CN101976338A - 一种基于梯度方向直方图的判决式视觉显著性检测方法 - Google Patents

Abstract

本发明涉及一种基于梯度方向直方图的判决式视觉显著性检测方法。目前的方法分辨率低，提取的物体轮廓不全，计算复杂度高。本发明方法首先采用彩色变换方法，提取原始图像在CIELAB空间彩色分量图；其次利用中央-周围计算结构中的取样点统计分量图中每个像素点的局部梯度方向直方图；然后计算每个像素点的局部显著判决矢量和全局显著判决矢量；最后采用线性加权方法获得最终的显著判决结果。本发明方法在视觉显著区域具有更强的响应，而在其他非显著区域有更好的抑制能力。

Description

一种基于梯度方向直方图的判决式视觉显著性检测方法

技术领域

本发明属于计算机视觉领域，具体涉及一种基于梯度方向直方图的判决式中央-周围视觉显著性检测方法。

背景技术

视觉显著性在视觉选择性注意机制中扮演着重要角色，受生物视觉系统启发，视觉显著性计算模型为降低计算机视觉处理的计算复杂度提供了一种快速且有效的方法，已广泛应用于机器视觉、图像处理、智能机器人等领域。

目前，大多数视觉显著性模型都是基于空间(自下而上)或基于物体(自上而下)的过程。前者基于特征整合理论和中央-周围假设，其代表性工作是L.Itti等人提出的计算模型。在他们模型中，输入图像分解为多个独立的特征空间，如亮度、颜色、方向等，分别提取每个特征空间的显著图，然后采用线性整合方式将各特征空间的显著图合成为最终的显著图。基于物体的过程是一个目标导向的显著性分析过程，它需要相关目标/任务的先验知识，可实现有效和精确的视觉搜索，但其计算代价较高。现有技术中已提出了自下而上和自上而下的整合方法。但上述这些方法都存在共同明显缺点：分辨率低，提取的物体轮廓不全，以及高计算复杂度。

为此，近期提出了一些简单而有效地显著性模型。R.Achanta等人提出一种基于亮度和颜色特征的快速显著性区域检测方法。该方法可生成与输入图像相同大小的高质量显著图。R.Achanta等人2009年又提出一种更高精度的基于频域的显著区域检测算子。V.Gopalakrishnan等人提出一种基于彩色和方向分布的显著性区域检测框架。他们提出一种图像区域的方向直方图用于描述局部和全局方向。D.Gao等人提出一种判决式显著检测算子，该方法是对生物感知过程的决策性理论解释，并可获得在分类意义上的最优显著性测量。在频域中，Q.Zhang等人将局部显著性，全局显著性和特例显著性整合在一个框架中。不同于生物启发的显著性模型，这些模型通常只是一种纯计算模型，虽然受中央-周围差异的生物概念启发，但并没有基于任何生物模型。

发明内容

本发明针对现有技术的不足，提供了一种基于梯度方向直方图的判决式视觉显著性检测方法。

本发明方法的具体步骤如下：

步骤(1)采用彩色变换方法，提取原始图像在CIELAB空间的l彩色分量图、a彩色分量图和b彩色分量图；所述的彩色变换方法为成熟技术。

步骤(2)利用中央-周围计算结构中的取样点统计l彩色分量图、a彩色分量图和b彩色分量图中每个像素点的局部梯度方向直方图；

所述的中央-周围计算结构为：以待统计的像素点中心，构成三个不同半径的同心圆环形结构。所述的取样点位于上述不同半径的同心圆环上，每个同心圆环上按45°等角度间隔提取八个取样点；同一半径上的取样点具有相同的高斯尺度值，不同一半径上的取样点高斯尺度值不同。

