CN105139018A - 基于颜色和纹理聚集度的图像显著性检测方法 - Google Patents

Abstract

本发明提供了一种基于颜色和纹理聚集度的图像显著性检测方法，包括以下步骤：步骤1、颜色显著性计算；步骤2、纹理显著性计算；步骤3、置信特征选择；步骤4、加权置信特征融合。本发明在ASD数据集上进行测试，能够保证显著图结果符合要求，具有在各类自然图像上均能得到准确度高的显著图结果等优点。

Description

基于颜色和纹理聚集度的图像显著性检测方法

技术领域

本发明属于图像处理领域，特别涉及一种基于颜色和纹理聚集度的图像显著性检测方法，本发明是一种自然彩色图像的显著性检测方法。

背景技术

人类对外界环境的感知大部分来自于视觉。人脑接受的人类视觉系统对周围环境的感知信息主要包括对光、颜色、时空频率以及运动物体的感知。而信息的获取、分析和利用需要一系列的大脑的处理过程。研究表明，人类视觉系统对信息的处理过程趋向于关注感知强烈的部分，将其认为是处于外界环境中的显著信息。图像的显著性区域表示的是人类视觉系统所关注到的图像区域。视觉显著性跟人类视觉系统如何感知和处理视觉刺激紧密相关。图像中区域的颜色、结构、边界在人类视觉系统中所对应的独特属性构成了图像的显著性。

人类视觉系统可以很容易地判断图像中的显著性区域，并关注到图像的重要部分。由于我们可以利用图像的显著性区域来有限分配对图像进行分析与合成所需要的计算资源，所以通过计算来检测图像显著性区域的意义重大。

目前为止，已经涌现了大量的显著性检测方法，其中大部分已有的显著性检测算法的研究都集中在计算全局和局部的特征对比度，通常通过研究图像中某一区域与它周围的区域的差异来获得。从计算特征对比度的理论考虑，当前已有的图像显著性检测方法可分为三类：基于生物理论的方法，基于空域分析的方法和基于频域分析的方法。这些方法对颜色对背景相对简单同时显著目标对比度明显的图像可以得到比较满意的结果，但对于背景复杂，显著目标颜色信息不够丰富的图像很难准确定位到显著区域。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于颜色和纹理聚集度的图像显著性检测方法，该图像显著性检测方法是基于图像颜色和纹理聚集度的图像显著性检测方法，算法实现效率高，参照于人工标记的显著性区域，提取的显著性区域精确、完整，具有良好的视觉效果。

本发明的目的通过以下技术方案实现：一种基于颜色和纹理聚集度的图像显著性检测方法，主要包括以下步骤：

颜色显著性计算；

纹理显著性计算；

置信特征选择；

加权置信特征融合。

颜色显著性计算步骤，通过颜色空间转换，得到彩色图像的多个颜色通道，对每个颜色通道进行FCM聚类，根据每个区域的聚集度选择颜色显著图，并利用聚集度和类间差异计算候选显著区域的颜色显著性。

纹理显著性计算步骤，通过对原始彩色图像L通道进行一级平稳小波变换得到三个方向的小波细节信息；将三个方向的小波细节信息进行合并，并做hilbert比变换，得到三个方向的Hilbert变换信号，与合并小波细节信号共同构成超复数，做超复数傅立叶变换得到局部相位，经过一系列后处理得到纹理显著图。

置信特征选择步骤，根据区域的位置包含关系和区域的聚集度之间对应关系，判断当前颜色显著图和纹理显著图是否为置信特征。

加权置信特征融合步骤，根据置信颜色特征的显著性值计算其权值，纹理显著图的权值根据其聚集度和置信颜色特征集合的聚集度来计算，最后对所有加权特征进行线性融合并滤波。

本发明的具体方案可以如下：一种基于颜色和纹理聚集度的图像显著性检测方法，包括以下步骤：

步骤1、颜色显著性计算；

步骤2、纹理显著性计算；

步骤3、置信特征选择；

步骤4、加权置信特征融合；

所述步骤1包括以下步骤：

步骤11、对原图进行颜色空间转换，得到得到Lab和HSV颜色空间的L，a，b，H，S五个颜色通道，第i个通道标记为CF_i，

步骤12、用模糊C均值聚类算法(FCM)对步骤(11)所得到五个颜色通道进行聚类，规定分类个数N＝4，共得到20个候选类，将其分为五组，每组四个候选类，第i组的第j类标记为

