CN103106671A - 一种基于视觉注意机制的图像感兴趣区域检测方法 - Google Patents

Abstract

本发明涉及基于视觉注意机制的图像感兴趣区域检测方法，其特征在于：首先，同时图像的颜色特征及纹理特征，首先将输入图像转化为RGB和Lab两个颜色空间，并将RGB颜色空间的各颜色通道减去亮度特征得到纯颜色通道；然后分别在各颜色通道中将图像分割成互不相交的3×3的图像块集合，以图像块的像素均值代替图像块中各点的像素；接着，考虑了每个图像块与其余图像块像素差及欧氏距离，并以图像方差表示图像的纹理特征，最后，运用信息熵找出图像的颜色特征及纹理特征的最优颜色通道，同时运用信息熵组合得到的最优显著性特征。

Description

一种基于视觉注意机制的图像感兴趣区域检测方法

技术领域

本发明属于数字图像处理领域，具体涉及一种基于视觉注意机制的图像感兴趣区域检测方法。

背景技术

视觉是人们获取信息的主要来源，据统计有75％左右的外界信息通过人的眼睛传给大脑。而人类视觉具有高级的智能选择系统，在绿油油的草丛中，一朵红花最吸引人的注意，这就是图像的感兴趣区域。随着图像信息技术的发展，尤其是电子产品的日益革新，网络技术日益渗透到人们生活中，使得图像的获取越来越易，图像数据越来越庞大。图像数据的高速增长给人们带来大量信息的同时也带来一些新的问题，哪些图像是我们最关心的，图像中的哪些内容是值得注意的。这需求对计算机信息处理能力和效率提出了越来越高的要求。如何在计算机图像信息处理中模拟和实现人类的选择性注意机制，快速找到那些容易引起观察者注意的图像区域，使计算机具有类似人类的选择性和主动性的图像信息处理能力，对提高计算机图像信息处理效率将具有重大意义。

颜色是影响人类视觉系统的最重要的因素，Lab颜色空间是与设备无关的颜色模型，最接近人类的视觉，RGB颜色空间是图像保持的主要空间类型，而通过将RGB颜色空间的各颜色通道减去亮度特征得到纯颜色通道，这样更能反映出图像的颜色特征。同时我们又考虑图像的全局特征和纹理特征，以图像的方差来表示图像的纹理特征。单独一个像素点不可能表示一个目标，因此我们将图像分割成互不相交的3×3的图像块集合，以图像块的像素均值代替图像块中各点的像素，提高了检测效果和效率。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于视觉注意机制的图像感兴趣区域检测方法，快速有效的检测出图像中的符合人类视觉特点的感兴趣目标。

技术方案

一种基于视觉注意机制的图像感兴趣区域检测方法，其特征在于步骤如下：

步骤1：将n×n的输入图像转化为RGB颜色空间和Lab颜色空间，在RGB颜色空间中，计算亮度通道I＝(R+G+B)/3，纯颜色通道R′＝R-I,G′＝G-I,B′＝B-I，得到7个颜色通道L,a,b,I,R′,G′,B′，其中：R,G,B分别表示RGB颜色空间的红、绿、蓝颜色通道，R′,G′,B′分别表示红、绿、蓝纯颜色通道；

步骤2：对于每一个颜色通道，将图像分割成互不相交，大小为3×3的N个图像块，每一块的中心坐标记为(x_i,y_i)，i＝1,2,…,N；

步骤3：计算k颜色通道中第i个图像块的像素均值p_ki，k∈{L,a,b,I,R′,G′,B′}，i＝1，2,…,N；

步骤4：计算k颜色通道中第i个图像块与其余第j个图像块的像素均值之差：

P_k(i,j)＝|p_ki-p_kj|，i,j＝1,2,…,N；

步骤5：计算第i个图像块与其余第j个图像块的中心点欧氏距离：

$D(i,j)=\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2},i,j=\mathrm{1,2},\·\·\·,N;$

步骤6：计算第i个图像块与其余第j个图像块的中心点欧氏距离：

$D(i,j)=\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2},i,j=\mathrm{1,2},\·\·\·,N;$

步骤7：根据步骤5和步骤6的结果计算k颜色通道中第i个图像块颜色显著性特征：

${\mathrm{Lmap}}_k\left(i\right)=\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\frac{P_k(i,j)\exp (-D(i,j))}{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\exp (-D(i,j))},i=\mathrm{1,2},\·\·\·,N,k=\mathrm{1,2},\·\·\·,7;$

