CN103810707A - 一种基于移动视觉焦点的图像视觉显著性检测方法 - Google Patents

Abstract

本发明提供一种基于移动视觉焦点的图像视觉显著性检测方法，包括：输入原始图像，运用基于图的分割算法将原始图像分割成K个区域；对原始图像进行量化及高频颜色筛选；利用分割图像得到量化图像对应的分割区域并进行区域对比计算以获取某一区域的显著值从而获得初始显著图；以图像中心为初始视觉焦点对初始显著图进行加权计算；利用显著性引力模型计算视觉焦点的移动距离及移动方向以获取下一个视觉焦点，直到当前焦点距离与上一焦点距离小于1为止；运用最终的视觉焦点对获得最终视觉焦点的前一次得到的显著图加权从而获得最终显著图。相比于现有技术，本发明的检测方法的显著图准确率更高，可均匀突出显著物体，并很好地抑制图像背景。

Description

一种基于移动视觉焦点的图像视觉显著性检测方法

技术领域

本发明涉及计算机视觉及图像处理领域，尤其涉及一种基于移动视觉焦点的图像视觉显著性检测方法。

背景技术

在漫长的人类进化过程中，人们已经具备了快速获取视觉信息，并对这些信息进行快速准确抉择的能力。在各种图像处理技术中，计算机所关注的并不是图像的全部内容，而是一部分感兴趣区域或者非感兴趣区域。通过视觉显著性算法去检测图像的显著区域，并给予不同区域的处理优先级，从而更好地利用计算资源，提高计算效率。现今，视觉显著性检查技术已经被广泛运用到图像检索、图像和视频压缩、目标检测、图像及视频分割等许多图像处理领域，并很好地促进了这些领域的发展。图像视觉显著性检测旨在检测图像的显著区域，便于图像的后期处理，是目前重要的研究领域之一。显著性检测过程通过计算机去模拟人类观察图像的过程，去计算获取符合人体视觉焦点的图像显著性区域，从而完成计算机的自适应处理。

对于图像视觉显著性检测算法，现有技术中的一种解决方案为，基于自底向上的视觉注意机制，分析人眼对图像内容的理解，利用图像的底层特征、视觉特性并引入引力模型区检测出更加准确的图像显著性区域。由于纯计算的显著性计算方法速度快，符合人类视觉系统快速获取显著物体的视觉原理，所以这类方法也是目前研究得比较多的方法。此外，现有方案中还包括基于局部对比分析法获得图像显著图、基于多尺度对比分析的显著性区域提取法、频率调谐的视觉显著性算法、最大对称周边的视觉显著性检测算法，然而，基于局部对比分析法得到的视觉显著图，在图像的边缘具有较高的显著性，但并未均匀地突出整个物体；基于频率调谐的视觉显著性算法，并不适用于那些显著物体占据太多像素的图像；而最大对称周边的显著性检测算法，并未考虑空间信息对视觉显著性的影响。

有鉴于此，如何设计一种新颖的图像视觉显著性检测算法，以改善或消除现有的上述缺陷，使视觉显著图的准确率更高，是业内相关技术人员亟待解决的一项课题。

发明内容

针对现有技术中的图像视觉显著性检测方法所存在的上述缺陷，本发明提供了一种基于移动视觉焦点的图像视觉显著性检测方法，可使视觉显著图的准确率更高，并且能够均匀突出显著物体和很好地抑制图像背景。

依据本发明的一个方面，提供了一种基于移动视觉焦点的图像视觉显著性检测方法，包括以下步骤：

输入该原始图像，运用基于图的分割算法将原始图像分割成K个区域；

对输入的所述原始图像进行量化及高频颜色的筛选；

利用分割图像得到量化图像对应的分割区域并进行区域对比，计算获取第i个区域的视觉显著值从而获得初始显著图，1≤i≤K；

以图像中心为初始视觉焦点，对所获得的所述初始显著图进行加权计算；

利用显著性引力模型计算视觉焦点的移动距离及移动方向，获取下一个视觉焦点，直到当前视觉焦点的距离与上一视觉焦点的距离小于1为止；以及运用最终的视觉焦点对获得最终视觉焦点的前一次得到的显著图加权以获得最终显著图。

在其中的一实施例中，上述对原始图像进行量化及高频颜色筛选的步骤还包括：将所述原始图像的RGB通道的颜色值量化为12个不同的值，其计算式为：

${[P_{s,t}^{1,R},P_{s,t}^{1,G},P_{s,t}^{1,B}]}^T=\mathrm{Int}\left(\frac{12}{255}{[P_{s,t}^R,P_{s,t}^G,P_{s,t}^B]}^T\right)$

