CN103218832A - 基于图像中全局颜色对比度和空域分布的视觉显著性算法 - Google Patents

基于图像中全局颜色对比度和空域分布的视觉显著性算法 Download PDF

Info

Publication number
CN103218832A
CN103218832A CN2013100923708A CN201310092370A CN103218832A CN 103218832 A CN103218832 A CN 103218832A CN 2013100923708 A CN2013100923708 A CN 2013100923708A CN 201310092370 A CN201310092370 A CN 201310092370A CN 103218832 A CN103218832 A CN 103218832A
Authority
CN
China
Prior art keywords
color
pixel
value
conspicuousness
conspicuousness value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2013100923708A
Other languages
English (en)
Other versions
CN103218832B (zh
Inventor
刘志
罗书花
查林
沈明华
范星星
邹雪妹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201310092370.8A priority Critical patent/CN103218832B/zh
Publication of CN103218832A publication Critical patent/CN103218832A/zh
Application granted granted Critical
Publication of CN103218832B publication Critical patent/CN103218832B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像中颜色全局对比度和空域分布的视觉显著性算法，其具体步骤如下：（1）、输入原始图像，运用均值漂移算法把原始图像预分割为个区域，，生成个预分割后的区域标记图；（2）、计算第个区域的颜色显著性值；（3）、计算像素的颜色显著性值；（4）、计算第个区域的位置显著性值；（5）、计算像素的位置显著性值；（6）、计算像素的颜色和位置的显著性值，再对像素的显著性值进行归一化，计算每个像素归一化的显著性值。本发明结合颜色全局对比度和空域分布两个方面，不仅能计算出与原始图像分辨率相同的显著性图，而且计算出的显著性图中的显著对象被均匀突显出来，同时背景很好地被抑制，更适合于图像分割这样的基于内容的应用场合。

Description

基于图像中全局颜色对比度和空域分布的视觉显著性算法
技术领域
本发明涉及计算机视觉领域，具体涉及一种图像中视觉显著性计算方法。
背景技术
视觉显著性的计算过程是通过模拟人眼观察图像的过程，进而提取人眼感兴趣区域，最后得到一幅与关注度相对应的视觉显著性图。人眼在观察一幅图像时常常会把注意力放在某一个比较突出的区域或图像块，这些突出的区域或图像块被称为视觉显著性区域。通过某种计算方法将这些视觉显著性区域突显出来的过程称为视觉显著性区域检测。为方便对图像进行高效的后续处理，受人眼的注意机制的启发，我们用计算机来模拟人类视觉系统，检测出图像的视觉显著区域。在显著对象识别、图像压缩、图像分类及图像/视频自适应等多方面，都是图像视觉显著性区域检测的重要应用场合。例如压缩，我们可以对图像中视觉显著的区域进行小比例的压缩或不压缩，对于图像中非视觉显著区域进行比较大比例的压缩，这样做既能实现图像压缩的目的，也不影响人们对图像的理解，图像中的信息保留得比较完全。视觉显著性计算方法旨在能够准确快速地检测出图像中与人眼关注度相对应的视觉显著性对象，检测结果表现为在输出图像中越亮的地方对应原始图像越显著的位置，计算的输出图称为视觉显著性图。
目前国内外研究学者们提出了多种不同的视觉显著性计算方法，主要有基于中心-周围对比度、频域分析、有监督学习和统计学等方法。如Hou（参考：X. Hou and L. Zhang. Saliency detection: A spectral residual approach, IEEE Conf. on CVPR, 2007.）提出一种容易实现的显著性检测方法，是采用单张图像的对数谱（傅里叶变换的幅度谱取对数）减去该图像经平均滤波后的对数谱得到的残余谱来表示图像的新信息。Hou等利用傅里叶逆变换，再经过高斯平滑去噪得到最终的视觉显著性图。Hou等人提出的计算方法仅几行程序就能实现，计算复杂度低，且不需要图像的任何先验知识。但缺点在于，得到的视觉显著性图的分辨率低于原始图像的分辨率，造成原始图像信息的丢失。Goferman（参考：S Goferman, L Zelnik-Manor, A Tal. Context-aware saliency detection. IEEE Conf. on CVPR, 2010）提出的显著性检测方法解决了低分辨率的问题，同时考虑了图像的局部差异和全局差异，并且有意地将显著对象周围的背景区域保留了下来，但是Goferman的方法通常在对象边缘附近产生更高的显著性值，而对象内部的显著性值有所下降，在均匀突出整个视觉显著性对象方面尚存在不足。
发明内容
本发明的目的在于提出一种基于图像中颜色全局对比度和空域分布的视觉显著性算法，由该方法得到的显著性图的分辨率与原始图像相同，显著性图中的显著对象被均匀突显出来，并且能够较好地抑制原始图像中非视觉显著区域。
为了达到上述目的，本发明的基于图像中颜色全局对比度和空域分布的视觉显著性算法，其具体步骤如下： 
（1）、输入原始图像，运用均值漂移算法把原始图像预分割为                                                
Figure DEST_PATH_IMAGE001
个区域，
Figure 440682DEST_PATH_IMAGE002
，生成
Figure 49518DEST_PATH_IMAGE001
个预分割后的区域标记图；
（2）、计算第 
Figure DEST_PATH_IMAGE003
个区域的颜色显著性值；
（3）、计算像素
Figure 144382DEST_PATH_IMAGE004
的颜色显著性值；
（4）、计算第 
Figure 155063DEST_PATH_IMAGE006
个区域的位置显著性值；
（5）、计算像素
Figure 60702DEST_PATH_IMAGE004
的位置显著性值；
（6）、计算像素
Figure 156834DEST_PATH_IMAGE004
的颜色和位置的显著性值，再对像素的显著性值进行归一化，计算每个像素归一化的显著性值。
上述步骤(2)所述的计算第 
Figure DEST_PATH_IMAGE007
个区域的颜色显著性值，其具体步骤如下：
(2-1)、将原始图像中的颜色空间的三个颜色分量分别量化成12等分，再将
Figure 186156DEST_PATH_IMAGE008
颜色空间的三个颜色分量组合，组合成123种颜色；
(2-2)、统计原始图像的123种颜色在原始图像上出现的频率，组成全局直方图；
(2-3)、将全局直方图按照频率的高低进行降序排列，然后从前到后选择原始图像95%以上的颜色，没有被选择的颜色的频率叠加到已选择的最相近的颜色的频率中，选择后的颜色种数为；
(2-4)、分别计算
Figure 262696DEST_PATH_IMAGE010
个区域的直方图，计算出第
Figure DEST_PATH_IMAGE011
个区域中
Figure 580545DEST_PATH_IMAGE009
种颜色出现的频率，得到个
Figure 95840DEST_PATH_IMAGE010
区域的直方图； 
(2-5)、分别利用第
Figure 268064DEST_PATH_IMAGE011
个区域直方图与全局直方图比较得出频率的差异，计算第
Figure 577823DEST_PATH_IMAGE011
个区域的颜色显著性值，其计算式为：
    