步骤13、计算步骤12中每一组候选类的聚集度，如公式(1)所示，其中其中a_i是A中第i个点的坐标向量，1≤i≤k，a_i是集A的中心点,dist(a_i,u_A)是a_i和u_A之间的欧式距离。的聚集度为

$J\left(A\right)=\sqrt{\frac{1}{k}\underset{i=1}{\overset{k}{\Σ}}{\[dist(a_i,u_A)\]}^2},---\left(1\right)$

式中，J(A)表示A的聚集度，k表示A中点的数量。

步骤14、在步骤12的每一组候选类中选择聚集度最小的候选类作为当前组对应颜色通道的颜色显著图，标记为c_i，每个c_i的聚集度标记为Jc_i；

步骤15、计算每一组候选类中颜色显著图与其他候选类之间的类间差，标记为Duv_i，如公式(2)所示，其中，表示CF_j第i个类的聚类中心；

${\mathrm{Duv}}_i=\frac{1}{N-1}\underset{j=1}{\overset{N}{\Σ}}\left|{\mathrm{cen}}_i^j-{\mathrm{cen}}_i^k\right|,---\left(2\right)$

式中，表示CF_j中第k个类的聚类中心，N表示分类个数。

步骤16、用每一组颜色显著图的类间差除以它的聚集度得到颜色显著图的显著度值，标记为s_i，如公式(3)所示。

$s_i=\frac{{\mathrm{Duv}}_i}{{\mathrm{Jc}}_i},---\left(3\right)$

式中，Duv_i表示颜色显著图的类间差，Jc_i表示颜色通道显著图c_i的聚集度。

步骤17、将前三个最大的显著度值s_i对应的颜色显著图c_i合并构成颜色特征集合color。

步骤18、计算颜色特征集合color的聚集度，标记为Jcolor。

所述步骤2包括以下步骤：

步骤21、对L通道进行一级平稳小波变换，分别得到水平、垂直和对角三个方向的小波细节信号LH，HL和HH；

步骤22、合并步骤21所得的水平方向小波细节信号LH、垂直方向小波细节信号HL和对角方向小波细节信号HH，得到合并信号f，如公式(4)所示；

f＝|LH|+|HL|+|HH|，(4)

步骤23、对步骤22所得的合并信号f进行Hilbert变换得到三个方向的Hilbert变换结果

步骤24、将步骤23所得的Hilbert变换结果和步骤22所得的合并信号f,共同构成的超复数做超复数傅立叶变换，取其局部相位β；

步骤25、对步骤24所得的局部相位β做进一步后处理。

所述步骤25包括以下步骤：

步骤A1、利用高斯概率密度函数对局部相位β进行估计得到每个点(x,y)的概率密度p(x,y)，如公式(5)所示，其中δ和μ分别为局部相位β的标准差和平均值；

$p\left(\mathrm{\β}\right(x,y\left)\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\δ}}\exp \left(\frac{-{\left(\mathrm{\β}\right(x,y)-\mathrm{\μ})}^2}{2{\mathrm{\δ}}^2}\right),---\left(5\right)$

式中，β(x,y)表示点(x,y)的局部相位，p(β(x,y))表示点(x,y)的概率密度。

步骤A2、计算步骤A1所得的概率密度p(x,y)的倒数的对数得到S_P，如公式(6)所示；

$S_P(x,y)={\left(log\frac{1}{p\left(\mathrm{\β}\right(x,y\left)\right)}\right)}^{1/2},---\left(6\right)$