步骤8：计算k颜色通道中第i个图像块全局颜色特征：

Gmap_k(i)＝|p_ki-mean_k|×exp(d(i))，

其中：mean_k是k颜色通道像素均值，d(i)是第i个图像块中心与整幅图像中心的距离；

步骤9：计算k颜色通道中图像块纹理显著性特征：

$T_k(x,y)={\left[\frac{1}{N-1}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(p_{\mathrm{kj}}-\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{p}_{\mathrm{kj}})}^2\right]}^{\frac{1}{2}}$

步骤10：计算图像的信息熵为 $H\left(\mathrm{map}\right)=-\underset{x=1}{\overset{n}{\mathrm{\Σ}}}\underset{y=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{gmap}(x,y)\log \left(\mathrm{gmap}(x,y)\right),$ 其中：g是一个高斯低通滤波器，map∈{Lmap_k,Gmap_k,Tmap_k},k∈{L,a,b,I,R′,G′,B′}；

步骤11：分别计算局部特征、全局特征及纹理特征中信息熵最小的颜色通道的显著图Optimalmap_L,Optimalmap_G,Optimalmap_T；

步骤12：将Optimalmap_L,Optimalmap_G,Optimalmap_T归一化并组合，得图像感兴趣区域的显著性特征：

Smap＝w_L×Optimalmap_L+w_G×Optimalmap_G+w_T×Optimalmap_T，

其中：特征融合权系数为： $w_s=\frac{1/H\left({\mathrm{Optimalmap}}_s\right)}{\underset{s}{\mathrm{\Σ}}1/H\left({\mathrm{Optimalmap}}_s\right)},s\∈\{L,G,L\}.$

有益效果

本发明提出的一种基于视觉注意机制的图像感兴趣区域检测方法，考虑了Lab颜色空间、RGB空间的颜色特征及纹理特征，分别在7个颜色通道中将图像分割成互不相交的3×3的图像块集合，以图像块的像素均值代替图像块中各点的像素，运用信息熵找出最优颜色通道，并运用信息熵组合得到的最优显著性特征，提高了检测效果和效率。

附图说明

图1：本发明方法的基本流程图

具体实施方式

现结合实施例、附图对本发明作进一步描述：

用于实施的硬件环境是：AMD Athlon64×25000+计算机、2GB内存、256M显卡，运行的软件环境是：Matlab2010a和Windows XP。我们用Matlab软件实现了本发明提出的方法。

本发明具体实施如下：

1：将输入图像的大小调整为120×120；

2：将120×120的输入图像图像转化为RGB颜色空间和Lab颜色空间，在RGB颜色空间中，计算亮度通道I＝(R+G+B)/3，纯颜色通道R′＝R-I,G′＝G-I,B′＝B-I，得到7个颜色通道L,a,b,I,R′,G′,B′；

3：对于每一个颜色通道，将图像分割成互不相交，大小为3×3的1600个图像块，每一块的中心坐标记为(x_i,y_i)，i＝1,2,…,1600；

4：计算k颜色通道中第i个图像块的像素均值p_ki，k∈{L,a,b,I,R′,G′,B′}，i＝1,2,…,1600；

5：计算k颜色通道中第i个图像块与其余图像块的像素均值之差

P_k(i,j)＝|p_ki-p_kj|，i,j＝1,2,…,1600；

6：计算第i个图像块与其余图像块的中心点欧氏距离

$D(i,j)=\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2},i,j=\mathrm{1,2},\·\·\·,1600;$

7：计算k颜色通道中第i个图像块颜色显著性特征

${\mathrm{Lmap}}_k\left(i\right)=\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\frac{P_k(i,j)\exp (-D(i,j))}{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\exp (-D(i,j))},i=\mathrm{1,2},\·\·\·,1600,k=\mathrm{1,2},\·\·\·,7;$

8：计算k颜色通道中第i个图像块全局颜色特征

Gmap_k(i)＝|p_ki-mean_k|×exp(d(i))，

其中：mean_k是k颜色通道像素均值，d(i)是第i个图像块中心与整幅图像中心的距离；

9：计算k颜色通道中图像块纹理显著性特征

$T_k(x,y)={\left[\frac{1}{N-1}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(p_{\mathrm{kj}}-\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{p}_{\mathrm{kj}})}^2\right]}^{\frac{1}{2}};$