Figure 382968DEST_PATH_IMAGE012
                  (1)
其中，表示第个区域的颜色显著性值，
Figure 213838DEST_PATH_IMAGE014
表示第
Figure 881448DEST_PATH_IMAGE007
个区域中第
Figure DEST_PATH_IMAGE015
种颜色出现的频率，
Figure 439468DEST_PATH_IMAGE009
表示颜色种数，表示第
Figure DEST_PATH_IMAGE017
种颜色在全局直方图中的纵坐标值，
Figure 928536DEST_PATH_IMAGE018
、
Figure DEST_PATH_IMAGE019
分别表示颜色空间中的
Figure DEST_PATH_IMAGE021
、 两种颜色，函数
Figure DEST_PATH_IMAGE023
表示欧氏距离的平方, 公式（1）表明与全局颜色差异越大的区域越显著，因此可以用归一化后的
Figure 885536DEST_PATH_IMAGE024
表示
Figure 699909DEST_PATH_IMAGE007
第个区域的颜色显著性。
上述步骤(3)所述的计算像素
Figure 709322DEST_PATH_IMAGE004
的颜色显著性值，其具体步骤如下：
(3-1)、计算第
Figure 976355DEST_PATH_IMAGE011
个区域的直方图进行均值移位后的值，其计算式为：
                           (2)
其中，
Figure 299889DEST_PATH_IMAGE026
表示第
Figure 968768DEST_PATH_IMAGE003
个区域中第种颜色经均值移位后的值，
Figure DEST_PATH_IMAGE027
为均值移位的卷积核，卷积核采用等腰三角形的分布形式，表示第
Figure 843686DEST_PATH_IMAGE011
个区域中第
Figure 367071DEST_PATH_IMAGE017
种颜色出现的频率，符号“*”表示卷积；
(3-2)、计算像素
Figure 531336DEST_PATH_IMAGE004
属于第
Figure 710645DEST_PATH_IMAGE011
个区域的概率，其计算式为：
         
Figure DEST_PATH_IMAGE029
                   (3)
其中，表示像素
Figure 816190DEST_PATH_IMAGE004
属于第
Figure 416936DEST_PATH_IMAGE011
个区域的概率，
Figure DEST_PATH_IMAGE031
、
Figure 817961DEST_PATH_IMAGE032
、分别表示区域中像素
Figure 162355DEST_PATH_IMAGE034
在
Figure DEST_PATH_IMAGE035
颜色空间的
Figure 581704DEST_PATH_IMAGE036
、
Figure DEST_PATH_IMAGE037
、
Figure 353351DEST_PATH_IMAGE038
分量对应的均值移位后的值；
(3-3)、计算像素
Figure 241672DEST_PATH_IMAGE004
的颜色显著性值，其计算式为：
Figure DEST_PATH_IMAGE039
                             (4)
其中，
Figure 124177DEST_PATH_IMAGE040
为像素
Figure 663612DEST_PATH_IMAGE004
的颜色显著性值，为原始图像预分割后的区域个数，
Figure 44095DEST_PATH_IMAGE030
为像素属于第
Figure 61915DEST_PATH_IMAGE011
个区域的概率，
Figure 175365DEST_PATH_IMAGE013
为第个区域的颜色显著性值。    
上述步骤(4)所述的计算第
Figure 262587DEST_PATH_IMAGE011
个区域的位置显著性值，其具体步骤为：
(4-1)、计算第
Figure 589663DEST_PATH_IMAGE011
个区域的平均散布值，其计算式为：
                              (5)
其中，
Figure 812963DEST_PATH_IMAGE042
表示第
Figure 163173DEST_PATH_IMAGE011
个区域的平均散布值，
Figure DEST_PATH_IMAGE043
表示原始图像的像素个数，
Figure 191172DEST_PATH_IMAGE030
表示像素属于第
Figure 14957DEST_PATH_IMAGE011
个区域的概率， 
Figure 649201DEST_PATH_IMAGE044
表示像素
Figure 152995DEST_PATH_IMAGE034
到原始图像中心的欧氏距离；
(4-2)、计算第
Figure 454663DEST_PATH_IMAGE011
个区域的位置显著性值，第
Figure 80816DEST_PATH_IMAGE011
个区域的位置显著性值为第
Figure 389307DEST_PATH_IMAGE011
个区域的平均散布值的倒数，其计算式为：
      