式中，S_P(x,y)表示点(x,y)的纹理显著性。

步骤A3、对步骤A2所得的S_P进行高斯滤波得到结果Sal_P；

步骤A4、对步骤A3所得滤波结果Sal_P进行二值化得到最终纹理显著图P。

步骤A5、计算步骤A4所得的纹理显著图P的聚集度标记为JPhase；

所述步骤3包括以下步骤：

步骤31、计算纹理显著图P和颜色特征集合color中每个颜色显著图c_m的并集的聚集度，标记为Jpc_m；

步骤32、计算纹理显著图P和颜色特征集合color的并集的聚集度，标记为JcolorPhase；

步骤33、比较Jcolor，JPhase和JcolorPhase之间的大小，得到置信颜色特征集合colorSet和当前纹理特征P的置信标签phaseCredit；

步骤34、根据JPhase和Jc_m对当前置信颜色特征集合colorSet中c_m的显著度值进行调整；

步骤33包括以下步骤：

步骤B1、如果JPhase＜Jcolor＜JcolorPhase，JPhase＞Jpc_m＞Jc_m,那么c_m为置信颜色特征，计算JPhase与Jc_m之间的差，如果不大于特定阈值3.5，那么判定纹理显著图P为置信特征，标记为phaseCredit＝1,否则判定纹理显著图P不是置信特征，phaseCredit＝0；

步骤B2、如果JPhase＜JcolorPhase＜Jcolor，那么判定纹理显著图P为置信特征，标记为phaseCredit＝1，如果JPhase＞Jpc_m＞Jc_m，那么c_m为置信颜色特征；

步骤B3、如果Jcolor＜JPhase＜JcolorPhase，那么colorSet包括所有的五个颜色显著图，纹理特征P不是置信特征，phaseCredit＝0；

步骤B4、如果JPhase＜Jcolor＜JcolorPhase，而且对于所有颜色显著图c_i，都存在Jpc_j＞Jc_j，那么纹理特征P不是置信特征，phaseCredit＝0，colorSet＝color；

步骤B5、如果JPhase＜Jcolor＜JcolorPhase，而且至少存在一个c_j使得都存在Jpc_j＜Jc_j，那么纹理特征P是置信特征，phaseCredit＝1，colorSet为空集；

步骤B6、如果存在JPhase＞Jpc_m＞Jc_m，那么P和c_m均为置信特征图，否则纹理特征P不是置信特征，phaseCredit＝0，colorSet＝color。

步骤34包括以下步骤：

步骤C1、计算JPhase和colorSet中所有置信特征c_n的差的绝对值，选择其中最大的差异值，标记为d_max；

步骤C2、根据d_max调整colorSet中c_n的显著度值s_n，如公式(7)所示。

$s_n=\frac{Jphase-{\mathrm{Jc}}_n}{d_{max}}\×s_n,---\left(7\right)$

式中，Jphase表示纹理显著图P的聚集度，Jc_n表示c_n的聚集度，d_max表示Jphase和colorSet中所有置信特征c_n的差最大的差异值。

步骤4包括以下步骤：

步骤41、计算每个颜色显著图c_i的权值，如公式(8)所示；

$w_i=\left\{\begin{array}{cc}\frac{s_i}{s_{\max }}& c_i\∈colorSet\\ 0& c_i\∉colorSet\end{array}\right.,---\left(8\right)$

式中，w_i表示所求颜色显著图的权重值，colorSet表示置信颜色特征集合，s_i表示c_i的显著度值，s_max表示最大的显著度值。

步骤41、计算纹理显著图P的权值，如公式(9)所示；

式中，w_P表示纹理显著图的权值，colorSet表示置信颜色特征集合，表示空集，Jphase表示纹理显著图P的聚集度，Jc_z表示c_z的聚集度，w_z表示颜色显著图的权值中的最大权值。

