CN102426704A - 一种显著性物体快速检测方法 - Google Patents

Abstract

本发明公开了一种显著性物体的快速检测方法，通过对待检测图像进行多次小波变换，利用小波变换所得到的高频带数据初步确定显著性物体的大小和位置后，再采用中心——周边直方图算法获得精确的显著性值，从而准确地检测到显著性物体。本发明与现有技术相比具有检测效率高、定位准确的有益效果。

Description

一种显著性物体快速检测方法

技术领域

本发明涉及计算机图像处理领域，特别是涉及一种显著性物体快速检测方法。

背景技术

人脑和视觉系统对图片中的某些部分会给予更多的关注。心理学，生理学和神经系统学计算机视觉等学科对视觉注意模型进行了长时间的研究。视觉注意模型的应用也是相当广泛。如基于区域的图像检索和基于内容的图像压缩等。还有图像的自动拷贝，图像在小型显示设备上的显示，图像视频的压缩，甚至是平面广告设计和图片的采集和浏览，2d图像向3d图像转换的分析，另外相似图像的检索也日益成为图像研究领域的热点，显著性图还可以用于目标定位。图像中显著性物体的检测关系到后续工作的成败。

刘铁等人在其发表于IEEE的论文《显著性物体检测研究》(英文原文为：《Learning todetect a salient object》)中提出采用中心-周边直方图算法(英文表述为：Center-surroundhistogram)进行显著性物体检测分析，但是其计算中需采用多个不同的长宽比进行盲目的试探性计算，再作比较，导致检测效率低下。

发明内容

本发明所要解决的技术问题是，提供一种显著性物体快速检测方法，提高显著性物体检测的检测速度与检测精度。

本发明的技术问题通过以下技术手段予以解决：

一种显著性物体快速检测方法，，包括以下步骤：

1)对待检测图像进行多次小波变换，得到待检测图像的HL、LH、HH频带数据，对各次小波变换所的到的HH频带数据采用双线性差值的方法放大到待检测图像尺寸并相加后得到第一显著性特征图；

2)将第一显著性特征图中各点的灰度值归一化到0～255；

3)根据预定的灰度阈值，对第一显著性特征图进行二值化处理，并检测二值化处理所得到的图像中最大的矩形连续区域R_conf，计算该矩形连续区域R_conf的长宽比；

4)扫描待检测图像，得到以待检测图像的中心为中心并包含所述矩形连续区域R_conf的最小的矩形区域R_m；将矩形区域R_m范围外的像素点的显著性值置零，并通过中心——周边直方图算法计算矩形区域R_m范围内各像素点的显著性值，从而得到精确的显著性图，其中，所述中心——周边直方图算法的中心矩形和周边矩形的长宽比均取矩形连续区域R_conf的长宽比。

与现有技术相比，本发明的方法采用小波变换的方法对图像进行处理，完成显著性物体的初步检测，并通过像素归一化、和二值化处理小波变换所得图像，获得显著性物体的长宽比及大体位置信息，为中心-周边直方图算法提供准确的数据参考，避免了中心——周边直方图算法处理时采用不同长宽比进行盲目试探。

由于在实际应用中，多数图像的显著性物体均位于图像的中心，优选在进行小波变换前，对原始图像的部分边缘进行裁剪，但裁剪幅度不宜过大，裁剪后形成的待检测图像的长、宽分别不小于原始图像长、宽的80％。

使用双边滤波对待检测图像进行处理，能够对图像背景中可能含有的复杂纹理进行有效地抑制，同时保留显著性物体的边缘部分，有利于提高小波变换所得结果的精度。同理，还可以对像素归一化后的图像再次进行双边滤波处理以进一步提高检测精度。

小波变换的次数优选6次，实验证明，当小波变换次数小于6次时所得到的结果精度较低，而小波变换次数大于6次所得到的结果并不明显优于6次的检查结果，但却会增加计算的复杂程度，降低效率。

优选地，所述预定的灰度阈值为125。

附图说明

图1是本发明具体实施方式的检测方法的流程图。

具体实施方式

下面对照附图并结合优选具体实施方式对本发明进行详细的阐述。

如图1所示，本实施方式的显著性物体快速检测方法包括以下步骤：

1.初步剪裁

对待处理的原始图像进初步的剪裁，如果图像的长宽分别为h、w。将图像中水平坐标范围在[0，w/10]以及[9w/10，w]，垂直坐标范围在[0，h/10]和[9h/10，h]的像素点裁去。得到待检测图像A，图像A的长宽分别将减少为原始图像的80％。在实际应用时，此处裁剪范围可根据具体情况适当选取，但裁剪后的图像的长宽分别不宜小于原图长宽的80％。