其中，s＝1,2,…,m;t＝1,2,…n；

分别表示原始图像中的像素点在RGB颜色空间每个通道的颜色值；

分别表示量化后图像中的像素点在RGB颜色空间每个通道的颜色值；Int(.)表示将浮点型转换为整型，此时图像集被重新定义为如下：

$D^1=\{I_1^1,I_2^1,\·\·\·I_{N_0}^1\}$

对于每个像素

通过下面的公式结合三个通道的颜色值：

$P_{s,t}^2=\left(\begin{array}{ccc}{P}_{s,t}^{1,R}& P_{s,t}^{1,G}& P_{s,t}^{1,B}\end{array}\right)\left(\begin{array}{c}{12}^2\\ 12\\ 1\end{array}\right)$

s＝1,2,…,m;t＝1,2…,n.

其中，

表示三通道值经过转化后，得到的单通道值；

分别表示像素点P_s,t在RGB颜色空间下每个通道的颜色值，此时图像集被重新定义为一个矩阵集：

$D^2=\{I_1^2,I_2^2,\·\·\·I_{N_0}^2\}$

通过一个有序的统计直方图去获得每种颜色出现的频率，对于每一个

颜色频率统计操作H:

如下：

$H\left(I_i^2\right)=(f_0^i,f_1^i,\·\·\·,f_{N_i}^i)$

其中，

是第i幅图像中颜色m出现的频率，m＝{0,1,2…,N_i}；而H(·)操作包括

从小到大的排列；

统计出现频率高的颜色并确保这些颜色覆盖95%像素，其余颜色用与其颜色距离差最近的颜色替代，具体步骤如下：

$s_k^i=\underset{j=0}{\overset{k}{\mathrm{\Σ}}}{f}_j^i,k=\mathrm{0,1}\·\·\·,N_i$

其中，表示需要累加得到的颜色数目，k表示截断时第k种颜色的索引颜色舍去阈值被定义为：

C₁＝0.05×m×n

最大限度的截断范围M_i定义如下：

$M_i=\left\{\begin{array}{cc}k,& \mathrm{if}{s}_k^i\≤C_1\mathrm{and}{s}_{k+1}^i>C_1\\ 256,& N_i-k\≥256\end{array}\right.$

每个像素

的颜色索引函数如下：

$\mathrm{index}\left(f\left(P_{s,t}^1\right)\right)=j,\mathrm{if\; f}\left(P_{s,t}^2\right)=f_j^i$

其中，

表示像素点

的统计函数，

图像

的颜色可以被截断为U₁和U₂两部分:

$U_1^i=\{P_{s,t}^1\∈I_i^1|\mathrm{index}\left(f\left(P_{s,t}^1\right)\right){\≤M}_i\}$

$U_2^i=\{P_{s,t}^1\∈I_i^1|\mathrm{index}\left(f\left(P_{s,t}^1\right)\right)>M_i\}$

对于每一个像素

量化函数如下：

$P_{s,t}^3=\left\{\begin{array}{cc}q\left(P_{s,t}^1\right),& P_{s,t}^1\∈U_1^i\\ P_{s,t}^1,& \mathrm{otherwise}\end{array}\right.$

其中，

$q\left(P_{s,t}^1\right)=\arg \underset{P\∈U_2^i}{\min }d(P_{s,t}^1,P),P\∈U_2^i$

$d(P_{s,t}^1,P)=\sqrt{{|P_{s,t}^{1,R}-P^R|}^2+{|P_{s,t}^{1,G}-P^G|}^2+{|P_{s,t}^{1,G}-P^G|}^2}$

出现频率较低的颜色将会被最相似的颜色所替代，此时图像集被重新定义为：

$D^3=\{I_1^3,I_2^3,\·\·\·,I_{N_0}^3\}.$

在其中的一实施例中，将分割图像与量化图像结合计算所述初始显著图采用以下计算式：

$S\left(s_k\right)=\underset{s_k\≠s_i}{\mathrm{\Σ}}\exp (-D_s(s_k,s_i)/{\mathrm{\σ}}_s^2)w\left(s_i\right)D_c(s_k,s_i)$

其中，S(s_k)表示分割区域s_k的显著值；w(s_i)是区域s_i的权值，用来控制它对区域s_k显著值的影响，这里取区域s_i中像素点的个数作为它的值；D_s(s_k,s_i)是区域s_k和s_i之间的空间距离，这个距离指的是两个区域重心之间的欧氏距离；σ²用来控制空间权值强度，D_c(s_k,s_i)是区域s_k和区域s_i之间的颜色距离度量，计算公式如下：

$D_c(s_1,s_2)=\underset{i=1}{\overset{c_1}{\mathrm{\Σ}}}\underset{j=1}{\overset{c_2}{\mathrm{\Σ}}}f\left(c_{1,i}\right)f\left(c_{2,j}\right)D(c_{1,i},c_{2,j})$