所述的统计方法具体为：

首先采用Daisy特征描述符提取方法，提取Daisy描述符D(u₀，v₀)，对于像素点(u₀，v₀)，其Daisy描述符D(u₀，v₀)表示为：

$D(u_0,v_0)={\left[\begin{array}{c}{H}_1^T(u_0,v_0),\\ H_1^T\left(l_1(u_0,v_0,r_1)\right),\·\·\·,H_1^T\left(l_8(u_0,v_0,r_1)\right),\\ H_2^T\left(l_1(u_0,v_0,r_2)\right),\·\·\·,H_2^T\left(l_8(u_0,v_0,r_2)\right),\\ H_3^T\left(l_1(u_0,v_0,r_3)\right),\·\·\·,H_3^T\left(l_8(u_0,v_0,r_3)\right)\end{array}\right]}^T$

其中

表示像素点(u₀，v₀)的梯度方向直方图，l_m(u₀，v₀，r_n)表示中央-周围计算结构中第n个同心圆环上第m个取样点的坐标，H_n(l_m(u₀，v₀，r_n))表示中央-周围计算结构中第n个同心圆环上第m个取样点的梯度方向直方图，每个梯度方向直方图的统计过程中都是将梯度方向从0°到360°均匀量化到八个等角度范围区间；m＝1，2，...，8，n＝1，2，3。

然后将Daisy描述符D(u₀，v₀)中各梯度方向值，按相同梯度方向重新排列，由此中央-周围计算结构的局部显著性描述符定义为L(u₀，v₀)：

$L(u_0,v_0)={[{\mathrm{\η}}_1^T,{\mathrm{\η}}_2^T,\·\·\·,{\mathrm{\η}}_k^T,\·\·\·,{\mathrm{\η}}_8^T]}^T,$ k＝1，2，....，8

其中 ${\mathrm{\η}}_k={\left[\begin{array}{c}{h}_1(u_0,v_0,{\mathrm{\θ}}_k),\\ h_1(l_1(u_0,v_0,r_1),{\mathrm{\θ}}_k),\·\·\·,h_1(l_8(u_0,v_0,r_1),{\mathrm{\θ}}_k),\\ h_2(l_1(u_0,v_0,r_2),{\mathrm{\θ}}_k),\·\·\·,h_2(l_8(u_0,v_0,r_2),{\mathrm{\θ}}_k),\\ h_3(l_1(u_0,v_0,r_3),{\mathrm{\θ}}_k),\·\·\·,h_3(l_8(u_0,v_0,r_3),{\mathrm{\θ}}_k)\end{array}\right]}^T$

η_k为所有取样点梯度方向直方图中第k个梯度方向值的组合，h_n(l_m(u₀，v₀，r_n)，θ_k)为梯度方向直方图H_n(l_m(u₀，v₀，r_n))中第k个梯度方向的值。

步骤(3)根据局部显著性判决计算公式，计算每个像素点的局部显著判决矢量S_local(u₀，v₀)；具体计算过程为：

首先计算中央-周围计算结构中每个同心圆环对整个中央-周围计算结构的显著判决贡献度p(n)，

$p\left(n\right)=\frac{\underset{1\≤m\≤8}{\mathrm{\Σ}}\underset{1\≤k\≤8}{\mathrm{\Σ}}{h}_n(l_m(u_0,v_0,r_n),{\mathrm{\θ}}_k)}{\underset{1\≤n\≤3}{\mathrm{\Σ}}\underset{1\≤m\≤8}{\mathrm{\Σ}}\underset{1\≤k\≤8}{\mathrm{\Σ}}{h}_n(l_m(u_0,v_0,r_n),{\mathrm{\θ}}_k)}$

其次计算矢量η_k的均值

和方差v_k：

$\left\{\begin{array}{c}{v}_k=\underset{1\≤n\≤3}{\mathrm{\Σ}}\underset{1\≤m\≤8}{\mathrm{\Σ}}{(h_n(l_m(u_0,v_0,r_n),{\mathrm{\θ}}_k)-{\stackrel{\‾}{h}}_k)}^{2}p\left(n\right)\\ {\stackrel{\‾}{h}}_k=\underset{1\≤n\≤3}{\mathrm{\Σ}}\underset{1\≤m\≤8}{\mathrm{\Σ}}{h}_n(l_m(u_0,v_0,r_n),{\mathrm{\θ}}_k)p\left(n\right)\end{array}\right.$

