個(gè)度量值。其中 召回率是是檢索出的相關(guān)文檔數(shù)和文檔庫中所有的相關(guān)文檔數(shù)的比率，衡量的是檢索系統(tǒng) 的查全率。精度是檢索出的相關(guān)文檔數(shù)與檢索出的文檔總數(shù)的比率，衡量的是檢索系統(tǒng)的 查準(zhǔn)率?？梢詫⑦@兩個(gè)度量值融合成一個(gè)度量值一一F值(F-measure)。用本發(fā)明的方法在 MSRA數(shù)據(jù)庫中進(jìn)行大量測(cè)試得到顯著圖。繪制本發(fā)明的方法與其他12種方法的精度一召回 率曲線和F值圖，如圖6所示，發(fā)現(xiàn)本發(fā)明的方法無論是在召回率還是精度方面都高于其他 12種方法，說明本發(fā)明的方法有效性優(yōu)于其他12種方法。
【主權(quán)項(xiàng)】
1. 一種基于背景對(duì)比的顯著性檢測(cè)方法，其特征在于包括如下步驟： 步驟1:輸入圖像I; 步驟2:對(duì)圖像I進(jìn)行過度分割；/<(λ·)分別通過計(jì)算軸上的像素?cái)?shù)得到；計(jì)算圖像顏色對(duì)比顯著性 Sccsir,),^ , ^ df = (c!! {r;)-cb(B ,))1 , cK (), cG( · )，cB( ·)分別是RGB信道里平均顏色；緊湊度顯著性Scs(ri)，其中Ι^Γι中的像素?cái)?shù)，A.:_^⑴，O'）分別是r^x軸，y軸上的像素 數(shù)分布，參數(shù)W為核函數(shù)中心，〇i設(shè)為min{W，H}; 步驟6:根據(jù)上述步驟3、4、5分別得到的SBs(ri)，S(xs(ri)，Scs(ri)，通過公式S(ri) = S'ccs (ri) · S'cs(ri)，得到最終的顯著性，其中S'ccs(ri) = Sccs(ri) · SFs(ri)，S'cs，=Scs(ri) · Sfs (ri)，SFs(ri) = exp{-a · SBs(ri)}〇2. 根據(jù)權(quán)利要求1所述的一種基于背景對(duì)比顯著性檢測(cè)的方法，其特征在于所述步驟2 包括如下步驟： 步驟2-1:將輸入圖像I轉(zhuǎn)換成視覺上均勻的CIELAB顏色空間； 步驟2-2:用一個(gè)17維濾波器對(duì)步驟2-1的結(jié)果進(jìn)行卷積，這個(gè)濾波器由高斯濾波器，高 斯導(dǎo)數(shù)濾波器，拉普拉斯算子的高斯濾波器組成； 步驟2-3:采用歐氏距離K-均值聚類算法對(duì)圖像進(jìn)行無監(jiān)督聚類； 步驟2-4:每個(gè)像素被分配到最近的群集中心，以產(chǎn)生過分割圖像。
【文檔編號(hào)】G06T7/00GK106056579SQ201610339693
【公開日】2016年10月26日
【申請(qǐng)日】2016年5月20日
【發(fā)明人】周全, 周安琪, 張弛, 張一弛, 丁媛, 高廣謂, 周亮
【申請(qǐng)人】南京郵電大學(xué)