其中，f(c_k,i)是分割区域s_k中第i种颜色在该区域所有颜色c_k出现的频数，k＝{1,2}；c₁和c₂分别表示区域s₁和区域s₂的颜色总数目。

在其中的一实施例中，以图像中心为初始视觉焦点对初始显著图进行加权计算采用如下计算式：

$S\left(s_k\right)=W_i\underset{s_k\≠s_i}{\mathrm{\Σ}}\exp (-D_s(s_k,s_i)/{\mathrm{\σ}}_s^2)w\left(s_i\right)D_c(s_k,s_i)$

W_i＝exp(-δ×D_s(s_k,VF_i))

其中，D_s(s_k,VF_i)是分割区域s_k和初始视觉焦点VF_i之间的距离，这里计算的是分割区域s_k的重心与VF_i之间的距离，δ是用来控制视觉焦点的强度。

在其中的一实施例中，上述利用显著性引力模型计算视觉焦点的移动距离及移动方向获取下一个视觉焦点的步骤还包括：

计算图像中每个像素点对原始视觉焦点显著性引力，计算式为：

F_i＝S(p_i)exp(-λ×D²(p_i,VF))

其中，S(p_i)表示像素点p_i的显著值；D²(p_i,VF)表示像素点p_i到视觉焦点VF的距离，λ用来控制空间权值的强度；

计算每个像素点在水平方向和垂直方向上的分力，其计算式如下：

$\left\{\begin{array}{c}{F}_H=F\×\sin \mathrm{\θ}\\ F_V=F\×\cos \mathrm{\θ}\end{array}\right.$

其中，

$\left\{\begin{array}{c}\sin \mathrm{\θ}=\frac{p_x-V{F}_x}{D(p_i,\mathrm{VF})}\\ \cos \mathrm{\θ}=\frac{p_y-V{F}_y}{D(p_i,\mathrm{VF})}\end{array}\right.$

其中，p_x和p_y分别表示当前像素点在水平方向和垂直方向的坐标，VF_x和VF_y分别表示视觉焦点在水平方向和垂直方向的坐标，D(p_i,VF)表示像素点p_i到视觉焦点VF的欧氏距离；

获得所有像素点在水平方向和垂直方向的合力，其计算式如下：

$\left\{\begin{array}{c}{F}_c^H=\underset{i=1}{\overset{m\×n}{\mathrm{\Σ}}}{F}_i^H\\ F_c^V=\underset{i=1}{\overset{m\×n}{\mathrm{\Σ}}}{F}_i^V\end{array}\right.$

其中

和

分别表示所有像素点在水平方向和垂直方向的合力，

和分别表示每个像素点在水平方向和垂直方向的显著性引力；

量化

和

使得其与像素点的坐标在同一个量化范围内，其计算式如下：

$\left\{\begin{array}{c}\stackrel{\→}{d_x}=\frac{F_c^H}{m\×n}\\ \stackrel{\→}{d_y}=\frac{F_c^V}{m\×n}\end{array}\right.$

其中，

和

表示当前视觉焦点在水平方向和垂直方向上移动的距离，m×n表示图像中像素点的总数目；

计算下一个视觉焦点的坐标，其计算式如下：

$[{\mathrm{VF}}_x^{\′},{\mathrm{VF}}_y^{\′}]=[{\mathrm{VF}}_x+\stackrel{\→}{d_x,}{\mathrm{VF}}_y+\stackrel{\→}{d_y}].$

在其中的一实施例中，上述直到当前焦点距离与上一焦点距离小于1为止的重复计算步骤还包括，每次计算保留上一个视觉焦点位置，然后计算下一个视觉焦点位置与上一个视觉焦点位置之间的距离，直到两者间的距离小于1时停止计算。

在其中的一实施例中，上述对获得最终显著焦点的前一次得到的视觉显著图进行最终显著焦点加权采用计算式：

$\stackrel{\‾}{S}\left(s_k\right)=W^f\underset{s_k\≠s_i}{\mathrm{\Σ}}\exp (-D_s(s_k,s_i)/{\mathrm{\σ}}_s^2)w\left(s_i\right)D_c(s_k,s_i)$

W^f＝exp(-δ×D_s(s_k,VF_f))

其中，VF_f表示最终的视觉焦点。

采用本发明的基于移动视觉焦点的图像视觉显著性检测方法，在计算视觉显著图的时候，引入视觉焦点这一视觉特性，并通过显著性引力模型计算视觉焦点的移动距离及移动方向，获取下一个视觉焦点，直到当前视觉焦点的距离与上一视觉焦点的距离小于1为止从而获取正确的视觉焦点进行显著性计算。相比于现有技术，运用本发明的检测方法所得到的视觉显著图准确率更高，既可均匀地突出显著物体，还能很好地抑制图像背景，更有利于后期目标物体分割等应用。

