CN103985130B - 一种针对复杂纹理图像的图像显著性分析方法 - Google Patents

Abstract

本发明公开了一种针对复杂纹理图像的显著性分析方法。首先，我们的方法结合超像素技术和meanshift算法去分割图像。然后，通过gabor滤波器去提取纹理特征，对每块区域的gabor平均值变化做全局对比计算去获得纹理子显著图。接着，我们结合空间信息，利用区域对比去计算得到颜色子显著图。最后，我们利用非线性融合技术去将上述两幅图结合得到最终的显著图。我们针对ACHANTA的测试集中的96幅复杂纹理图像进行实验，并且和现有的10种显著性分析方法做了性能对比。实验表明，本方法对于复杂性纹理图像，在准确率和召回率等指标总体上优于其他方法。

Description

一种针对复杂纹理图像的图像显著性分析方法

技术领域

本发明涉及计算机视觉及图像处理领域，具体涉及一种针对复杂纹理图像的图像显著性分析方法。

背景技术

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。

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，也是目前重要的研究领域之一。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。对于图像视觉显著性检测方法，有一种基于自底向上视觉注意机制，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。图像视觉显著性检测方法主要是基于人类视觉系统的特性去检测图像中的显著性区域。图像视觉显著性检测方法在分析图像内容的过程中，引入了视觉特性，大大提高了计算机对图像内容的理解程度，推进了图像处理技术的发展。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。通过视觉显著性方法去检测图像的显著区域，并给予不同区域的处理优先级，从而更好的利用计算资源，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，并很好的促进了这些领域的发 展。

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，所以这类方法是目前研究的比较多的方法。Ma等人于2003年提出一种基于局部对比分析的方法去获得图像显著图。Achanta等人于2008年对Ma等人的方法提出改进，提出了一种多尺度对比分析的显著性区域提取方法。其实在纯计算方法中，基于局部对比的方法生成的显著图，在图像的边缘具有较高的显著性而不是均匀的突出整个物体。此后，Achanta等人于2009年提出了一种频率调谐的显著性方法。但是这种方法不适用于那些显著物体占据太多像素的图像。Achanta等人于2010年，对09年提出的方法进行改进，提出了最大对称周边的显著性检测方法。作为09年的改进方法，尽管解决了此前的方法问题，但是他并没有考虑空间信息对显著性的影响。Cheng等人于2011年提出了基于全局对比度的显著性检测方法。Li等人于2011年通过具有相同显著物体的图去检测它们共有的显著性物体。Li等人和Cheng等人提出的两种方法是非常新颖的。他们李颖分割区域以及空间信息区生成显著图。但是对于前者，如果只提供一幅图像，或者提供两幅背景非常相似的图相对，生成的显著图并不是非常的好。而对于后者和上面提到的所有方法存在一个共同的问题，就是他们都没有考虑图像的纹理信息。

本发明公开的方法不同于上述所有方法，上述方法较少用到图像的纹理信息，本发明针对高复杂纹理图像提出一种结合纹理特征以及采用超像素和MeanShift方法改进GB分割方法，并通过非线性融合颜色和纹理分显著性图的显著性分析方法。

发明内容

针对现有技术的缺陷及不合理性，本发明的目的在于提出一种针对复杂纹 理图像的图像显著性分析方法，该方法在计算显著图的过程中融合了纹理信息，能够更加准确的得到与原始图像分辨率相同的显著图，并且很好地抑制了原始图像中的非显著区域，从而有利于后期目标物体分割等应用。

为了达到上述目的，本文提出一种针对复杂纹理图像的图像显著性分析方法，其具体步骤如下其具体步骤如下：

(1)运用基于超像素分割方法将原始图像分割成K个超像素，1≤i≤K；

(2)在超像素分割的基础上进一步使用MEANSHIFT方法进行聚类；

(3)得到最终的分割结果进行全局区域对比得到颜色分显著性图；

(4)对每个区域提取GABOR纹理特征；

(5)对纹理特征也采用全局对比得到纹理分显著性图；

(6)将两个分显著性图融合为总显著性图；

上述步骤(3)所述的对原始图像进行量化及高频颜色筛选，其具体步骤如下：

(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：

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：

(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：

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：

(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：

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：

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：

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：

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:

对于每一个像素量化函数如下：

其中，

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：

本发明先使用超像素将图片分割为小区域，超像素的优点在于可以更好的保存图片的边缘，然后以小区域为节点像素重新合成一幅图像，选取小区域中每个通道颜色的平均值作为新图像的对应像素的颜色值,新图像的通道数和原图像相同，最后使用MeanShift方法分割新的图像图,再根据原来图的标号图像将降采样后的图像还原到原来的图像。

上述步骤(3)所述的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颜色分显著性图，将权利要求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：

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：

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

上述步骤(4)所述的提取每个区域的GABOR，其计算式如下：

其中，ST(i)代表区域i(i在1到TR之间)的纹理分显著性值，N(i)为区域i包含像素的总量，TR为图像分割的总块数，M(i)为GABOR滤波后属于第i个区域各系数的均值，V(i)为GABOR滤波后属于第i个区域各系数的方差，M(i)由公式18计算得到。

其中，p代表4个尺度，q代表6个方向，X(i,p,q)为区域内在尺度p,方向q下GABOR滤波后图像属于区域i的像素(x,y)系数的均值。V(i)由公式19计算得到。

其中，p代表4个尺度，q代表6个方向，J(i,p,q)为区域内在尺度p,方向q下GABOR在尺度p,方向q下滤波后图像属于区域i的像素(x,y)系数的方差。X(i,p,q)由公式20计算得到。

其中N(i)为第i个区域包含像素点的数量，r为图像的行数，c为图像的列数，G(j,k,p,q)代表在尺度p,方向q下GABOR滤波后对应(j,k)像素点的值，U(j,k)代表像素是否需要计算，其中

其中R(i,j)代表像素(i,j)所归属的区域号。

J(i,p,q)由公式22计算得到。

最后比对标号图像将纹理的显著性值赋给每个像素点(x,y),如公式23

TS(i,j)＝ST(R(i,j)) (23)

其中TS(i,j)为像素(i,j)的纹理显著性值，ST(i)代表区域i(i在1到TR之间)的纹理分显著性值，R(i,j)代表像素(i,j)所归属的区域号。

上述步骤(6)所述的将颜色和纹理两个分显著性图融合为总显著性图，其具体步骤如下：

(5-1)定义融合比例为Y，Y由公式24确定

其中maxVariance为各区域纹理方差的最大值，K，T为系数，在本文中K取1600，T取5。

融合后的显著性图中每个像素(x,y)的显著性值由公式25定义：

S(i,j)＝SC(i,j)²+Y*(ST(i,j))² (25)

其中SC(i,j)为RC方法得到的像素(i,j)颜色显著性分量，TS(i,j)为上一节得到的像素(i,j)的纹理显著性分量。

附图说明

图1是本发明针对高复杂纹理图像的图像视觉显著性检测方法的流程图；

图2是Gabor滤波尺度和方向；

图3是纹理显著性分图

图4是GB方法与本文提出的分割方法的结果对比；

图5是方法运行结果比对；

具体实施方式

本发明的实验室在CPU频率为2.20Ghz，内存为4G的PC机上完成的。本发明的开发软件为Visual Studio2010以及OpenCV2.4.3。

如图1所示，本发明的针对高复杂纹理图像的图像视觉显著性检测方法，采用以下步骤加以详述：

(1)本发明先使用超像素将图片分割为小区域，超像素的优点在于可以更好的保存图片的边缘，然后以小区域为节点像素重新合成一幅图像，选取小区域中每个通道颜色的平均值作为新图像的对应像素的颜色值,新图像的通道数和原图像相同，最后使用MeanShift方法分割新的图像图,再根据原来图的标号图像将降采样后的图像还原到原来的图像。分割后的图像如图4所示对原始图像进行量化及高频颜色的筛选，其具体步骤如下：