Figure DEST_PATH_IMAGE045
                               (6)
其中，
Figure 759108DEST_PATH_IMAGE046
表示第个区域的位置显著性值。
上述步骤(5)所述的计算像素
Figure 650021DEST_PATH_IMAGE004
的位置显著性值，将步骤(3-2)所述的像素
Figure 258857DEST_PATH_IMAGE004
属于第
Figure 353721DEST_PATH_IMAGE011
个区域的概率与步骤(4-2)所述的区域的位置显著性值相乘，其相乘的乘积为像素
Figure 364402DEST_PATH_IMAGE034
的位置显著性值，其计算式为：
        
Figure DEST_PATH_IMAGE047
                      (7)
其中,表示像素
Figure 366173DEST_PATH_IMAGE004
的位置显著性值，
Figure 77777DEST_PATH_IMAGE030
表示像素
Figure 129916DEST_PATH_IMAGE004
属于第
Figure 268773DEST_PATH_IMAGE011
个区域的概率，
Figure 852201DEST_PATH_IMAGE046
表示第
Figure 367496DEST_PATH_IMAGE011
个区域的位置显著性值。
上述步骤(6)所述的计算像素
Figure 24873DEST_PATH_IMAGE004
的颜色和位置的显著性值，再对像素的显著性值进行归一化，计算每个像素归一化的显著性值，其具体步骤如下：
(6-1)、将步骤(3-3)得到的像素
Figure 334632DEST_PATH_IMAGE004
的颜色显著性与步骤(5-1)得到的像素点位置显著性相乘，其相乘的乘积为每个像素未归一化的显著性值，其计算式为：
       