步骤42、对加权的颜色显著图和纹理显著图进行线性相加合并，如公式(10)所示；

$Sal=w_P\×P+\underset{i=1}{\overset{5}{\Σ}}{w}_i\×c_i---\left(10\right)$

式中，Sal表示最终融合的显著图，w_P表示纹理显著图P的权值，w_i表示对应的颜色显著图c_i的权值。

步骤43、对加权合并结果进行高斯滤波，得到最终显著图SalMap。

本发明的具体方案也可以如下：一种基于颜色和纹理聚集度的图像显著性检测方法，通过以下步骤实现：(1)对原图进行颜色空间转换，得到Lab和HSV颜色空间的L，a，b，H，S五个颜色通道；(2)用模糊C均值聚类算法(FCM)对五个颜色通道进行聚类，规定分类个数N＝4，得到20个候选类；(3)计算每个颜色通道中4个候选类的聚集度，从中选择聚集度最小的类作为该颜色通道的特征图；(4)在每个颜色通道内，计算特征图与其余类之间差异度，根据特征图的聚集度与类间差异计算特征图的显著性；(5)对L通道进行一级平稳离散小波变换，合并小波细节信息并对其做Hilbert变换；(6)三个方向的Hilbert变换分量与合并的小波细节信号构成超复数，计算超复数的局部相位，对其做后处理得到纹理显著图P；(7)根据置信特征选择机制，对颜色显著图和纹理显著图进行加权合并，得到最终显著图。本发明在ASD数据集上进行测试，能够保证显著图结果符合要求，在各类自然图像上均能得到准确度高的显著图结果。

本发明的原理：本发明对自然彩色图像提取显著性区域，具有良好的视觉效果和整体精确性和完整性；先提取自然图像的颜色特征，对颜色通道进行FCM聚类，根据每个类的聚集度和类间差异度计算在每个颜色通道中所提取的对应的颜色特征及其显著性，得到颜色显著图，并且尽量保证图像中的显著区域包含在颜色显著图集合里；利用小波的细节信息及其三个方向的Hilbert变换构建超复数，计算超复数的局部相位得到纹理特征，获取显著区域的结构信息；设计了置信特征选择机制，量化了候选特征类之间的位置关系，对所有特征进行置信性分析和重要性加权，融合所有的加权特征构建最终显著图，保证了显著图的完整性和精确性。

本发明相对于现有技术具有如下的优点及效果：

1、颜色显著图和纹理显著图的有效结合重建了高质量的显著图，不仅消除了冗余信息，而且比已有的技术所实现的显著性检测的精确性和有效性更高；

2、颜色特征与其显著性的度量主要通过对颜色通道用FCM进行分类，基于聚集度从中选择最佳特征，结合类间差异计算候选特征的显著性。

3、本发明利用SWT的细节信息及其Hilbert变换构建了超复数，从中提取局部相位，并用高斯混合模型模拟了局部相位的概率分布构建纹理特征，有效地得到了显著目标的纹理。

4、根据聚集度所度量的点集合之间的位置关系，本发明还设计了一种有效的特征选择机制来从所有候选特征集合中选择置信特征。最终的显著图通过合并加权的置信特征重建而得。

5、本发明根据自然彩色图像中的显著区域在颜色和纹理特征上存在的一致性，利用聚集度量化特征图的显著度，设计置信特征选择机制对颜色和纹理显著图进行加权合并得到最终显著图，克服了复杂背景的干扰，在很大程度上提高了检测结果的正确性和准确性。本发明对所有特征进行置信性分析和重要性加权，融合所有的加权特征构建最终显著图，保证了显著图的完整性和精确性。

附图说明

图1是本发明的总体流程图。

图2是纹理特征提取的流程图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

如图1所示，本发明的一种基于颜色和纹理聚集度的图像显著性检测方法，包括以下步骤：

1、颜色显著性计算：通过对颜色通道进行FCM聚类，根据每个类的聚集度和类间差异度计算在每个颜色通道中所提取的对应的颜色特征及其显著性，得到颜色显著图。具体包括以下步骤：(1)对原图进行颜色空间转换，得到得到Lab和HSV颜色空间的L，a，b，H，S五个颜色通道，第i个通道标记为CF_i；(2)用模糊C均值聚类算法(FCM)对步骤(1)所得到五个颜色通道进行聚类，规定分类个数N＝4，共得到20个候选类，将其分为五组，每组四个候选类，第i组的第j类标记为(3)计算步骤(2)中每一组候选类的聚集度；(4)在步骤(2)的每一组候选类中选择聚集度最小的候选类作为当前组对应颜色通道的颜色显著图，标记为c_i，每个c_i的聚集度标记为Jc_i；(5)计算每一组候选类中颜色显著图与其他候选类之间的类间差，标记为Duv_i；(6)用每一组颜色显著图的类间差除以它的聚集度得到颜色显著图的显著度值，标记为s_i；(7)将前三个最大的显著度值s_i对应的颜色显著图c_i合并构成颜色特征集合color；(8)计算颜色特征集合color的聚集度，标记为Jcolor。