(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：

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：

(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：

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：

(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：

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：

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：

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：

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:

对于每一个像素量化函数如下：

其中，

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：

(2)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：

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：

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。

(3)提取每个区域的GABOR特征，采用4个尺度，6个方向如图2所示，其计算式如下：

其中，ST(i)代表区域i(i在1到TR之间)的纹理分显著性值，N(i)为区域i包含像素的总量，TR为图像分割的总块数，M(i)为GABOR滤波后属于第i个区域各系数的均值，V(i)为GABOR滤波后属于第i个区域各系数的方差，M(i)由公式18计算得到。

其中，p代表4个尺度，q代表6个方向，X(i,p,q)为区域内在尺度p,方向q下GABOR滤波后图像属于区域i的像素(x,y)系数的均值。V(i)由公式19计算得到。

其中，p代表4个尺度，q代表6个方向，J(i,p,q)为区域内在尺度p,方向q下GABOR在尺度p,方向q下滤波后图像属于区域i的像素(x,y)系数的方差。X(i,p,q)由公式20计算得到。

其中N(i)为第i个区域包含像素点的数量，r为图像的行数，c为图像的列数，G(j,k,p,q)代表在尺度p,方向q下GABOR滤波后对应(j,k)像素点的值，U(j,k)代表像素是否需要计算，其中

其中R(i,j)代表像素(i,j)所归属的区域号。

J(i,p,q)由公式22计算得到。

最后比对标号图像将纹理的显著性值赋给每个像素点(x,y),如公式23

TS(i,j)＝ST(R(i,j)) (23)

其中TS(i,j)为像素(i,j)的纹理显著性值，ST(i)代表区域i(i在1到TR之间)的纹理分显著性值，R(i,j)代表像素(i,j)所归属的区域号。纹理分显著性图如图3所示。

(4)将颜色和纹理两个分显著性图融合为总显著性图，其具体步骤如下：

(5-1)定义融合比例为Y，Y由公式24确定

其中maxVariance为各区域纹理方差的最大值，K，T为系数，在本文中K取1600，T取5。

融合后的显著性图中每个像素(x,y)的显著性值由公式25定义：

S(i,j)＝SC(i,j)²+Y*(ST(i,j))² (25)

其中SC(i,j)为RC方法得到的像素(i,j)颜色显著性分量，TS(i,j)为上一节得到的像素(i,j)的纹理显著性分量。

最终显著图如图5所示 。

Claims (4)

1.一种针对复杂纹理图像的图像显著性分析方法，其具体步骤如下：

(1)运用基于超像素分割方法将原始图像分割成K个超像素；

(2)在超像素分割的基础上进一步使用MEANSHIFT方法进行聚类；

(3)得到最终的分割结果进行全局区域对比得到颜色分显著性图；

(4)对每个区域提取GABOR纹理特征；

(5)对纹理特征也采用全局对比得到纹理分显著性图；

(6)将两个分显著性图融合为总显著性图，

其中，上述步骤(6)将两个分显著性图融合为总显著性图包括：

定义融合比例为Y，Y由公式(24)确定：

$Y=\frac{1}{T}\×\exp (\frac{1}{K}\×\max Variance-1)---\left(24\right)$

其中maxVariance为各区域纹理方差的最大值，K，T为系数，K取1600，T取5，

融合后的显著性图中每个像素(x,y)的显著性值由公式(25)定义：

S(x,y)＝SC(x,y)²+Y*(TS(x,y))² (25)