然后计算单个彩色分量图的局部显著判决值S_local(u₀，v₀)：

$S_{\mathrm{local}}(u_0,v_0)=\frac{1}{8}\underset{1\≤k\≤8}{\mathrm{\Σ}}{v}_k$

最后计算每个像素点的局部显著判决矢量S_local(u₀，v₀)，

$S_{\mathrm{local}}(u_0,v_0)={(S_{\mathrm{local}}^l(u_0,v_0),S_{\mathrm{local}}^a(u_0,v_0),S_{\mathrm{local}}^b(u_0,v_0))}^T$

其中

表示l彩色分量图的局部显著判决值，

表示a彩色分量图的局部显著判决值，表示b彩色分量图的局部显著判决值。

步骤(4)根据全局显著性判决计算公式，计算每个像素点的全局显著判决矢量S_global(u₀，v₀)；具体计算过程为：

首先分别计算原始图像l、a、b彩色分量图中所有像素点的均值μ_l、μ_a和μ_b，构成均值矢量μ_g＝(μ_l，μ_a，μ_b)^T。

然后采用高斯方差为2.5的二维高斯滤波器进行高斯滤波，则像素点(u₀，v₀)的滤波后结果为g_s(u₀，v₀)：

$g_s(u_0,v_0)={(g_{(u_0,v_0)}^l,g_{(u_0,v_0)}^a,g_{(u_0,v_0)}^b)}^T$

其中

c∈(l，a，b)为不同彩色分量下像素点(u₀，v₀)的高斯滤波值。

最后计算每个像素点的全局显著判决矢量S_global(u₀，v₀)：

$S_{\mathrm{global}}(u_0,v_0)={(S_{\mathrm{global}}^l(u_0,v_0),S_{\mathrm{global}}^a(u_0,v_0),S_{\mathrm{global}}^b(u_0,v_0))}^T=|g_s(u_0,v_0)\·g_s^T\left(u_0{,v}_0\right)-{\mathrm{\μ}}_g\·{{\mathrm{\μ}}_g}^T|$

其中

表示l彩色分量图的全局显著判决值，

表示a彩色分量图的全局显著判决值，

表示b彩色分量图的全局显著判决值。

步骤(5)根据计算获得的局部显著判决矢量和全局显著判决矢量，采用线性加权方法获得最终的显著判决结果S_final(u₀，v₀)。

$S_{\mathrm{final}}(u_0,v_0)=S_{\mathrm{global}}^T(u_0,v_0)\·S_{\mathrm{local}}(u_0,v_0)$

本发明相对于现有技术具有以下有益效果：该方法能够使得显著性区域提取结果更符合生物视觉注意机制特性，与其他显著性检测方法相比，该方法在视觉显著区域具有更强的响应，而在其他非显著区域有更好的抑制能力。

附图说明

图1为本发明的方法流程图；

图2为本发明中的中央-周围计算结构示意图。

具体实施方式

以下结合附图对本发明作进一步说明。

如图1所示，一种基于梯度方向直方图的判决式中央-周围视觉显著性检测方法的具体步骤如下：

步骤(1)采用彩色变换方法，提取原始图像在CIELAB空间的l彩色分量图、a彩色分量图和b彩色分量图；所述的彩色变换方法为成熟技术。

步骤(2)利用中央-周围计算结构中的取样点统计l彩色分量图、a彩色分量图和b彩色分量图中每个像素点的局部梯度方向直方图；

所述的中央-周围计算结构为三个不同半径的同心圆环形结构，所述的同心圆圆心为待统计的像素点中心，所述的取样点位于上述不同半径的同心圆环上，每个同心圆环上按45°等角度间隔提取八个取样点，每个取样点取值是由该取样点最近邻的四个整数坐标像素点通过二次线性插值方法获得；同一半径上的取样点具有相同的高斯尺度值，不同一半径上的取样点高斯尺度值不同。

