一種用于霧天圖像的目標(biāo)顯著性檢測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種圖像處理技術(shù)領(lǐng)域的方法，具體是一種用于霧天圖像的目標(biāo)顯著性檢測方法。
【背景技術(shù)】
[0002]作為圖像處理領(lǐng)域內(nèi)一個新興的研究方向，圖像顯著性檢測參考了人類視覺注意機制，即對圖像中的區(qū)域按重要性的強弱分為不同的區(qū)域，對于重要的區(qū)域進行優(yōu)先處理，并給予較多的計算資源，而對于非重要區(qū)域進行壓縮處理，從而有權(quán)重的分配有限的計算資源。在這一過程中計算機集中處理的、較為重要的區(qū)域，即圖像的顯著區(qū)域。
[0003]圖像顯著性研究始于20世紀(jì)八十年代，隨著近幾年許多新的顯著性理論和方法的出現(xiàn)，目前已形成了一個熱門課題，國內(nèi)外許多重要的視覺處理實驗室均將視覺顯著性作為專門課題加以研究。視覺顯著性模型應(yīng)用領(lǐng)域廣泛，較為成熟的有目標(biāo)檢測和分割、視頻分析等等，顯著性檢測結(jié)果的好壞對這些應(yīng)用起到了至關(guān)重要的作用。
[0004]顯著性問題與人類視覺系統(tǒng)緊密相關(guān)，視覺系統(tǒng)能夠快速的對場景進行理解和分析，那么它是如何高效完成此復(fù)雜過程的呢?Neisser提出了一個廣為認(rèn)可的機制，他將視覺處理過程分為兩個階段:預(yù)注意處理階段(Pre-attentive Stage)與注意處理階段(Attentive Stages);之后MIT的David C.Marr進一步提出了視覺處理會將進入的光線轉(zhuǎn)化為各種特征的表示，編碼以形成對場景的最初的表示，這些表示最終能夠讓視覺系統(tǒng)進行分析和識別;他們的工作對后來的視覺處理研究產(chǎn)生了深遠影響。
[0005]顯著性檢測理論根據(jù)處理圖像域的不同可分為空間域和變換域兩大類。Treisman和Gelade最早提出了空域檢測的特征綜合理論，1985年Koch和Ullman進一步發(fā)展了這一理論并在研究視覺注意的Buttom-to-Up(自底向上)機制中首次使用顯著圖來描述場景的顯著性，1998年Itti等人把Koch和Ullman提出的生物合理性架構(gòu)應(yīng)用在計算機視覺中，構(gòu)建了相應(yīng)的顯著性檢測模型，該模型提取了顏色、亮度和方向的多尺度特征，并對比計算中心和周圍區(qū)域的尺度特征差異，從而得到同一特征下的多張不同尺度特征圖，并利用多尺度融合得到對應(yīng)每個特征的單張?zhí)卣鲌D，最后進行多特征的歸一化和線性疊加獲得最終的顯著圖?；谙袼丶壍膶Ρ榷扔嬎闶沟迷摲椒▽嵭暂^差，而且部分參數(shù)的選擇對結(jié)果有很大影響，這些缺陷都限制了該方法在實時系統(tǒng)中的應(yīng)用。2000年，Itti等將神經(jīng)學(xué)融入之前的算法，重新分析并完善了該算法，自底向上的顯著性算法從此開始被廣泛接受。
[0006]顯著性檢測理論經(jīng)過多年的快速發(fā)展，大致可分成以下三種類型:生物學(xué)的方法，純計算的方法，生物學(xué)和計算相結(jié)合的方法。這些方法大都基于自底向上機制的。
[0007]第一種方法:顯著性檢測早期的工作大多使用的是生物學(xué)的方法。
[0008]Itti算法提出后，出現(xiàn)了很多改進方法，取得了更好的效果，但由于均是在Itti算法基礎(chǔ)上完成的工作，故將這些方法歸為此類。如Frintrop利用矩形濾波器來計算中心-周圍區(qū)域?qū)Ρ榷龋⑶也捎脠D像積分的方法進一步提高了計算效率。Yiqun Hu首先生成各種不同類型的顯著性圖，然后采用導(dǎo)引函數(shù)篩除包含了非顯著性區(qū)域的顯著圖，保留了對顯著性貢獻較大的顯著性圖，該方法較好的避免了由于歸一化帶來的影響。
[0009]第二種方法:純計算的方法是近年來研究的熱點。主要涵蓋了以下幾個方面:
[0010]①基于能量和信息論的方法
[0011]Shokoufandeh首次嘗試使用局部能量的觀點對顯著目標(biāo)區(qū)域進行提取;Gilles從局部香農(nóng)熵的角度來描述目標(biāo)顯著性;Kadir和Brady針對局部能量算法在單一尺度下可能出現(xiàn)的問題，利用多尺度的自相似交叉尺度原理來獲得優(yōu)化的顯著圖；Bruce和Tsotsos提出了基于自信息的顯著性度量機制，通過信息最大化來獲得顯著圖。
[0012]②基于局部對比度的方法
[0013]Ma和Zhang、Achanta等人均利用中心-周圍區(qū)域?qū)Ρ榷仍碛嬎泔@著性。Ma和Zhang的方法由于僅使用了 LUV顏色特征，所以該方法并不適用于顏色和顯著度相關(guān)性較弱的圖像。Achanta使用了更符合人眼注意機制的CIELab顏色特征，取得了更好的效果。
[0014]③基于全局對比度的方法
[0015]Zhai和Shah把每個像素點和其它所有像素點的差值之和作為該像素點的顯著度，該方法計算量大、執(zhí)行效率低，而且只采用了圖像的亮度信息，所以魯棒性較差。
[0016]④基于頻域分析的方法
[0017]Hou和Zhang突出了基于殘余譜的方法，利用圖像的傅里葉變換，并對幅度譜進行濾波，抑制冗余信息。其缺陷是抑制非顯著性區(qū)域的同時也抑制了顯著性區(qū)域，造成目標(biāo)內(nèi)部空洞。C.Guo在傅里葉變換的基礎(chǔ)上，利用相位譜信息對殘余譜的算法進行了改進，加入了顏色、灰度、運動等多個特征。
[0018]當(dāng)然，近年來越來越多的方法更多的采用了多方法的融合。文獻[18]提出的算法既利用了區(qū)域的顯著性提取，又使用了全局信息，與之前的工作相比，該算法更好的區(qū)分了前景和背景，并在圖像縮放和目標(biāo)分割中取得了良好的效果。
[0019]第三種方法:前兩種方法的結(jié)合。
[0020]Harel提出基于馬爾可夫鏈的平衡態(tài)理論的方法，將從圖像中提取的每個特征都看作是一個馬爾可夫鏈，然后利用曲線圖進行歸一化，并通過融合獲取最終的顯著圖，該方法能更好的定位視覺關(guān)注點，實驗表明該方法得到的顯著點與眼動儀得到的結(jié)果更為接近，但是最終獲得的是顯著點圖，而且計算量大。
[0021 ]與自底向上的算法相比，傳統(tǒng)的自頂向下(Up-to-Bottom)算法主要考慮了任務(wù)、經(jīng)驗等高級特征的影響因素。例如，Cer