10：计算图像的信息熵为 $H\left(\mathrm{map}\right)=-\underset{x=1}{\overset{n}{\mathrm{\Σ}}}\underset{y=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{gmap}(x,y)\log \left(\mathrm{gmap}(x,y)\right),$ 其中：g是一个高斯低通滤波器，map∈{Lmap_k,Gmap_k,Tmap_k},k∈{L,a,b,I,R′,G′,B′}；

11：分别计算局部特征、全局特征及纹理特征中信息熵最小的颜色通道的显著图Optmalmap_L,Optimalmap_G,Optmalmap_T；

12：将Optimalmap_L,Optimalmap_G,Optimalmap_T归一化并组合，得图像感兴趣区域的的显著性特征

Smap＝w_LOptimalmap_L+w_GOptimalmap_G+w_TOptimalmap_T,

其中：特征融合权系数为

$w_s=\frac{1/H\left({\mathrm{Optimalmap}}_s\right)}{\underset{s}{\mathrm{\Σ}}1/H\left({\mathrm{Optimalmap}}_s\right)},s\∈\{L,G,L\}.$

Claims (1)

1.一种基于视觉注意机制的图像感兴趣区域检测方法，其特征在于步骤如下：

步骤1：将n×n的输入图像转化为RGB颜色空间和Lab颜色空间，在RGB颜色空间中，计算亮度通道I＝(R+G+B)/3，纯颜色通道R′＝R-I,G′＝G-I,B′＝B-I，得到7个颜色通道L,a,b,I,R′,G′,B′，其中：R,G,B分别表示RGB颜色空间的红、绿、蓝颜色通道，R′,G′,B′分别表示红、绿、蓝纯颜色通道；

步骤2：对于每一个颜色通道，将图像分割成互不相交，大小为3×3的N个图像块，每一块的中心坐标记为(x_i,y_i)，i＝1,2,…,N；

步骤3：计算k颜色通道中第i个图像块的像素均值p_ki，k∈{L,a,b,I,R′,G′,B′}，i＝1，2,…,N；

步骤4：计算k颜色通道中第i个图像块与其余第j个图像块的像素均值之差：

P_k(i,j)＝|p_ki-p_kj|，i,j＝1,2,…,N；

步骤5：计算第i个图像块与其余第j个图像块的中心点欧氏距离：

$D(i,j)=\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2},i,j=\mathrm{1,2},\·\·\·,N;$

步骤6：计算第i个图像块与其余第j个图像块的中心点欧氏距离：

$D(i,j)=\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2},i,j=\mathrm{1,2},\·\·\·,N;$

步骤7：根据步骤5和步骤6的结果计算k颜色通道中第i个图像块颜色显著性特征：

${\mathrm{Lmap}}_k\left(i\right)=\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\frac{P_k(i,j)\exp (-D(i,j))}{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\exp (-D(i,j))},i=\mathrm{1,2},\·\·\·,N,k=\mathrm{1,2},\·\·\·,7;$

步骤8：计算k颜色通道中第i个图像块全局颜色特征：

Gmap_k(i)＝|p_ki-mean_k|×exp(-d(i))，

其中：mean_k是k颜色通道像素均值，d(i)是第i个图像块中心与整幅图像中心的距离；

步骤9：计算k颜色通道中图像块纹理显著性特征：

$T_k(x,y)={\left[\frac{1}{N-1}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(p_{\mathrm{kj}}-\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{p}_{\mathrm{kj}})}^2\right]}^{\frac{1}{2}}$

步骤10：计算图像的信息熵为 $H\left(\mathrm{map}\right)=-\underset{x=1}{\overset{n}{\mathrm{\Σ}}}\underset{y=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{gmap}(x,y)\log \left(\mathrm{gmap}(x,y)\right),$ 其中：g是一个高斯低通滤波器，map∈{Lmap_k,Gmap_k,Tmap_k},k∈{L,a,b,I,R′,G′,B′}；

步骤11：分别计算局部特征、全局特征及纹理特征中信息熵最小的颜色通道的显著图Optimalmap_L,Optimalmap_G,Optimalmap_T；

步骤12：将Optimalmap_L,Optimalmap_G,Optimalmap_T归一化并组合，得图像感兴趣区域的显著性特征：

Smap＝w_L×Optimalmap_L+w_G×Optimalmap_G+w_T×Optimalmap_T，

其中：特征融合权系数为： $w_s=\frac{1/H\left({\mathrm{Optimalmap}}_s\right)}{\underset{s}{\mathrm{\Σ}}1/H\left({\mathrm{Optimalmap}}_s\right)},s\∈\{L,G,L\}.$

Images