所述的统计方法具体为：

首先采用Daisy特征描述符提取方法，提取Daisy描述符D(u₀，v₀)，对于像素点(u₀，v₀)，其Daisy描述符D(u₀，v₀)表示为：

$D(u_0,v_0)={\left[\begin{array}{c}{H}_1^T(u_0,v_0),\\ H_1^T\left(l_1(u_0,v_0,r_1)\right),\·\·\·,H_1^T\left(l_8(u_0,v_0,r_1)\right),\\ H_2^T\left(l_1(u_0,v_0,r_2)\right),\·\·\·,H_2^T\left(l_8(u_0,v_0,r_2)\right),\\ H_3^T\left(l_1(u_0,v_0,r_3)\right),\·\·\·,H_3^T\left(l_8(u_0,v_0,r_3)\right)\end{array}\right]}^T$

其中

表示像素点(u₀，v₀)的梯度方向直方图，l_m(u₀，v₀，r_n)表示中央-周围计算结构中第n个同心圆环上第m个取样点的坐标，H_n(l_m(u₀，v₀，r_n))表示中央-周围计算结构中第n个同心圆环上第m个取样点的梯度方向直方图，每个梯度方向直方图的统计过程中都是将梯度方向从0°到360°均匀量化到八个等角度范围区间；m＝1，2，...，8，n＝1，2，3。

然后将Daisy描述符D(u₀，v₀)中各梯度方向值，按相同梯度方向重新排列，由此中央-周围计算结构的局部显著性描述符定义为L(u₀，v₀)：

$L(u_0,v_0)={[{\mathrm{\η}}_1^T,{\mathrm{\η}}_2^T,\·\·\·,{\mathrm{\η}}_k^T,\·\·\·,{\mathrm{\η}}_8^T]}^T,$ k＝1，2，....，8

其中 ${\mathrm{\η}}_k={\left[\begin{array}{c}{h}_1(u_0,v_0,{\mathrm{\θ}}_k),\\ h_1(l_1(u_0,v_0,r_1),{\mathrm{\θ}}_k),\·\·\·,h_1(l_8(u_0,v_0,r_1),{\mathrm{\θ}}_k),\\ h_2(l_1(u_0,v_0,r_2),{\mathrm{\θ}}_k),\·\·\·,h_2(l_8(u_0,v_0,r_2),{\mathrm{\θ}}_k),\\ h_3(l_1(u_0,v_0,r_3),{\mathrm{\θ}}_k),\·\·\·,h_3(l_8(u_0,v_0,r_3),{\mathrm{\θ}}_k)\end{array}\right]}^T$

η_k为所有取样点梯度方向直方图中第k个梯度方向值的组合，h_n(l_m(u₀，v₀，r_n)，θ_k)为梯度方向直方图H_n(l_m(u₀，v₀，r_n))中第k个梯度方向的值。

步骤(3)根据局部显著性判决计算公式，计算每个像素点的局部显著判决矢量S_local(u₀，v₀)；具体计算过程为：

首先计算中央-周围计算结构中每个同心圆环对整个中央-周围计算结构的显著判决贡献度p(n)，

$p\left(n\right)=\frac{\underset{1\≤m\≤8}{\mathrm{\Σ}}\underset{1\≤k\≤8}{\mathrm{\Σ}}{h}_n(l_m(u_0,v_0,r_n),{\mathrm{\θ}}_k)}{\underset{1\≤n\≤3}{\mathrm{\Σ}}\underset{1\≤m\≤8}{\mathrm{\Σ}}\underset{1\≤k\≤8}{\mathrm{\Σ}}{h}_n(l_m(u_0,v_0,r_n),{\mathrm{\θ}}_k)}$