2、纹理显著性计算：(1)对L通道进行一级平稳小波变换，得到三个方向的小波细节信号LH，HL和HH；(2)合并(1)所得的三个方向小波细节信号LH，HL和HH，得到合并信号f；(3)对(2)所得的合并信号f进行Hilbert变换得到三个方向的Hilbert变换结果(4)将步骤(3)所得的Hilbert变换结果和步骤(2)所得的合并信号f,共同构成的超复数做超复数傅立叶变换，取其局部相位β；(5)利用高斯概率密度函数对局部相位β进行估计得到每个点(x,y)的概率密度p(x,y)；(6)计算(5)所得的概率密度p(x,y)的倒数的对数得到S_P；(7)对步骤(6)所得的S_P进行高斯滤波得到结果Sal_P；(8)对步骤(7)所得滤波结果Sal_P进行二值化得到最终纹理显著图P；(9)计算步骤A4所得的纹理显著图P的聚集度标记为JPhase。

3、置信特征选择，如图2所示，其步骤如下：

1)计算纹理显著图P和颜色特征集合color中每个颜色显著图c_m的并集的聚集度，标记为Jpc_m；

2)计算纹理显著图P和颜色特征集合color的并集的聚集度，标记为JcolorPhase；

3)比较Jcolor，JPhase和JcolorPhase之间的大小，得到置信颜色特征集合colorSet和当前纹理特征P的置信标签phaseCredit：(1)如果JPhase＜Jcolor＜JcolorPhase，JPhase＞Jpc_m＞Jc_m,那么c_m为置信颜色特征，计算JPhase与Jc_m之间的差，如果不大于特定阈值3.5，那么判定纹理显著图P为置信特征，标记为phaseCredit＝1,否则判定纹理显著图P不是置信特征，phaseCredit＝0；(2)如果JPhase＜JcolorPhase＜Jcolor，那么判定纹理显著图P为置信特征，标记为phaseCredit＝1，如果JPhase＞Jpc_m＞Jc_m，那么c_m为置信颜色特征；(3)如果Jcolor＜JPhase＜JcolorPhase，那么colorSet包括所有的五个颜色显著图，纹理特征P不是置信特征，phaseCredit＝0；(4)如果JPhase＜Jcolor＜JcolorPhase，而且对于所有颜色显著图c_i，都存在Jpc_j＞Jc_j，那么纹理特征P不是置信特征，phaseCredit＝0，colorSet＝color；(5)如果JPhase＜Jcolor＜JcolorPhase，而且至少存在一个c_j使得都存在Jpc_j＜Jc_j，那么纹理特征P是置信特征，phaseCredit＝1，colorSet为空集；如果存在JPhase＞Jpc_m＞Jc_m，那么P和c_m均为置信特征图，否则纹理特征P不是置信特征，phaseCredit＝0，colorSet＝color。

4)根据JPhase和Jc_m对当前置信颜色特征集合colorSet中c_m的显著度值进行调整：(1)计算每个颜色显著图c_i的权值；(2)计算纹理显著图P的权值；(3)对加权的颜色显著图和纹理显著图进行线性相加合并；(4)对加权合并结果进行高斯滤波。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (6)

1.一种基于颜色和纹理聚集度的图像显著性检测方法，其特征在于，包括以下步骤：

步骤1、颜色显著性计算；

步骤2、纹理显著性计算；

步骤3、置信特征选择；

步骤4、加权置信特征融合；

所述步骤1包括以下步骤：

步骤11、对原图进行颜色空间转换，得到得到Lab和HSV颜色空间的L，a，b，H，S五个颜色通道，第i个通道标记为CF_i；

步骤12、用模糊C均值聚类算法(FCM)对步骤(11)所得到五个颜色通道进行聚类，规定分类个数N＝4，共得到20个候选类，将其分为五组，每组四个候选类，第i组的第j类标记为