附图说明

读者在参照附图阅读了本发明的具体实施方式以后，将会更清楚地了解本发明的各个方面。其中，

图1是本发明基于移动视觉焦点的图像视觉显著性检测方法的流程图；

图2是通过GB分割算法得到的分割图像与原始图像的比较图；

图3是经过量化得到的量化图像与原始图像的比较图；

图4是初始视觉焦点加权得到的视觉显著图；

图5是最终视觉焦点加权得到的视觉显著图；以及

图6是最终和其他方法对比显著图。

具体实施方式

为了使本申请所揭示的技术内容更加详尽与完备，可参照附图以及本发明的下述各种具体实施例，附图中相同的标记代表相同或相似的组件。然而，本领域的普通技术人员应当理解，下文中所提供的实施例并非用来限制本发明所涵盖的范围。此外，附图仅仅用于示意性地加以说明，并未依照其原尺寸进行绘制。

下面参照附图，对本发明各个方面的具体实施方式作进一步的详细描述。本发明的视图显著性检测方法的硬件条件为，CPU频率2.20Ghz，内存4G的PC，软件工具为Visual Studio 2010以及OpenCV2.4.3。

如图1所示，本发明的基于移动视觉焦点的图像视觉显著性检测方法包括以下步骤：

输入原始图像，采用基于图的快速分割算法（Felzenszwalb等人2004年提出的快速的基于图的图像分割算法）将图像分割成若干个小块区域，输入图像与分割图像如图2所示；

对原始图像进行量化及高频颜色的筛选。在一具体实施例中，对原始图像量化和筛选的步骤如下：

(2-1)将原始图像RGB通道的颜色值量化为12个不同的值，其计算式为：

${[P_{s,t}^{1,R},P_{s,t}^{1,G},P_{s,t}^{1,B}]}^T=\mathrm{Int}\left(\frac{12}{255}{[P_{s,t}^R,P_{s,t}^G,P_{s,t}^B]}^T\right)---\left(1\right)$

其中，s＝1,2,…,m;t＝1,2,…n；

分别表示原始图像中像素点在RGB空间每个通道的颜色值；分别表示量化后图像中像素点在RGB空间的每个通道的颜色值；Int(.)表示将浮点型转换为整型。此时图像集被重新定义为如下：

$D^1=\{I_1^1,I_2^1,\·\·\·I_{N_0}^1\}---\left(2\right)$

(2-2)对于每个像素

通过下面的公式结合三个通道的颜色值：

$P_{s,t}^2=\left(\begin{array}{ccc}{P}_{s,t}^{1,R}& P_{s,t}^{1,G}& P_{s,t}^{1,B}\end{array}\right)\left(\begin{array}{c}{12}^2\\ 12\\ 1\end{array}\right)---\left(3\right)$

s＝1,2,…,m;t＝1,2…,n.

其中，

表示三通道值经过转化后，得到的单通道值；

分别表示像素点P_s,t在RGB颜色空间下每个通道的颜色值。此时图像集被重新定义为一个矩阵集：

$D^2=\{I_1^2,I_2^2,\·\·\·I_{N_0}^2\}---\left(4\right)$

(2-3)通过一个有序的统计直方图去获得每种颜色出现的频率，对于每一个颜色频率统计操作H:

如下：

$H\left(I_i^2\right)=(f_0^i,f_1^i,\·\·\·,f_{N_i}^i)---\left(5\right)$

其中，

是第i幅图像中颜色m出现的频率，m＝{0,1,2…,N_i}；而H(·)操作包括

从小到大的排列。

(2-4)统计出现频率高的颜色并确保这些颜色覆盖95%像素，其余颜色用与其颜色距离差最近的颜色替代，具体步骤如下：

$s_k^i=\underset{j=0}{\overset{k}{\mathrm{\Σ}}}{f}_j^i,k=\mathrm{0,1}\·\·\·,N_i---\left(6\right)$

其中，

表示需要累加得到的颜色数目，k表示截断时第k种颜色的索引颜色舍去阈值被定义为：

C₁＝0.05×m×n(7)

最大限度的截断范围M_i定义如下：

$M_i=\left\{\begin{array}{cc}k,& \mathrm{if}{s}_k^i\≤C_1\mathrm{and}{s}_{k+1}^i>C_1\\ 256,& N_i-k\≥256\end{array}\right.---\left(8\right)$