其次计算矢量η_k的均值和方差v_k：

$\left\{\begin{array}{c}{v}_k=\underset{1\≤n\≤3}{\mathrm{\Σ}}\underset{1\≤m\≤8}{\mathrm{\Σ}}{\left(h_n(l_m(u_0,v_0,r_n),{\mathrm{\θ}}_k){-\stackrel{\‾}{h}}_k\right)}^{2}p\left(n\right)\\ {\stackrel{\‾}{h}}_k=\underset{1\≤n\≤3}{\mathrm{\Σ}}\underset{1\≤m\≤8}{\mathrm{\Σ}}{h}_n(l_m(u_0,v_0,r_n),{\mathrm{\θ}}_k)p\left(n\right)\end{array}\right.$

然后计算单个彩色分量图的局部显著判决值S_local(u₀，v₀)：

$S_{\mathrm{local}}(u_0,v_0)=\frac{1}{8}\underset{1\≤k\≤8}{\mathrm{\Σ}}{v}_k$

最后计算每个像素点的局部显著判决矢量S_local(u₀，v₀)，

$S_{\mathrm{local}}(u_0,v_0)={(S_{\mathrm{local}}^l(u_0,v_0),S_{\mathrm{local}}^a(u_0,v_0),S_{\mathrm{local}}^b(u_0,v_0))}^T$

其中

表示l彩色分量图的局部显著判决值，

表示a彩色分量图的局部显著判决值，

表示b彩色分量图的局部显著判决值。

步骤(4)根据全局显著性判决计算公式，计算每个像素点的全局显著判决矢量S_global(u₀，v₀)；具体计算过程为：

首先分别计算原始图像l、a、b彩色分量图中所有像素点的均值μ_l、μ_a和μ_b，构成均值矢量μ_g＝(μ_l，μ_a，μ_b)^T。

然后采用高斯方差为2.5的二维高斯滤波器进行高斯滤波，则像素点(u₀，v₀)的滤波后结果为g_s(u₀，v₀)：

$g_s(u_0,v_0)={(g_{(u_0,v_0)}^l,g_{(u_0,v_0)}^a,g_{(u_0,v_0)}^b)}^T$

其中

c∈(l，a，b)为不同彩色分量下像素点(u₀，v₀)的高斯滤波值。

最后计算每个像素点的全局显著判决矢量S_global(u₀，v₀)：

$S_{\mathrm{global}}(u_0,v_0)={(S_{\mathrm{global}}^l(u_0,v_0),S_{\mathrm{global}}^a(u_0,v_0),S_{\mathrm{global}}^b(u_0,v_0))}^T=|g_s(u_0,v_0)\·g_s^T\left(u_0{,v}_0\right)-{\mathrm{\μ}}_g\·{{\mathrm{\μ}}_g}^T|$

其中表示l彩色分量图的全局显著判决值，

表示a彩色分量图的全局显著判决值，

表示b彩色分量图的全局显著判决值。

步骤(5)根据计算获得的局部显著判决矢量和全局显著判决矢量，采用线性加权方法获得最终的显著判决结果S_final(u₀，v₀)。

$S_{\mathrm{final}}(u_0,v_0)=S_{\mathrm{global}}^T(u_0,v_0)\·S_{\mathrm{local}}(u_0,v_0)$

如图2所示，所述的中央-周围计算结构为半径为5像素，10像素和15像素的三个不同半径的同心圆环形结构，同心圆圆心为待统计的像素点中心(u₀，v₀)，取样点位于上述不同半径的同心圆环上，每个同心圆环上从0°到360°按45°等角度间隔提取八个取样点，每个取样点取值是由该取样点最近邻的四个整数坐标像素点通过二次线性插值方法获得；同一半径上的取样点具有相同的高斯尺度值，不同一半径上的取样点高斯尺度值不同。半径为5像素的同心圆环上的取样点取值计算过程中所需的整数坐标像素点对应于原始图像经方差为2.5高斯滤波后的高斯滤波图像；半径为10像素的同心圆环上的取样点取值计算过程中所需的整数坐标像素点对应于原始图像经方差为5.0高斯滤波后的高斯滤波图像；半径为15像素的同心圆环上的取样点取值计算过程中所需的整数坐标像素点对应于原始图像经方差为7.5高斯滤波后的高斯滤波图像。