Figure DEST_PATH_IMAGE049
                         (8)
其中，
Figure 592307DEST_PATH_IMAGE050
表示未归一化的像素
Figure 645714DEST_PATH_IMAGE004
的显著性值，为像素
Figure 903837DEST_PATH_IMAGE004
的颜色显著性值，
Figure 461857DEST_PATH_IMAGE048
表示像素的位置显著性值；
(6-2) 对像素
Figure 934612DEST_PATH_IMAGE004
的显著性值进行归一化，得到最终的显著性图，其计算式为：
                             (9)
其中，
Figure 851753DEST_PATH_IMAGE052
为像素
Figure 569173DEST_PATH_IMAGE004
的显著性值，
Figure 964382DEST_PATH_IMAGE050
表示未归一化的像素的显著性值，表示求最小值的函数，
Figure 725851DEST_PATH_IMAGE054
表示求最大值的函数。
本发明的基于图像中颜色全局对比度和空域分布的视觉显著性算法与现有技术相比较具有如下优点：该方法结合颜色全局对比度和空域分布两个方面，不仅能计算出与原始图像分辨率相同的显著性图，而且计算出的显著性图中的显著对象被均匀突显出来，同时背景很好地被抑制，更适合于图像分割这样的基于内容的应用场合。
附图说明
图1是本发明基于图像中颜色全局对比度和空域分布的视觉显著性算法的流程图；
图2是图1中步骤(1)中所述的输入的原始图像；
图3是图1中步骤(1)中所述的经均值漂移预分割为
Figure 992884DEST_PATH_IMAGE001
个区域的图像；
图4是图1中步骤(1)预分割后的区域标记图；
图5是图1中步骤(2)所述的选择95%以上的颜色后的全局直方图，图中，横坐标表示颜色，纵坐标表示该颜色在原始图像上出现的频率；
图6是图1中步骤(2)所述的第1个区域的直方图，图中，横坐标表示颜色，纵坐标表示该颜色在原始图像上出现的频率；
图7是图1中步骤(2)所述的第 个区域的颜色显著性值的示意图；
图8是图1中步骤(3)所述的均值移位的卷积核的示意图；
图9是图1中步骤(3)所述的像素的颜色显著性值的示意图；
图10是图1中步骤(4)所述的第
Figure 984520DEST_PATH_IMAGE007
个区域的位置显著性值的示意图；
图11是图1中步骤(5)所述的计算像素
Figure 738849DEST_PATH_IMAGE004
的位置显著性值的示意图；
图12是图1中步骤(6)所述的每个像素归一化的最终显著性值的示意图。
图13是六个实例采用不同方法计算的效果对比图，其中图13(a)是六幅真实的自然图像，图13(b)为采用文献（X. Hou and L. Zhang. Saliency detection: A spectral residual approach, IEEE Conf. on CVPR, 2007.）方法得到的结果，13(c)为采用文献（S Goferman, L Zelnik-Manor, A Tal. Context-aware saliency detection. IEEE Conf. on CVPR, 2010）方法得到的结果，13(d)为采用本发明方法得到的结果。
具体实施方式
下面结合说明书附图对本发明的实施作进一步说明。
本发明进行的仿真实验室是在CPU频率为3.4GHz、内存为4.0GB的PC测试平台上编程实现。                 
如图1所示，本发明的基于图像中颜色全局对比度和空域分布的视觉显著性算法，采用以下步骤加以详述：
(1)、输入原始图像，如图2所示，运用均值漂移算法将原始图像预分割为个区域，生成
Figure 186197DEST_PATH_IMAGE001
个预分割后的区域标记图； 
例如，设置预分割后的最小分割面积参数为
Figure DEST_PATH_IMAGE055
，
Figure 553725DEST_PATH_IMAGE055
=0.02表示最小分割区域的面积为原始图像大小的0.02倍， 该原始图像经均值漂移算法预分割后的图像，如图3所示，生成的标记图中，每个像素值代表原始图像经预分割算法后的像素点所属的区域，标记图中为1的点表示原始图像中该点所在区域标记为1，预分割后的区域标记图，如图4所示，该预分割后的区域标记图是9个区域标记图；
(2)、计算第
Figure 795350DEST_PATH_IMAGE007
个区域的颜色显著性值，其具体步骤如下：
(2-1)、量化原始图像，将原始图像中的
Figure 70474DEST_PATH_IMAGE008
颜色空间的三个颜色分量分别量化成12等分，再将
Figure 900895DEST_PATH_IMAGE008
颜色空间三个颜色分量组合，组合成123种颜色；
(2-2)、计算全局直方图，统计原始图像的123种颜色在原始图像上出现的频率，组成全局直方图，该全局直方图中，横坐标表示颜色，纵坐标表示对应颜色在原始图像上出现的频率；
(2-3)、简化全局直方图，将步骤(2-2)所述的统计原始图像的123种颜色在原始图像上出现的频率组合后的全局直方图按照频率的高低进行降序排列，然后从前往后选择原始图像95%以上的颜色，没有被选择的颜色的频率叠加到已选择的最相近的颜色的频率中，选择后的颜色种数为。如图5所示； 
(2-4) 分别计算
Figure 902666DEST_PATH_IMAGE010
个区域的直方图，计算出第
Figure 981481DEST_PATH_IMAGE011
个区域中
Figure 479458DEST_PATH_IMAGE009
种颜色出现的频率，得到
Figure 438056DEST_PATH_IMAGE001
个区域的直方图，其中第1个区域的直方图如图6所示；
 (2-5)、分别利用第
Figure 388694DEST_PATH_IMAGE056
个区域直方图与全局直方图比较得出的差异，计算第
Figure 271200DEST_PATH_IMAGE011
个区域的颜色显著性值，其计算式为：
Figure DEST_PATH_IMAGE057
                          (1)
其中，
Figure 748317DEST_PATH_IMAGE013
表示第
Figure 690866DEST_PATH_IMAGE011
个区域的颜色显著性值，
Figure 128800DEST_PATH_IMAGE014
表示第个区域中第
Figure 959670DEST_PATH_IMAGE058
种颜色出现的频率，
Figure 73120DEST_PATH_IMAGE009
表示颜色种数，
Figure 185301DEST_PATH_IMAGE016
表示第
Figure DEST_PATH_IMAGE059
种颜色在全局直方图中的纵坐标值，
Figure 347292DEST_PATH_IMAGE018
、
Figure 408789DEST_PATH_IMAGE019
分别表示
Figure 693140DEST_PATH_IMAGE020
彩色空间中的
Figure 105666DEST_PATH_IMAGE021
、
Figure 320616DEST_PATH_IMAGE022
两种颜色，函数
Figure 502199DEST_PATH_IMAGE023
表示欧氏距离的平方, 公式（1）表明与全局颜色差异越大的区域越显著，因此可以用归一化后的
Figure 629555DEST_PATH_IMAGE024
表示第个区域的颜色显著性，如图7所示；
(3)、计算像素
Figure 282439DEST_PATH_IMAGE004
的颜色显著性值，其具体步骤如下：
(3-1)、计算第
Figure 584107DEST_PATH_IMAGE011
个区域的直方图进行均值移位后的值，其计算式为：                            
Figure 944681DEST_PATH_IMAGE060
                           (2)
其中，
Figure 269483DEST_PATH_IMAGE026
表示第
Figure 639285DEST_PATH_IMAGE007
个区域中第
Figure 710972DEST_PATH_IMAGE017
种颜色经均值移位后的值，
Figure 508026DEST_PATH_IMAGE027
为均值移位的卷积核，卷积核采用等腰三角形的分布形式，如图8所示；
Figure 54545DEST_PATH_IMAGE028
表示第个区域中第种颜色出现的频率，符号“*”表示卷积；
(3-2)、计算像素
Figure 393626DEST_PATH_IMAGE004
属于第
Figure 489758DEST_PATH_IMAGE011
个区域的概率，其计算式为：
  
Figure 139045DEST_PATH_IMAGE029
                  (3)
其中，
Figure 4233DEST_PATH_IMAGE030
表示像素
Figure 143090DEST_PATH_IMAGE004
属于第
Figure 726518DEST_PATH_IMAGE011
个区域的概率，、、分别表示区域中像素
Figure 528941DEST_PATH_IMAGE034
在
Figure 582348DEST_PATH_IMAGE035
颜色空间的
Figure 359811DEST_PATH_IMAGE036
、
Figure 840471DEST_PATH_IMAGE037
、
Figure 132912DEST_PATH_IMAGE038
分量对应的均值移位后的值；
(3-3)、计算像素
Figure 990009DEST_PATH_IMAGE004
的颜色显著性值，其计算式为：
         