N_i-k≥256条件表示当累加到5%的像素数目时，如果剩余的颜色数目仍然超过256，为了避免过多颜色的相似性，就取M_i=256。

每个像素

的颜色索引函数如下：

$\mathrm{index}\left(f\left(P_{s,t}^1\right)\right)=j,\mathrm{if\; f}\left(P_{s,t}^2\right)=f_j^i---\left(9\right)$

其中，

表示像素点

的统计函数。

图像的颜色可以被截断为U₁和U₂两部分:

$\begin{array}{c}{U}_1^i=\{P_{s,t}^1\∈I_i^1|\mathrm{index}\left(f\left(P_{s,t}^1\right)\right)\≤M_i\}\\ U_2^i=\{P_{s,t}^1\∈I_i^1|\mathrm{index}\left(f\left(P_{s,t}^1\right)\right)>M_i\}\end{array}---\left(10\right)$

对于每一个像素

量化函数如下：

$P_{s,t}^3=\left\{\begin{array}{cc}q\left(P_{s,t}^1\right),& P_{s,t}^1\∈U_1^i\\ P_{s,t}^1,& \mathrm{otherwise}\end{array}\right.---\left(11\right)$

其中，

$q\left(P_{s,t}^1\right)=\arg \underset{P\∈U_2^i}{\min }d(P_{s,t}^1,P),P\∈U_2^i---\left(12\right)$

$d(P_{s,t}^1,P)=\sqrt{{|P_{s,t}^{1,R}-P^R|}^2+{|P_{s,t}^{1,G}-P^G|}^2+{|P_{s,t}^{1,G}-P^G|}^2}---\left(13\right)$

公式(11)定义的函数表明出现频率较低的颜色将会被最相似的颜色所替代。此时，图像集被重新定义为：

$D^3=\{I_1^3,I_2^3,\·\·\·,I_{N_0}^3\}---\left(14\right)$

量化后的图像如图3所示。

(1)利用分割图像得到量化图像对应的分割区域并进行区域对比计算获取第i个区域的显著值从而获得初始显著图，将步骤(1)的分割图像与步骤(2-4)的量化图像结合计算初始显著图，其计算式为：

$S\left(s_k\right)=\underset{s_k\≠s_i}{\mathrm{\Σ}}\exp (-D_s(s_k,s_i)/{\mathrm{\σ}}_s^2)w\left(s_i\right)D_c(s_k,s_i)---\left(15\right)$

其中，S(s_k)表示分割区域s_k的显著值；w(s_i)是区域s_i的权值，用来控制它对区域s_k显著值的影响，这里取区域s_i中像素点的个数作为它的值；D_s(s_k,s_i)是区域s_k和s_i之间的空间距离，这个距离指的是两个区域重心之间的欧氏距离；σ²用来控制空间权值强度，这里σ²取0.4。D_c(s_k,s_i)是区域s_k和区域s_i之间的颜色距离度量，计算公式如下：

$D_c(s_1,s_2)=\underset{i=1}{\overset{c_1}{\mathrm{\Σ}}}\underset{j=1}{\overset{c_2}{\mathrm{\Σ}}}f\left(c_{1,i}\right)f\left(c_{2,j}\right)D(c_{1,i},c_{2,j})---\left(16\right)$

其中，f(c_k,i)是分割区域s_k中第i种颜色在该区域所有颜色c_k出现的频数，k＝{1,2}；c₁和c₂分别表示区域s₁和区域s₂的颜色总数目。初始显著图如图4所示。

(2)以图像中心为初始视觉焦点对初始显著图进行加权计算，其计算式如下：

$S\left(s_k\right)=W_i\underset{s_k\≠s_i}{\mathrm{\Σ}}\exp (-D_s(s_k,s_i)/{\mathrm{\σ}}_s^2)w\left(s_i\right)D_c(s_k,s_i)---\left(17\right)$

其中，

W_i＝exp(-δ×D_s(s_k,VF_i))   (18)

其中，D_s(s_k,VF_i)是分割区域s_k和初始视觉焦点VF_i(图像的中心)之间的距离，这里计算的是分割区域s_k的重心与VF_i之间的距离。δ是用来控制视觉焦点的强度，这里δ设置为0.4。初始加权显著图如图5所示。

(3)利用显著性引力模型计算视觉焦点的移动距离及移动方向获取下一个视觉焦点，其具体步骤如下：

(5-1)计算图像中每个像素点对原始视觉焦点显著性引力，其计算式如下：

F_i＝S(p_i)exp(-λ×D²(p_i,VF))   (19)

其中，S(p_i)表示像素点p_i的显著性值；D²(p_i,VF)表示像素点p_i到视觉焦点VF的距离。λ用来控制空间权值的强度，这里λ设置为9。

(5-2)计算每个像素点在水平方向和垂直方向上的分力，其计算式如下：

$\left\{\begin{array}{c}{F}_H=F\×\sin \mathrm{\θ}\\ F_V=F\×\cos \mathrm{\θ}\end{array}\right.---\left(20\right)$