其中SC(x,y)为RC方法得到的像素(x,y)的颜色显著性分量，TS(x,y)为像素(x,y)的纹理显著性分量。

2.如权利要求1所述的针对复杂纹理图像的图像显著性分析方法，其特征在于，所述图像显著性分析方法还包括对所述原始图像进行量化及高频颜色筛选的步骤：

(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：

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

其中，x＝1,2,3…,m；y＝1,2,3…,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：

$D^1=\{I_1^1,I_2^1,I_3^1...,I_{N_0}^1\}---\left(2\right)$

其中，D¹表示第一图像集，所述第一图像集中的元素代表每个图像；

(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：

$\begin{array}{c}{P}_{x,y}^2=\left(\begin{array}{ccc}{P}_{x,y}^{1,R}& P_{x,y}^{1,G}& P_{x,y}^{1,B}\end{array}\right)\left(\begin{array}{c}{12}^2\\ 12\\ 1\end{array}\right)\\ x=1,\mathrm{2...},m;y=1,\mathrm{2...}n;\end{array}---\left(3\right)$

其中，表示三通道值经过转化后，得到的单通道值；此时图像集被重新定义为一个矩阵集：

$D^2=\{I_1^2,I_2^2,I_3^2...,I_{N_0}^2\}---\left(4\right)$

其中，D²表示矩阵集，所述矩阵集中的元素表示单个矩阵；

(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如下：

$H\left(I_i^2\right)=(f_0^i,f_1^i,f_2^i...,f_{N_{\mathrm{\θ}}}^i)---\left(5\right)$

其中，是第i幅图像中颜色ω出现的频率，ω＝{0,1,2…,N_θ}；而颜色频率统计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：

$s_k^i={\mathrm{\Σ}}_{\mathrm{\ω}=0}^k{f}_{\mathrm{\ω}}^i,k=0,1...,N_{\mathrm{\θ}}---\left(6\right)$

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：

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

N_θ-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：

$index\left(f\right(P_{x,y}^1\left)\right)=j,iff\left(P_{x,y}^2\right)=f_j^i---\left(9\right)$

其中，表示像素点的统计函数，f_j ⁱ表示第i幅图像中颜色j出现的频率；

图像的颜色可以被截断为U₁和U₂两部分:

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

对于每一个像素量化函数如下：

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

其中，

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

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

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：

$D^3=\{I_1^3,I_2^3,I_3^3...,I_{N_0}^3\}---\left(14\right)$

其中，D³表示第二图像集，所述第二图像集中的元素代表每张图像。

3.如权利要求2所述的针对复杂纹理图像的图像显著性分析方法，其特征在于，先使用超像素将图片分割为小区域，超像素的优点在于可以更好的保存图片的边缘，然后以小区域为节点像素重新合成一幅图像，选取小区域中每个通道颜色的平均值作为新图像的对应像素的颜色值,新图像的通道数和原图像相同，最后使用MeanShift方法分割新的图像图,再根据原来图的标号图像将降采样后的图像还原到原来的图像，将分割图像与步骤(2-4)的量化图像结合计算初始显著图的计算式为：

$S\left(s_r\right)={\mathrm{\Σ}}_{s_r\≠s_{\mathrm{\μ}}}\exp (-\frac{D_s(s_r,s_{\mathrm{\μ}})}{{\mathrm{\σ}}_s^2})w\left(s_{\mathrm{\μ}}\right)D_c(s_r,s_{\mathrm{\μ}})---\left(15\right)$

其中，S(s_r)表示分割区域s_r的显著值；w(s_μ)是区域s_μ的权值，用来控制它对区域s_r显著值的影响，这里取区域s_μ中像素点的个数作为它的值；D_s(s_r,s_μ)是区域s_r和s_μ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_r,s_μ)是区域s_r和区域s_μ之间的颜色距离度量，计算公式如下：