2.对图像A进行双边滤波处理，到图像B

双边滤波的特点是对图象的每一点用其空间相邻且灰度相近的灰度值的平均值代替原来的值，从而达到滤波的效果，同时又可以保持图象的高频细节。其通用公式为：

$h\left(x\right)=k^{-1}\left(x\right){\∫}_{-\∞}^{\∞}{\∫}_{-\∞}^{\∞}f\left(\mathrm{\ξ}\right)c(\mathrm{\ξ},x)s(f\left(\mathrm{\ξ}\right),f\left(x\right))\mathrm{d\ξ}---\left(1\right)$

其中，h(x)表示滤波后的图像各点的灰度值，f(ξ)即点ξ处的灰度值，c(ξ，x)是以ξ为中心的空间临近度函数，s(f(ξ)，f(x))是点ξ与x的象素灰度相似度，k为归一化系数。本实施例的具体滤波步骤如下：即对每个像素点P，其灰度值记为P(i，j)

1).计算其3*3邻域每一点与P的空间坐标的欧式距离L(i，j)，即以P为中心的空间临近度函数；

2).计算其3*3邻域每一点与P灰度值的欧式距离S(i，j)，即点P与其3*3邻域每一点的象素灰度相似度；

3)归一化常数取1，将S(i，j)，L(i，j)代入公式(1)得到：

P_new(i，j)即为P(i，j)经双边滤波后的像素值。

3.小波变换

对步骤2.中所得到的图像B进行六次小波变换。本实施例采用二维离散小波变换的小波基： ${\mathrm{\ψ}}_{a,b_x,b_y}(x,y)=\frac{1}{\left|a\right|}\mathrm{\ψ}[\frac{x-b_x}{a},\frac{y-b_y}{a}].$

一幅N×N的图像f_j(x，y)，其中，下标j指示尺度并且N是2的幂。对于j＝0原图像的尺度为1。j值的每一次增大都使尺度加倍，分辨率减半。每一次通过隔行隔列采样，图像被分解为4个大小为原来尺寸四分之一的子频带区域，这4个子频带区域的每一个都是由原图与一个小波基内积后，再经过x和y方向都进行2倍的间隔抽样而产生的。对于第一个层次(j＝1)，可写成：

$f_2^0(m,n)=<f_1(x,y),(x-2m,y-2n)>$

$f_2^1(m,n)=<f_1(x,y),{\mathrm{\&psi;}}^1(x-2m,y-2n)>$

$f_2^2(m,n)=<f_1(x,y),{\mathrm{\&psi;}}^2(x-2m,y-2n)>$

$f_2^3(m,n)=<f_1(x,y),{\mathrm{\&psi;}}^3(x-2m,y-2n)>$

而对于后继的层次(j＞1)，f(x，y)都以完全相同的方式分解而构成4个在尺度上的更小的图像，将内积写成卷积形式，可有：

$f_{2^{j-1}}^0(m,n)=\left\{\right[f_{2^j}^0(x,y)*(-x,-y)\left](2m,2n)\right\}$

$f_{2^{j-1}}^1(m,n)=\left\{\right[f_{2^j}^0(x,y)*{\mathrm{\&psi;}}^1(-x,-y)\left](2m,2n)\right\}$

$f_{2^{j-1}}^2(m,n)=\left\{\right[f_{2^j}^0(x,y)*{\mathrm{\&psi;}}^2(-x,-y)\left](2m,2n)\right\}$

$f_{2^{j-1}}^3(m,n)=\left\{\right[f_{2^j}^0(x,y)*{\mathrm{\&psi;}}^3(-x,-y)\left](2m,2n)\right\}$

并且在每一层次进行四个相同的间隔抽样滤波操作。

各层次小波变换得到图像的HL、LH、HH频带数据，对HH频带数据采用双线性差值的方法放大到原始图像大小并相加，由此得到第一显著性特征图C。

4.像素归一化与二值话

将第一显著性特征图C中各点的灰度值归一化到0～255；对归一化后所得到的图像再次进行双边滤波进一步消弱背景纹理的干扰，此处双边滤波方法与步骤2相同，不累述；选择灰度值125最为阈值对特征图进行二值化，并检测二值化处理所得到的图像中最大的矩形连续区域R_conf的坐标范围，计算该矩形连续区域R_conf的长宽比，此处的R_conf的长宽比作为后面center-surround直方图算法中矩形R、Rs的长宽比。