其中，

$\left\{\begin{array}{c}\sin \mathrm{\θ}=\frac{p_x-V{F}_x}{D(p_i,\mathrm{VF})}\\ \cos \mathrm{\θ}=\frac{p_y-V{F}_y}{D(p_i,\mathrm{VF})}\end{array}\right.---\left(21\right)$

其中，p_x和p_y分别表示当前像素点水平方向和垂直方向上的坐标。VF_x和VF_y分别表示视觉焦点水平方向和垂直方向上的坐标。D(p_i,VF)表示像素点p_i到视觉焦点VF的欧氏距离。

(5-3)获得所有像素点在水平方向和垂直方向上的合力，其计算式如下：

$\left\{\begin{array}{c}{F}_c^H=\underset{i=1}{\overset{m\×n}{\mathrm{\Σ}}}{F}_i^H\\ F_c^V=\underset{i=1}{\overset{m\×n}{\mathrm{\Σ}}}{F}_i^V\end{array}\right.---\left(22\right)$

其中，

和

分别表示所有像素点在水平方向和垂直方向上的合力，

和

分别表示每个像素点水平方向和垂直方向上的显著性引力。

(5-4)量化

和

使得其与像素点的坐标在同一个量化范围内，其计算式如下：

$\left\{\begin{array}{c}\stackrel{\→}{d_x}=\frac{F_c^H}{m\×n}\\ \stackrel{\→}{d_y}=\frac{F_c^V}{m\×n}\end{array}\right.---\left(23\right)$

其中，

和

表示当前视觉焦点在水平方向和垂直方向上移动的距离，m×n表示图像中像素点的总数目。

(5-5)计算新的视觉焦点的坐标，其计算式如下：

$[{\mathrm{VF}}_x^{\′},{\mathrm{VF}}_y^{\′}]=[{\mathrm{VF}}_x+\stackrel{\→}{d_x},{\mathrm{VF}}_y+\stackrel{\→}{d_y}]---\left(24\right)$

(4)重复步骤(5)直到当前焦点距离与上一焦点距离小于1为止，重复计算步骤(5)下面的具体计算步骤，每次计算保留上一个焦点的位置，然后计算新的焦点位置与上一个焦点位置之间的距离，直到两者间的距离小于1时停止计算。

（5）运用最终的视觉焦点对获得的视觉显著图加权从而获得最终显著图。对获得最终视觉焦点的前一次得到的视觉显著图进行最终视觉焦点加权，其计算式如下：

$\stackrel{\‾}{S}\left(s_k\right)=W^f\underset{s_k\≠s_i}{\mathrm{\Σ}}\exp (-D_s(s_k,s_i)/{\mathrm{\σ}}_s^2)w\left(s_i\right)D_c(s_k,s_i)---\left(25\right)$

W^f＝exp(-δ×D_s(s_k,VF_f))   (26)

其中，VF_f表示最终获得的视觉焦点。最终显著图如图6所示。

上文中，参照附图描述了本发明的具体实施方式。但是，本领域中的普通技术人员能够理解，在不偏离本发明的精神和范围的情况下，还可以对本发明的具体实施方式作各种变更和替换。这些变更和替换都落在本发明权利要求书所限定的范围内。

Claims (7)

1.一种基于移动视觉焦点的图像视觉显著性检测方法，其特征在于，该图像视觉显著性检测方法包括以下步骤：

输入原始图像，运用基于图的分割算法将所述原始图像分割成K个区域；

对输入的所述原始图像进行量化及高频颜色筛选；

利用分割图像得到量化图像对应的分割区域，并进行区域对比，计算获取第i个区域的视觉显著值从而获得初始显著图，1≤i≤K；

以图像中心为初始视觉焦点，对所获得的所述初始显著图进行加权计算；

利用显著性引力模型计算视觉焦点的移动距离及移动方向，获取下一个视觉焦点，直到当前视觉焦点的距离与上一视觉焦点的距离小于1为止；以及运用最终的视觉焦点对获得最终视觉焦点的前一次得到的显著图加权以获得最终显著图。

2.根据权利要求1所述的图像视觉显著性检测方法，其特征在于，上述对原始图像进行量化及高频颜色筛选的步骤还包括：

将所述原始图像的RGB通道的颜色值量化为12个不同的值，其计算式为：

${[P_{s,t}^{1,R},P_{s,t}^{1,G},P_{s,t}^{1,B}]}^T=\mathrm{Int}\left(\frac{12}{255}{[P_{s,t}^R,P_{s,t}^G,P_{s,t}^B]}^T\right)$