Figure 871247DEST_PATH_IMAGE039
                            (4)
其中，
Figure 522808DEST_PATH_IMAGE040
为像素
Figure 568124DEST_PATH_IMAGE004
的颜色显著性值，
Figure 963333DEST_PATH_IMAGE010
为原始图像预分割后的区域个数，
Figure 449809DEST_PATH_IMAGE030
为像素
Figure 537851DEST_PATH_IMAGE004
属于第
Figure 804884DEST_PATH_IMAGE011
个区域的概率，
Figure 3785DEST_PATH_IMAGE013
为第
Figure 407084DEST_PATH_IMAGE011
个区域的颜色显著性值，如图9所示；
(4)、计算第
Figure 852978DEST_PATH_IMAGE011
个区域的位置显著性值，其具体步骤为：
(4-1)、计算第
Figure 607307DEST_PATH_IMAGE011
个区域的平均散布值，其计算式为：  
                                     (5)
其中，
Figure 867704DEST_PATH_IMAGE042
表示第
Figure 235232DEST_PATH_IMAGE011
个区域的平均散布值，表示原始图像的像素个数，表示像素
Figure 395452DEST_PATH_IMAGE004
属于第
Figure 730618DEST_PATH_IMAGE011
个区域的概率， 
Figure 646490DEST_PATH_IMAGE044
表示像素
Figure 725305DEST_PATH_IMAGE034
到原始图像中心的欧氏距离；
(4-2)、计算第
Figure 223282DEST_PATH_IMAGE011
个区域的位置显著性值，第
Figure 729350DEST_PATH_IMAGE011
个区域的位置显著性值为第
Figure 883251DEST_PATH_IMAGE011
个区域的平均散布值的倒数，其计算式为：
           
Figure DEST_PATH_IMAGE061
                               (6)
其中，
Figure 765756DEST_PATH_IMAGE046
表示第
Figure 118240DEST_PATH_IMAGE011
个区域的位置显著性值，第
Figure 60788DEST_PATH_IMAGE011
个区域的位置显著性图，如图10所示；
(5)、计算像素
Figure 685674DEST_PATH_IMAGE004
的位置显著性值，将步骤(3-2)所述的像素
Figure 106291DEST_PATH_IMAGE004
属于第
Figure 578860DEST_PATH_IMAGE011
个区域的概率与步骤(4-2)所述的区域的位置显著性值相乘，其相乘的乘积为像素
Figure 426731DEST_PATH_IMAGE034
的位置显著性值，其计算式为：
                                  (7)
其中,
Figure 513952DEST_PATH_IMAGE048
表示像素
Figure 841028DEST_PATH_IMAGE004
的位置显著性值，
Figure 125379DEST_PATH_IMAGE030
表示像素
Figure 537906DEST_PATH_IMAGE004
属于第
Figure 487276DEST_PATH_IMAGE011
个区域的概率，
Figure 668859DEST_PATH_IMAGE046
表示第个区域的位置显著性值，如图11所示；
(6)、计算像素
Figure 23934DEST_PATH_IMAGE004
的颜色和位置的显著性值，再对像素的显著性值进行归一化，计算每个像素归一化的显著性值，其具体步骤如下：
(6-1)、将步骤(3-3)得到的像素
Figure 527728DEST_PATH_IMAGE004
的颜色显著性与步骤(5-1)得到的像素点位置显著性相乘，其相乘的乘积为每个像素未归一化的显著性值，其计算式为：
       
Figure 756627DEST_PATH_IMAGE049
                                 (8)
其中，表示未归一化的像素
Figure 769899DEST_PATH_IMAGE004
的显著性值，为像素
Figure 30296DEST_PATH_IMAGE004
的颜色显著性值，
Figure 765034DEST_PATH_IMAGE048
表示像素
Figure 373870DEST_PATH_IMAGE004
的位置显著性值；
(6-2)、对像素
Figure 547362DEST_PATH_IMAGE004
的显著性值进行归一化，得到最终的显著性图，其计算式为：
       
Figure 558044DEST_PATH_IMAGE051
                              (9)
其中，为像素
Figure 809082DEST_PATH_IMAGE004
的显著性值，
Figure 255107DEST_PATH_IMAGE050
表示未归一化的像素
Figure 385874DEST_PATH_IMAGE004
的显著性值，
Figure 524732DEST_PATH_IMAGE053
表示求最小值的函数，
Figure 45843DEST_PATH_IMAGE054
表示求最大值的函数。
最终的显著性图中的数值为对应像素的显著性值，显著性值的范围为0～1，显著性值越大表示该像素越显著，显著性值越小表示该像素越不显著，如图12所示。
为了验证使用本发明的计算方法的效果，如图13所示的是六个实例，采用不同方法计算的效果对比图。如图13所示，该图有人物一幅，花一幅，十字架一幅，路标一幅，动物一幅，水果一幅，分成六行四列排列，其中图13(a)是六幅真实的自然图像，图13(b)为采用文献（X. Hou and L. Zhang. Saliency detection: A spectral residual approach, IEEE Conf. on CVPR, 2007.）方法得到的结果，图13(c)为采用文献（S Goferman, L Zelnik-Manor, A Tal. Context-aware saliency detection. IEEE Conf. on CVPR, 2010）方法得到的结果，13 (d)为采用本发明方法得到的结果。
从本发明的计算方法的效果图与现有的不同方法计算的效果图对比图可以看出，本发明的计算方法不仅能将满足人眼要求的显著性对象均匀地突显出来，而且可以很好地抑制非显著性的背景区域。 

Claims (6)