Claims (1)

1.一种基于梯度方向直方图的判决式视觉显著性检测方法，其特征在于该方法包括如下步骤：

步骤(1)采用彩色变换方法，提取原始图像在CIELAB空间的l彩色分量图、a彩色分量图和b彩色分量图；

步骤(2)利用中央-周围计算结构中的取样点统计l彩色分量图、a彩色分量图和b彩色分量图中每个像素点的局部梯度方向直方图；

所述的中央-周围计算结构为：以待统计的像素点中心，构成三个不同半径的同心圆环形结构；所述的取样点位于上述不同半径的同心圆环上，每个同心圆环上按45°等角度间隔提取八个取样点；同一半径上的取样点具有相同的高斯尺度值，不同一半径上的取样点高斯尺度值不同；

所述的统计方法具体为：

首先采用Daisy特征描述符提取方法，提取Daisy描述符D(u₀，v₀)，对于像素点(u₀，v₀)，其Daisy描述符D(u₀，v₀)表示为：

$D(u_0,v_0)={\left[\begin{array}{c}{H}_1^T(u_0,v_0),\\ H_1^T\left(l_1(u_0,v_0,r_1)\right),\·\·\·,H_1^T\left(l_8(u_0,v_0,r_1)\right),\\ H_2^T\left(l_1(u_0,v_0,r_2)\right),\·\·\·,H_2^T\left(l_8(u_0,v_0,r_2)\right),\\ H_3^T\left(l_1(u_0,v_0,r_3)\right),\·\·\·,H_3^T\left(l_8(u_0,v_0,r_3)\right)\end{array}\right]}^T$

其中

表示像素点(u₀，v₀)的梯度方向直方图，l_m(u₀，v₀，r_n)表示中央-周围计算结构中第n个同心圆环上第m个取样点的坐标，H_n(l_m(u₀，v₀，r_n))表示中央-周围计算结构中第n个同心圆环上第m个取样点的梯度方向直方图，每个梯度方向直方图的统计过程中都是将梯度方向从0°到360°均匀量化到八个等角度范围区间，m＝1，2，...，8，n＝1，2，3；

然后将Daisy描述符D(u₀，v₀)中各梯度方向值，按相同梯度方向重新排列，由此中央-周围计算结构的局部显著性描述符定义为L(u₀，v₀)：

$L(u_0,v_0)={[{\mathrm{\η}}_1^T,{\mathrm{\η}}_2^T,\·\·\·,{\mathrm{\η}}_k^T,\·\·\·,{\mathrm{\η}}_8^T]}^T,$ k＝1，2，....，8

其中 ${\mathrm{\η}}_k={\left[\begin{array}{c}{h}_1(u_0,v_0,{\mathrm{\θ}}_k),\\ h_1(l_1(u_0,v_0,r_1),{\mathrm{\θ}}_k),\·\·\·,h_1(l_8(u_0,v_0,r_1),{\mathrm{\θ}}_k),\\ h_2(l_1(u_0,v_0,r_2),{\mathrm{\θ}}_k),\·\·\·,h_2(l_8(u_0,v_0,r_2),{\mathrm{\θ}}_k),\\ h_3(l_1(u_0,v_0,r_3),{\mathrm{\θ}}_k),\·\·\·,h_3(l_8(u_0,v_0,r_3),{\mathrm{\θ}}_k)\end{array}\right]}^T$

η_k为所有取样点梯度方向直方图中第k个梯度方向值的组合，h_n(l_m(u₀，v₀，r_n)，θ_k)为梯度方向直方图H_n(l_m(u₀，v₀，r_n))中第k个梯度方向的值；