其中，s＝1,2,…,m;t＝1,2,…n；

分别表示原始图像中的像素点在RGB颜色空间每个通道的颜色值；

分别表示量化后图像中的像素点在RGB颜色空间每个通道的颜色值；Int(.)表示将浮点型转换为整型，此时图像集被重新定义为如下：

$D^1=\{I_1^1,I_2^1,\·\·\·I_{N_0}^1\}$

对于每个像素通过下面的公式结合三个通道的颜色值：

$P_{s,t}^2=\left(\begin{array}{ccc}{P}_{s,t}^{1,R}& P_{s,t}^{1,G}& P_{s,t}^{1,B}\end{array}\right)\left(\begin{array}{c}{12}^2\\ 12\\ 1\end{array}\right)$

s＝1,2,…,m;t＝1,2…,n.

其中，

表示三通道值经过转化后，得到的单通道值；

分别表示像素点P_s,t在RGB颜色空间下每个通道的颜色值，此时图像集被重新定义为一个矩阵集：

$D^2=\{I_1^2,I_2^2,\·\·\·I_{N_0}^2\}$

通过一个有序的统计直方图去获得每种颜色出现的频率，对于每一个

颜色频率统计操作H:如下：

$H\left(I_i^2\right)=(f_0^i,f_1^i,\·\·\·,f_{N_i}^i)$

其中，

是第i幅图像中颜色m出现的频率，m＝{0,1,2…,N_i}；而H(·)操作包括

从小到大的排列；

统计出现频率高的颜色并确保这些颜色覆盖95%像素，其余颜色用与其颜色距离差最近的颜色替代，具体步骤如下：

$s_k^i=\underset{j=0}{\overset{k}{\mathrm{\Σ}}}{f}_j^i,k=\mathrm{0,1}\·\·\·,N_i$

其中，表示需要累加得到的颜色数目，k表示截断时第k种颜色的索引颜色舍去阈值被定义为：

C₁＝0.05×m×n

最大限度的截断范围M_i定义如下：

$M_i=\left\{\begin{array}{cc}k,& \mathrm{if}{s}_k^i\≤C_1\mathrm{and}{s}_{k+1}^i>C_1\\ 256,& N_i-k\≥256\end{array}\right.$

每个像素

的颜色索引函数如下：

$\mathrm{index}\left(f\left(P_{s,t}^1\right)\right)=j,\mathrm{if\; f}\left(P_{s,t}^2\right)=f_j^i$

其中，

表示像素点的统计函数，

图像

的颜色可以被截断为U₁和U₂两部分:

$U_1^i=\{P_{s,t}^1\∈I_i^1|\mathrm{index}\left(f\left(P_{s,t}^1\right)\right)\≤M_i\}$

$U_2^i=\{P_{s,t}^1\∈I_i^1|\mathrm{index}\left(f\left(P_{s,t}^1\right)\right){>M}_i\}$

对于每一个像素量化函数如下：

$P_{s,t}^3=\left\{\begin{array}{cc}q\left(P_{s,t}^1\right),& P_{s,t}^1\∈U_1^i\\ P_{s,t}^1,& \mathrm{otherwise}\end{array}\right.$

其中，

$q\left(P_{s,t}^1\right)=\arg \underset{P\∈U_2^i}{\min }d(P_{s,t}^1,P),P\∈U_2^i$

$d(P_{s,t}^1,P)=\sqrt{{|P_{s,t}^{1,R}-P^R|}^2+{|P_{s,t}^{1,G}-P^G|}^2+{|P_{s,t}^{1,G}-P^G|}^2}$

出现频率较低的颜色将会被最相似的颜色所替代，此时图像集被重新定义为：

$D^3=\{I_1^3,I_2^3,\·\·\·,I_{N_0}^3\}.$

3.根据权利要求1所述的图像视觉显著性检测方法，其特征在于，将分割图像与量化图像结合计算所述初始显著图采用以下计算式：

$S\left(s_k\right)=\underset{s_k\≠s_i}{\mathrm{\Σ}}\exp (-D_s(s_k,s_i)/{\mathrm{\σ}}_s^2)w\left(s_i\right)D_c(s_k,s_i)$

其中，S(s_k)表示分割区域s_k的显著值；w(s_i)是区域s_i的权值，用来控制它对区域s_k显著值的影响，这里取区域s_i中像素点的个数作为它的值；D_s(s_k,s_i)是区域s_k和s_i之间的空间距离，这个距离指的是两个区域重心之间的欧氏距离；σ²用来控制空间权值强度，D_c(s_k,s_i)是区域s_k和区域s_i之间的颜色距离度量，计算公式如下：