1.一种基于图像中颜色全局对比度和空域分布的视觉显著性算法，其具体步骤如下： 
（1）、输入原始图像，运用均值漂移算法把原始图像预分割为                                                
Figure DEST_PATH_IMAGE002
个区域，，生成个预分割后的区域标记图；
（2）、计算第个区域的颜色显著性值；
（3）、计算像素的颜色显著性值；
（4）、计算第个区域的位置显著性值；
（5）、计算像素
Figure 733907DEST_PATH_IMAGE008
的位置显著性值；
（6）、计算像素
Figure 129116DEST_PATH_IMAGE008
的颜色和位置的显著性值，再对像素的显著性值进行归一化，计算每个像素归一化的显著性值。
2.根据权利要求1所述的基于图像中颜色全局对比度和空域分布的视觉显著性算法，其特征在于，上述步骤(2)所述的计算第 
Figure 756538DEST_PATH_IMAGE010
个区域的颜色显著性值，其具体步骤如下：
(2-1)、将原始图像中的
Figure DEST_PATH_IMAGE012
颜色空间的三个颜色分量分别量化成12等分，再将颜色空间的三个颜色分量组合，组合成123种颜色；
(2-2)、统计原始图像的123种颜色在原始图像上出现的频率，组成全局直方图；
(2-3)、将全局直方图按照频率的高低进行降序排列，然后从前到后选择原始图像95%以上的颜色，没有被选择的颜色的频率叠加到已选择的最相近的颜色的频率中，选择后的颜色种数为
Figure DEST_PATH_IMAGE014
；
(2-4)、分别计算
Figure DEST_PATH_IMAGE016
个区域的直方图，计算出第
Figure DEST_PATH_IMAGE018
个区域中
Figure 908351DEST_PATH_IMAGE014
种颜色出现的频率，得到个
Figure 914441DEST_PATH_IMAGE016
区域的直方图； 
(2-5)、分别利用第个区域直方图与全局直方图比较得出频率的差异，计算第
Figure 576683DEST_PATH_IMAGE018
个区域的颜色显著性值，其计算式为：
     
Figure DEST_PATH_IMAGE020
       (1)
其中，
Figure DEST_PATH_IMAGE022
表示第
Figure 393329DEST_PATH_IMAGE018
个区域的颜色显著性值，
Figure DEST_PATH_IMAGE024
表示第
Figure 943391DEST_PATH_IMAGE010
个区域中第
Figure DEST_PATH_IMAGE026
种颜色出现的频率，
Figure 466776DEST_PATH_IMAGE014
表示颜色种数，
Figure DEST_PATH_IMAGE028
表示第
Figure DEST_PATH_IMAGE030
种颜色在全局直方图中的纵坐标值，
Figure DEST_PATH_IMAGE032
、
Figure DEST_PATH_IMAGE034
分别表示
Figure DEST_PATH_IMAGE036
颜色空间中的
Figure DEST_PATH_IMAGE038
、
Figure DEST_PATH_IMAGE040
两种颜色，函数表示欧氏距离的平方, 公式（1）表明与全局颜色差异越大的区域越显著，因此可以用归一化后的
Figure DEST_PATH_IMAGE044
表示
Figure 834303DEST_PATH_IMAGE010
第个区域的颜色显著性。
3.根据权利要求2所述的基于图像中颜色全局对比度和空域分布的视觉显著性算法，其特征在于，上述步骤(3)所述的计算像素
Figure 888978DEST_PATH_IMAGE008
的颜色显著性值，其具体步骤如下：
(3-1)、计算第
Figure 226418DEST_PATH_IMAGE018
个区域的直方图进行均值移位后的值，其计算式为：
     
Figure DEST_PATH_IMAGE046
   (2)
其中，
Figure DEST_PATH_IMAGE048
表示第
Figure 682939DEST_PATH_IMAGE006
个区域中第
Figure 18105DEST_PATH_IMAGE030
种颜色经均值移位后的值，
Figure DEST_PATH_IMAGE050
为均值移位的卷积核，卷积核采用等腰三角形的分布形式，
Figure DEST_PATH_IMAGE052
表示第
Figure 809344DEST_PATH_IMAGE018
个区域中第
Figure 888158DEST_PATH_IMAGE030
种颜色出现的频率，符号“*”表示卷积；
(3-2)、计算像素属于第
Figure 970832DEST_PATH_IMAGE018
个区域的概率，其计算式为：
   
Figure DEST_PATH_IMAGE054
   (3)
其中，
Figure DEST_PATH_IMAGE056
表示像素
Figure 983787DEST_PATH_IMAGE008
属于第
Figure 866292DEST_PATH_IMAGE018
个区域的概率，、
Figure DEST_PATH_IMAGE060
、
Figure DEST_PATH_IMAGE062
分别表示区域中像素
Figure DEST_PATH_IMAGE064
在
Figure DEST_PATH_IMAGE066
颜色空间的、
Figure DEST_PATH_IMAGE070
、
Figure DEST_PATH_IMAGE072
分量对应的均值移位后的值；
(3-3)、计算像素
Figure 94143DEST_PATH_IMAGE008
的颜色显著性值，其计算式为：
Figure DEST_PATH_IMAGE074
      (4)
其中，
Figure DEST_PATH_IMAGE076
为像素的颜色显著性值，
Figure 349992DEST_PATH_IMAGE016
为原始图像预分割后的区域个数，
Figure 770609DEST_PATH_IMAGE056
为像素属于第
Figure 356628DEST_PATH_IMAGE018
个区域的概率，
Figure 89048DEST_PATH_IMAGE022
为第
Figure 313356DEST_PATH_IMAGE018
个区域的颜色显著性值。    
4.根据权利要求3所述的基于图像中颜色全局对比度和空域分布的视觉显著性算法，其特征在于，上述步骤(4)所述的计算第
Figure 374853DEST_PATH_IMAGE018
个区域的位置显著性值，其具体步骤为：
(4-1)、计算第
Figure 721521DEST_PATH_IMAGE018
个区域的平均散布值，其计算式为：
   
Figure DEST_PATH_IMAGE078
          (5)
其中，表示第
Figure 947097DEST_PATH_IMAGE018
个区域的平均散布值，
Figure DEST_PATH_IMAGE082
表示原始图像的像素个数，
Figure 975096DEST_PATH_IMAGE056
表示像素
Figure 156679DEST_PATH_IMAGE008
属于第
Figure 408668DEST_PATH_IMAGE018
个区域的概率， 
Figure DEST_PATH_IMAGE084
表示像素
Figure 308491DEST_PATH_IMAGE064
到原始图像中心的欧氏距离；
(4-2)、计算第
Figure 687651DEST_PATH_IMAGE018
个区域的位置显著性值，第
Figure 989320DEST_PATH_IMAGE018
个区域的位置显著性值为第
Figure 349894DEST_PATH_IMAGE018
个区域的平均散布值的倒数，其计算式为：
       