步骤13、计算步骤12中每一组候选类的聚集度，a_i是A中第i个点的坐标向量，a_i是集A的中心点,dist(a_i,u_A)是a_i和u_A之间的欧式距离，的聚集度为

$J\left(A\right)=\sqrt{\frac{1}{k}\underset{i=1}{\overset{k}{\Σ}}{\[dist(a_i,u_A)\]}^2},---\left(1\right)$

式中，J(A)表示A的聚集度，k表示A中点的数量；

步骤14、在步骤12的每一组候选类中选择聚集度最小的候选类作为当前组对应颜色通道的颜色显著图，标记为c_i，每个c_i的聚集度标记为Jc_i；

步骤15、计算每一组候选类中颜色显著图与其他候选类之间的类间差，标记为Duv_i，表示CF_j第i个类的聚类中心；

${\mathrm{Duv}}_i=\frac{1}{N-1}\underset{j=1}{\overset{N}{\Σ}}\left|{\mathrm{cen}}_i^j-{\mathrm{cen}}_i^k\right|,---\left(2\right)$

式中，表示CF_j中第k个类的聚类中心，N表示分类个数；

步骤16、用每一组颜色显著图的类间差除以它的聚集度得到颜色显著图的显著度值，标记为s_i：

$s_i=\frac{{\mathrm{Duv}}_i}{{\mathrm{Jc}}_i},---\left(3\right)$

式中，Duv_i表示颜色显著图的类间差，Jc_i表示颜色通道显著图c_i的聚集度；

步骤17、将前三个最大的显著度值s_i对应的颜色显著图c_i合并构成颜色特征集合color；

步骤18、计算颜色特征集合color的聚集度，标记为Jcolor。

2.如权利要求1所述的基于颜色和纹理聚集度的图像显著性检测方法，其特征在于，所述步骤2包括以下步骤：

步骤21、对L通道进行一级平稳小波变换，得到三个方向的小波细节信号LH，HL和HH；

步骤22、合并步骤21所得的水平方向小波细节信号LH、垂直方向小波细节信号HL和对角方向小波细节信号HH,得到合并信号f：

f＝|LH|+|HL|+|HH|，(4)

步骤23、对步骤22所得的合并信号f进行Hilbert变换得到三个方向的Hilbert变换结果

步骤24、将步骤23所得的Hilbert变换结果和步骤22所得的合并信号f,共同构成的超复数做超复数傅立叶变换，取其局部相位β；

步骤25、对步骤24所得的局部相位β做进一步后处理；

所述步骤25包括以下步骤：

步骤A1、利用高斯概率密度函数对局部相位β进行估计得到每个点(x,y)的概率密度p(x,y)，δ和μ分别为β的标准差和平均值；

$p\left(\mathrm{\β}\right(x,y\left)\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\δ}}\exp \left(\frac{-{\left(\mathrm{\β}\right(x,y)-\mathrm{\μ})}^2}{2{\mathrm{\δ}}^2}\right),---\left(5\right)$

式中，β(x,y)表示点(x,y)的局部相位，p(β(x,y))表示点(x,y)的概率密度；

步骤A2、计算步骤A1所得的概率密度p(x,y)的倒数的对数得到S_P：

$S_P(x,y)={\left(log\frac{1}{p\left(\mathrm{\β}\right(x,y\left)\right)}\right)}^{1/2},---\left(6\right)$

式中，S_P(x,y)表示点(x,y)的纹理显著性；

步骤A3、对步骤A2所得的S_P进行高斯滤波得到结果Sal_P；

步骤A4、对步骤A3所得滤波结果Sal_P进行二值化得到最终纹理显著图P；

步骤A5、计算步骤A4所得的纹理显著图P的聚集度标记为JPhase。

3.如权利要求1所述的基于颜色和纹理聚集度的图像显著性检测方法，其特征在于，所述步骤3包括以下步骤：

步骤31、计算纹理显著图P和颜色特征集合color中每个颜色显著图c_m的并集的聚集度，标记为Jpc_m；

步骤32、计算纹理显著图P和颜色特征集合color的并集的聚集度，标记为JcolorPhase；

步骤33、比较Jcolor，JPhase和JcolorPhase之间的大小，得到置信颜色特征集合colorSet和当前纹理特征P的置信标签phaseCredit；