$D_c(S_r,S_{\mathrm{\μ}})={\mathrm{\Σ}}_{\mathrm{\α}=1}^{c_r}{\mathrm{\Σ}}_{\mathrm{\β}=1}^{C_{\mathrm{\μ}}}f\left(c_{r,\mathrm{\α}}\right)f\left(c_{\mathrm{\μ},\mathrm{\β}}\right)D(c_{r,\mathrm{\α}},c_{\mathrm{\μ},\mathrm{\β}})---\left(16\right)$

其中，f(c_r,α)是分割区域s_r中第α种颜色在该区域所有颜色c_r出现的频数，f(c_μ,β)是分割区域s_μ中第β种颜色在该区域所有颜色c_μ出现的频数，c_r和c_μ分别表示区域s_r和区域s_μ的颜色总数目。

4.如权利要求1所述的针对复杂纹理图像的图像显著性分析方法，其特征在于，上述步骤(4)所述的提取每个区域的GABOR，其计算式如下：

$ST\left(r\right)={\mathrm{\Σ}}_{k=1,\mathrm{\μ}\≠k}^{TR}\frac{N\left(\mathrm{\μ}\right)}{N\left(r\right)}*\left(\right(M\left(r\right)-{\left(M\left(\mathrm{\μ}\right)\right)}^2+{\left(V\left(r\right)-V\left(\mathrm{\μ}\right)\right)}^2)---\left(17\right)$

其中，ST(r)代表区域r的纹理分显著性值，其中r在1到TR之间，N(μ)为第μ个区域包含像素的总量，N(r)为第r个区域包含像素的总量，TR为图像分割的总块数，M(r)为GABOR滤波后属于第r个区域各系数的均值，V(r)为GABOR滤波后属于第r个区域各系数的方差，μ代表一个非k的区域，M(μ)为GABOR滤波后属于第μ个区域各系数的均值，V(μ)为GABOR滤波后属于第μ个区域各系数的方差，M(r)由公式20计算得到，

$M\left(r\right)=\frac{1}{24}{\mathrm{\Σ}}_{p=0}^3{\mathrm{\Σ}}_{q=0}^{5}X(r,p,q)---\left(18\right)$

其中，p代表4个尺度，q代表6个方向，X(r,p,q)为区域内在尺度p,方向q下GABOR滤波后图像属于区域r的像素(x,y)系数的均值，V(r)由公式(19)计算得到：

$V\left(r\right)=\frac{1}{24}{\mathrm{\Σ}}_{p=0}^3{\mathrm{\Σ}}_{q=0}^{5}J(r,p,q)---\left(19\right)$

其中，J(r,p,q)为区域内在尺度p,方向q下GABOR滤波后图像属于区域r的像素(x,y)系数的方差，X(r,p,q)由公式(20)计算得到：

$X(r,p,q)=\frac{1}{N\left(r\right)}{\mathrm{\Σ}}_{x=0}^{P_l}{\mathrm{\Σ}}_{y=0}^{P_c}G(x,y,p,q)\×U(x,y)---\left(20\right)$

其中，P_l为图像的行数，P_c为图像的列数，G(x,y,p,q)代表在尺度p,方向q下GABOR滤波后对应(x,y)像素点的值，U(x,y)代表像素是否需要计算，其中

$U(x,y)=\left\{\begin{array}{cc}1,& R\left(x,y\right)=r\\ 0,& R\left(x,y\right)\≠r\end{array}\right.---\left(21\right)$

其中R(x,y)代表像素(x,y)所归属的区域号，

J(x,p,q)由公式(22)计算得到：

$J(r,p,q)=\frac{1}{N\left(r\right)}{\mathrm{\Σ}}_{x=0}^{P_l}{\mathrm{\Σ}}_{y=0}^{P_c}{\left(G\right(x,y,p,q)-X(r,p,q\left)\right)}^2\×U(x,y)---\left(22\right)$

最后比对标号图像将纹理的显著性值赋给每个像素点(x,y),如公式(23)

TS(x,y)＝ST(R(x,y)) (23)

其中TS(x,y)为像素(x,y)的纹理显著性值。