Figure DEST_PATH_IMAGE086
             (6)
其中，
Figure DEST_PATH_IMAGE088
表示第
Figure 799330DEST_PATH_IMAGE018
个区域的位置显著性值。
5.根据权利要求4所述的基于图像中颜色全局对比度和空域分布的视觉显著性算法，其特征在于，上述步骤(5)所述的计算像素
Figure 169131DEST_PATH_IMAGE008
的位置显著性值，将步骤(3-2)所述的像素
Figure 872776DEST_PATH_IMAGE008
属于第
Figure 669831DEST_PATH_IMAGE018
个区域的概率与步骤(4-2)所述的区域的位置显著性值相乘，其相乘的乘积为像素
Figure 278667DEST_PATH_IMAGE064
的位置显著性值，其计算式为：
         
Figure DEST_PATH_IMAGE090
        (7)
其中,
Figure DEST_PATH_IMAGE092
表示像素
Figure 514476DEST_PATH_IMAGE008
的位置显著性值，
Figure 525157DEST_PATH_IMAGE056
表示像素
Figure 306162DEST_PATH_IMAGE008
属于第
Figure 402294DEST_PATH_IMAGE018
个区域的概率，
Figure DEST_PATH_IMAGE094
表示第
Figure 176215DEST_PATH_IMAGE018
个区域的位置显著性值。
6.根据权利要求5所述的基于图像中颜色全局对比度和空域分布的视觉显著性算法，其特征在于，上述步骤(6)所述的计算像素
Figure 854453DEST_PATH_IMAGE008
的颜色和位置的显著性值，再对像素的显著性值进行归一化，计算每个像素归一化的显著性值，其具体步骤如下：
(6-1)、将步骤(3-3)得到的像素
Figure 993310DEST_PATH_IMAGE008
的颜色显著性与步骤(5-1)得到的像素点位置显著性相乘，其相乘的乘积为每个像素未归一化的显著性值，其计算式为：
Figure DEST_PATH_IMAGE096
                     (8)
其中，
Figure DEST_PATH_IMAGE098
表示未归一化的像素的显著性值，
Figure 888771DEST_PATH_IMAGE076
为像素的颜色显著性值，
Figure 996852DEST_PATH_IMAGE092
表示像素的位置显著性值；
(6-2) 对像素
Figure 120983DEST_PATH_IMAGE008
的显著性值进行归一化，得到最终的显著性图，其计算式为：
      
Figure DEST_PATH_IMAGE100
     (9)
其中，
Figure DEST_PATH_IMAGE102
为像素的显著性值，表示未归一化的像素
Figure 609230DEST_PATH_IMAGE008
的显著性值，
Figure DEST_PATH_IMAGE104
表示求最小值的函数，
Figure DEST_PATH_IMAGE106
表示求最大值的函数。
CN201310092370.8A 2012-10-15 2013-03-21 基于图像中全局颜色对比度和空域分布的视觉显著性算法 Expired - Fee Related CN103218832B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310092370.8A CN103218832B (zh) 2012-10-15 2013-03-21 基于图像中全局颜色对比度和空域分布的视觉显著性算法

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201210388556 2012-10-15
CN201210388556.3 2012-10-15
CN201310092370.8A CN103218832B (zh) 2012-10-15 2013-03-21 基于图像中全局颜色对比度和空域分布的视觉显著性算法

Publications (2)

Publication Number Publication Date
CN103218832A true CN103218832A (zh) 2013-07-24
CN103218832B CN103218832B (zh) 2016-01-13

Family

ID=48816575

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310092370.8A Expired - Fee Related CN103218832B (zh) 2012-10-15 2013-03-21 基于图像中全局颜色对比度和空域分布的视觉显著性算法

Country Status (1)