步骤34、根据JPhase和Jc_m对当前置信颜色特征集合colorSet中c_m的显著度值进行调整。

4.如权利要求3所述的基于颜色和纹理聚集度的图像显著性检测方法，其特征在于，步骤33包括以下步骤：

步骤B1、如果JPhase＜Jcolor＜JcolorPhase，JPhase＞Jpc_m＞Jc_m,那么c_m为置信颜色特征，计算JPhase与Jc_m之间的差，如果不大于特定阈值3.5，那么判定纹理显著图P为置信特征，标记为phaseCredit＝1,否则判定纹理显著图P不是置信特征，phaseCredit＝0；

步骤B2、如果JPhase＜JcolorPhase＜Jcolor，那么判定纹理显著图P为置信特征，标记为phaseCredit＝1，如果JPhase＞Jpc_m＞Jc_m，那么c_m为置信颜色特征；

步骤B3、如果Jcolor＜JPhase＜JcolorPhase，那么colorSet包括所有的五个颜色显著图，纹理特征P不是置信特征，phaseCredit＝0；

步骤B4、如果JPhase＜Jcolor＜JcolorPhase，而且对于所有颜色显著图c_i，都存在Jpc_j＞Jc_j，那么纹理特征P不是置信特征，phaseCredit＝0，colorSet＝color；

步骤B5、如果JPhase＜Jcolor＜JcolorPhase，而且至少存在一个c_j使得都存在Jpc_j＜Jc_j，那么纹理特征P是置信特征，phaseCredit＝1，colorSet为空集；

步骤B6、如果存在JPhase＞Jpc_m＞Jc_m，那么P和c_m均为置信特征图，否则纹理特征P不是置信特征，phaseCredit＝0，colorSet＝color。

5.如权利要求3所述的基于颜色和纹理聚集度的图像显著性检测方法，其特征在于，步骤34包括以下步骤：

步骤C1、计算JPhase和colorSet中所有置信特征c_m的差的绝对值，选择其中最大的差异值，标记为d_max；

步骤C2、根据d_max调整colorSet中c_n的显著度值s_n：

$s_n=\frac{Jphase-{\mathrm{Jc}}_n}{d_{max}}\×s_n,---\left(7\right)$

式中，Jphase表示纹理显著图P的聚集度，Jc_n表示c_n的聚集度，d_max表示Jphase和colorSet中所有置信特征c_n的差最大的差异值。

6.如权利要求1所述的基于颜色和纹理聚集度的图像显著性检测方法，其特征在于，步骤4包括以下步骤：

步骤41、计算每个颜色显著图c_i的权值：

$w_i=\left\{\begin{array}{cc}\frac{s_i}{s_{\max }}& c_i\∈colorSet\\ 0& c_i\∉colorSet\end{array}\right.,---\left(8\right)$

式中，w_i表示所求颜色显著图的权重值，colorSet表示置信颜色特征集合，s_i表示c_i的显著度值，s_max表示最大的显著度值；

步骤41、计算纹理显著图P的权值：

式中，w_P表示纹理显著图的权值，colorSet表示置信颜色特征集合，表示空集，Jphase表示纹理显著图P的聚集度，Jc_z表示c_z的聚集度，w_z表示颜色显著图的权值中的最大权值；

步骤42、对加权的颜色显著图和纹理显著图进行线性相加合并：

$Sal=w_P\×P+\underset{i=1}{\overset{5}{\Σ}}{w}_i\×c_i,---\left(10\right)$

式中，Sal表示最终融合的显著图，w_P表示纹理显著图P的权值，w_i表示对应的颜色显著图c_i的权值；

43、对加权合并结果进行高斯滤波，得到最终显著图SalMap。