步骤(3)根据局部显著性判决计算公式，计算每个像素点的局部显著判决矢量S_local(u₀，v₀)；具体计算过程为：

首先计算中央-周围计算结构中每个同心圆环对整个中央-周围计算结构的显著判决贡献度p(n)，

$p\left(n\right)=\frac{\underset{1\≤m\≤8}{\mathrm{\Σ}}\underset{1\≤k\≤8}{\mathrm{\Σ}}{h}_n(l_m(u_0,v_0,r_n),{\mathrm{\θ}}_k)}{\underset{1\≤n\≤3}{\mathrm{\Σ}}\underset{1\≤m\≤8}{\mathrm{\Σ}}\underset{1\≤k\≤8}{\mathrm{\Σ}}{h}_n(l_m(u_0,v_0,r_n),{\mathrm{\θ}}_k)}$

其次计算矢量η_k的均值和方差v_k：

$\left\{\begin{array}{c}{v}_k=\underset{1\≤n\≤3}{\mathrm{\Σ}}\underset{1\≤m\≤8}{\mathrm{\Σ}}{\left(h_n(l_m(u_0,v_0,r_n),{\mathrm{\θ}}_k){\stackrel{\‾}{h}}_k\right)}^{2}p\left(n\right)\\ {\stackrel{\‾}{h}}_k=\underset{1\≤n\≤3}{\mathrm{\Σ}}\underset{1\≤m\≤8}{\mathrm{\Σ}}{h}_n(l_m(u_0,v_0,r_n),{\mathrm{\θ}}_k)p\left(n\right)\end{array}\right.$

然后计算单个彩色分量图的局部显著判决值S_local(u₀，v₀)：

$S_{\mathrm{local}}(u_0,v_0)=\frac{1}{8}\underset{1\≤k\≤8}{\mathrm{\Σ}}{v}_k$

最后计算每个像素点的局部显著判决矢量S_local(u₀，v₀)，

$S_{\mathrm{local}}(u_0,v_0)={(S_{\mathrm{local}}^l(u_0,v_0),S_{\mathrm{local}}^a(u_0,v_0),S_{\mathrm{local}}^b(u_0,v_0))}^T$

其中

表示l彩色分量图的局部显著判决值，

表示a彩色分量图的局部显著判决值，表示b彩色分量图的局部显著判决值；

步骤(4)根据全局显著性判决计算公式，计算每个像素点的全局显著判决矢量S_global(u₀，v₀)；具体计算过程为：

首先分别计算原始图像l、a、b彩色分量图中所有像素点的均值μ_l、μ_a和μ_b，构成均值矢量μ_g＝(μ_l，μ_a，μ_b)^T；

然后采用高斯方差为2.5的二维高斯滤波器进行高斯滤波，则像素点(u₀，v₀)的滤波后结果为g_s(u₀，v₀)：

$g_s(u_0,v_0)={(g_{(u_0,v_0)}^l,g_{(u_0,v_0)}^a,g_{(u_0,v_0)}^b)}^T$

其中

c∈(l，a，b)为不同彩色分量下像素点(u₀，v₀)的高斯滤波值；最后计算每个像素点的全局显著判决矢量S_global(u₀，v₀)：

$S_{\mathrm{global}}(u_0,v_0)={(S_{\mathrm{global}}^l(u_0,v_0),S_{\mathrm{global}}^a(u_0,v_0),S_{\mathrm{global}}^b(u_0,v_0))}^T=|g_s(u_0,v_0)\·g_s^T\left(u_0{,v}_0\right)-{\mathrm{\μ}}_g\·{{\mathrm{\μ}}_g}^T|$

其中

表示l彩色分量图的全局显著判决值，

表示a彩色分量图的全局显著判决值，表示b彩色分量图的全局显著判决值；

步骤(5)根据计算获得的局部显著判决矢量和全局显著判决矢量，采用线性加权方法获得最终显著判决结果S_final(u₀，v₀)，

Images