Country Link
CN (1) CN103218832B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105701508A (zh) * 2016-01-12 2016-06-22 西安交通大学 基于多级卷积神经网络的全局-局部优化模型及显著性检测算法
CN103632153B (zh) * 2013-12-05 2017-01-11 宁波大学 一种基于区域的图像显著图提取方法
CN106980813A (zh) * 2016-01-15 2017-07-25 福特全球技术公司 机器学习的注视生成
CN107318023A (zh) * 2017-06-21 2017-11-03 西安万像电子科技有限公司 图像帧的压缩方法及装置
CN108226915A (zh) * 2017-12-25 2018-06-29 中国人民解放军63921部队 一种定量表征空间多目标空域分布方法
CN109446976A (zh) * 2018-10-24 2019-03-08 闽江学院 一种基于子波变换和特征对比的视频大数据信息提取方法
CN110136142A (zh) * 2019-04-26 2019-08-16 微梦创科网络科技（中国）有限公司 一种图像裁剪方法、装置、电子设备
CN110276764A (zh) * 2019-05-29 2019-09-24 南京工程学院 基于K值估计的K-Means水下图像背景分割改进算法
CN110807776A (zh) * 2019-09-09 2020-02-18 安徽省农业科学院农业经济与信息研究所 一种基于全局区域对比度的农作物半翅目害虫图像自动分割算法
CN111914850A (zh) * 2019-05-07 2020-11-10 百度在线网络技术（北京）有限公司 图片特征提取方法、装置、服务器和介质
CN111950549A (zh) * 2020-08-12 2020-11-17 上海大学 一种基于海天线与视觉显著性融合的海面障碍物检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101621636A (zh) * 2008-06-30 2010-01-06 北京大学 基于视觉注意力模型的广告标志插入和变换方法及系统
CN102509072A (zh) * 2011-10-17 2012-06-20 上海大学 基于区域间差异的图像中显著对象的检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101621636A (zh) * 2008-06-30 2010-01-06 北京大学 基于视觉注意力模型的广告标志插入和变换方法及系统
CN102509072A (zh) * 2011-10-17 2012-06-20 上海大学 基于区域间差异的图像中显著对象的检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MING-MING CHENG ETAL: "《2011 IEEE Conference on Computer Vision and Pattern Recognition》", 25 June 2011 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103632153B (zh) * 2013-12-05 2017-01-11 宁波大学 一种基于区域的图像显著图提取方法
CN105701508B (zh) * 2016-01-12 2017-12-15 西安交通大学 基于多级卷积神经网络的全局‑局部优化模型及显著性检测算法
CN105701508A (zh) * 2016-01-12 2016-06-22 西安交通大学 基于多级卷积神经网络的全局-局部优化模型及显著性检测算法
CN106980813A (zh) * 2016-01-15 2017-07-25 福特全球技术公司 机器学习的注视生成
CN112954355A (zh) * 2017-06-21 2021-06-11 西安万像电子科技有限公司 图像帧的处理方法及装置
CN112954355B (zh) * 2017-06-21 2022-12-09 西安万像电子科技有限公司 图像帧的处理方法及装置
CN107318023A (zh) * 2017-06-21 2017-11-03 西安万像电子科技有限公司 图像帧的压缩方法及装置
CN113163202A (zh) * 2017-06-21 2021-07-23 西安万像电子科技有限公司 图像帧的压缩方法及装置
CN113163202B (zh) * 2017-06-21 2022-10-18 西安万像电子科技有限公司 图像帧的压缩方法及装置
CN108226915A (zh) * 2017-12-25 2018-06-29 中国人民解放军63921部队 一种定量表征空间多目标空域分布方法
CN109446976A (zh) * 2018-10-24 2019-03-08 闽江学院 一种基于子波变换和特征对比的视频大数据信息提取方法
CN110136142A (zh) * 2019-04-26 2019-08-16 微梦创科网络科技（中国）有限公司 一种图像裁剪方法、装置、电子设备
CN111914850A (zh) * 2019-05-07 2020-11-10 百度在线网络技术（北京）有限公司 图片特征提取方法、装置、服务器和介质
CN111914850B (zh) * 2019-05-07 2023-09-19 百度在线网络技术（北京）有限公司 图片特征提取方法、装置、服务器和介质
CN110276764A (zh) * 2019-05-29 2019-09-24 南京工程学院 基于K值估计的K-Means水下图像背景分割改进算法
CN110807776A (zh) * 2019-09-09 2020-02-18 安徽省农业科学院农业经济与信息研究所 一种基于全局区域对比度的农作物半翅目害虫图像自动分割算法
CN111950549A (zh) * 2020-08-12 2020-11-17 上海大学 一种基于海天线与视觉显著性融合的海面障碍物检测方法
CN111950549B (zh) * 2020-08-12 2022-07-22 上海大学 一种基于海天线与视觉显著性融合的海面障碍物检测方法

Also Published As

Publication number Publication date
CN103218832B (zh) 2016-01-13

Similar Documents

Publication Publication Date Title
CN103218832A (zh) 基于图像中全局颜色对比度和空域分布的视觉显著性算法
CN104966085B (zh) 一种基于多显著特征融合的遥感图像感兴趣区域检测方法
CN106296695B (zh) 基于显著性的自适应阈值自然目标图像分割抽取算法
CN101271525B (zh) 一种快速的图像序列特征显著图获取方法
CN104408482B (zh) 一种高分辨率sar图像目标检测方法
CN102096824B (zh) 基于选择性视觉注意机制的多光谱图像舰船检测方法
CN106780485A (zh) 基于超像素分割和特征学习的sar图像变化检测方法
CN102214298A (zh) 基于选择性视觉注意机制的遥感图像机场目标检测与识别方法
CN107730515A (zh) 基于区域增长和眼动模型的全景图像显著性检测方法
CN103177458A (zh) 一种基于频域分析的可见光遥感图像感兴趣区域检测方法
CN103853724A (zh) 多媒体数据分类方法及装置
Casanova et al. Texture analysis using fractal descriptors estimated by the mutual interference of color channels
CN103020985A (zh) 一种基于场量分析的视频图像显著性检测方法
CN103295241A (zh) 一种基于Gabor小波的频域显著性目标检测方法
CN112949738B (zh) 基于eecnn算法的多类不平衡高光谱图像分类方法
Čuljak et al. Classification of art paintings by genre
CN105678735A (zh) 一种用于雾天图像的目标显著性检测方法
Chowdhury et al. Vegetables detection from the glossary shop for the blind
CN104463210B (zh) 基于面向对象和谱聚类的极化sar图像分类方法
CN110428454A (zh) 一种高光谱解混方法、装置、电子设备及存储介质
Vu et al. Improving texture categorization with biologically-inspired filtering
Font et al. An image processing method for in-line nectarine variety verification based on the comparison of skin feature histogram vectors
CN104217430A (zh) 基于l1正则化的图像显著性检测方法
CN107945164B (zh) 基于峰值阈值、旋转校准和混合特征的纺织品瑕疵检测方法
Pratap et al. Development of Ann based efficient fruit recognition technique

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20160113

CF01 Termination of patent right due to non-payment of annual fee