$D_c(s_1,s_2)=\underset{i=1}{\overset{c_1}{\mathrm{\Σ}}}\underset{j=1}{\overset{c_2}{\mathrm{\Σ}}}f\left(c_{1,i}\right)f\left(c_{2,j}\right)D(c_{1,i},c_{2,j})$

其中，f(c_k,i)是分割区域s_k中第i种颜色在该区域所有颜色c_k出现的频数，k＝{1,2}；c₁和c₂分别表示区域s₁和区域s₂的颜色总数目。

4.根据权利要求1所述的图像视觉显著性检测方法，其特征在于，以图像中心为初始视觉焦点对初始显著图进行加权计算采用如下计算式：

$S\left(s_k\right)=W_i\underset{s_k\≠s_i}{\mathrm{\Σ}}\exp (-D_s(s_k,s_i)/{\mathrm{\σ}}_s^2)w\left(s_i\right)D_c(s_k,s_i)$

W_i＝exp(-δ×D_s(s_k,VF_i))

其中，D_s(s_k,VF_i)是分割区域s_k和初始视觉焦点VF_i之间的距离，这里计算的是分割区域s_k的重心与VF_i之间的距离，δ是用来控制视觉焦点的强度。

5.根据权利要求1所述的图像视觉显著性检测方法，其特征在于，上述利用显著性引力模型计算视觉焦点的移动距离及移动方向获取下一个视觉焦点的步骤还包括：

计算图像中每个像素点对原始视觉焦点显著性引力，计算式为：

F_i＝S(p_i)exp(-λ×D²(p_i,VF))

其中，S(p_i)表示像素点p_i的显著值；D²(p_i,VF)表示像素点p_i到视觉焦点VF的距离，λ用来控制空间权值的强度；

计算每个像素点在水平方向和垂直方向上的分力，其计算式如下：

$\left\{\begin{array}{c}{F}_H=F\×\sin \mathrm{\θ}\\ F_V=F\×\cos \mathrm{\θ}\end{array}\right.$

其中，

$\left\{\begin{array}{c}\sin \mathrm{\θ}=\frac{p_x-V{F}_x}{D(p_i,\mathrm{VF})}\\ \cos \mathrm{\θ}=\frac{p_y-V{F}_y}{D(p_i,\mathrm{VF})}\end{array}\right.$

其中，p_x和p_y分别表示当前像素点在水平方向和垂直方向的坐标，VF_x和VF_y分别表示视觉焦点在水平方向和垂直方向的坐标，D(p_i,VF)表示像素点p_i到视觉焦点VF的欧氏距离；

获得所有像素点在水平方向和垂直方向的合力，其计算式如下：

$\left\{\begin{array}{c}{F}_c^H=\underset{i=1}{\overset{m\×n}{\mathrm{\Σ}}}{F}_i^H\\ F_c^V=\underset{i=1}{\overset{m\×n}{\mathrm{\Σ}}}{F}_i^V\end{array}\right.$

其中

和

分别表示所有像素点在水平方向和垂直方向的合力，

和

分别表示每个像素点在水平方向和垂直方向的显著性引力；

量化

和

使得其与像素点的坐标在同一个量化范围内，其计算式如下：

$\left\{\begin{array}{c}\stackrel{\→}{d_x}=\frac{F_c^H}{m\×n}\\ \stackrel{\→}{d_y}=\frac{F_c^V}{m\×n}\end{array}\right.$

其中，

和表示当前视觉焦点在水平方向和垂直方向上移动的距离，m×n表示图像中像素点的总数目；

计算下一个视觉焦点的坐标，其计算式如下：

$[{\mathrm{VF}}_x^{\′},{\mathrm{VF}}_y^{\′}]=[{\mathrm{VF}}_x+\stackrel{\→}{d_x},{\mathrm{VF}}_y+\stackrel{\→}{d_y}].$

6.根据权利要求1所述的图像视觉显著性检测方法，其特征在于,上述直到当前焦点距离与上一焦点距离小于1为止的重复计算步骤还包括，每次计算保留上一个视觉焦点位置，然后计算下一个视觉焦点位置与上一个视觉焦点位置之间的距离，直到两者间的距离小于1时停止计算。

7.根据权利要求1所述的图像视觉显著性检测方法，其特征在于,上述对获得最终显著焦点的前一次得到的视觉显著图进行最终显著焦点加权采用计算式：

$\stackrel{\‾}{S}\left(s_k\right)=W^f\underset{s_k\≠s_i}{\mathrm{\Σ}}\exp (-D_s(s_k,s_i)/{\mathrm{\σ}}_s^2)w\left(s_i\right)D_c(s_k,s_i)$

W^f＝exp(-δ×D_s(s_k,VF_f))

其中，VF_f表示最终的视觉焦点。

Images