5.扫描待检测图像，得到以待检测图像的中心为中心并包含所述矩形连续区域R_conf的最小的矩形区域R_m；将矩形区域R_m范围外的像素点的显著性值置零，扫描图像A中在Rm范围内的各点x′作为center-surround直方图算法的中心矩形R和周边矩形Rs的中心点，计算出对应R、Rs区域内图像的灰度直方图Rⁱ和Rⁱ _s，本实施方式R的长宽为Rm的1/5，Rs的长宽取R长宽的4/3倍；根据式2)～4)计算各点的特征值：

${\mathrm{\&chi;}}^2(R,R_S)=\frac{1}{2}\mathrm{\&Sigma;}\frac{{(R^i-R_S^i)}^2}{R^i+R_S^i}---\left(2\right)$

$f_h(x,I)=K\&CenterDot;\underset{\left\{x^{\&prime;}\right|x\&Element;R*\left(x^{\&prime;}\right)\}}{\mathrm{\&Sigma;}}{w}_{{\mathrm{xx}}^{\&prime;}}{\mathrm{\&chi;}}^2(R^{*}\left(x^{\&prime;}\right),R_S^{*}\left(x^{\&prime;}\right))---\left(3\right)$

$w_{{\mathrm{xx}}^{\&prime;}}=\exp (-0.5{\mathrm{\&delta;}}_{x^{\&prime;}}^{-2}{\left|\right|x-x^{\&prime;}\left|\right|}^2)---\left(4\right)$

根据公式(2)计算center区域与surround区域内直方图的拟合程度；根据式(3)确定x像素点的显著性值，其中，R^*(x′)、

分别表示以x′为中心的中央矩形和周边矩形，符号

表示所有包含像素x的矩形R^*(x′)，

代入式求和，x′表示Rm中所有可以成为R^*(x′)、

中心且该R^*(x′)、

能包含像素x的像素点，W_xx′为高斯衰减函数，||x-x′||为像素x距中心像素x′的欧式距离，K为归一化常数，f_h(x，I)表示x像素点的显著性值。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。

Claims (6)

1.一种显著性物体快速检测方法，其特征在于，包括以下步骤：

1)对待检测图像进行多次小波变换，得到待检测图像的HL、LH、HH频带数据，对各次小波变换所的到的HH频带数据采用双线性差值的方法放大到待检测图像尺寸并相加后得到第一显著性特征图；

2)将第一显著性特征图中各点的灰度值归一化到0～255；

3)根据预定的灰度阈值，对第一显著性特征图进行二值化处理，并检测二值化处理所得到的图像中最大的矩形连续区域R_conf，计算该矩形连续区域R_conf的长宽比；

4)扫描待检测图像，得到以待检测图像的中心为中心并包含所述矩形连续区域R_conf的最小的矩形区域R_m；将矩形区域R_m范围外的像素点的显著性值置零，并通过中心——周边直方图算法计算矩形区域R_m范围内各像素点的显著性值，从而得到精确的显著性图，其中，所述中心——周边直方图算法的中心矩形和周边矩形的长宽比均取矩形连续区域R_conf的长宽比。

2.根据权利要求1所述的显著性物体快速检测方法，其特征在于：所述步骤1)之前还包括原始图像裁剪步骤：将原始图像的部分边沿裁去后作为所述待检测图像，所述待检测图像的长、宽分别不小于原始图像长、宽的80％。

3.根据权利要求1所述的显著性物体快速检测方法，其特征在于：所述步骤1)中，对待检测图像进行小波变换之前，先对待检测图像进行双边滤波处理。

4.根据权利要求1所述的显著性物体快速检测方法，其特征在于：所述步骤2)与所述步骤3)之间还包括以下步骤：对步骤2)所得到的图像进行双边滤波处理。

5.根据权利要求1所述的显著性物体快速检测方法，其特征在于：所述步骤1)中对待检测图像进行小波变换的次数为6次。

6.根据权利要求1所述的显著性物体快速检测方法，其特征在于：所述步骤3)中预定的灰度阈值为125。

Images