CN108921820A - 一种基于特征聚类和颜色对比度的图像显著性目标检测方法 - Google Patents

Abstract

本发明涉及一种特征聚类和颜色对比度的图像显著性目标检测方法，首先，同时考虑了Lab和对抗色两个颜色空间，同时考虑了每个像素点与多尺度邻域差值问题，这样既考虑图像的整体特征又考虑图像的局部特征。运用信息熵作为衡量显著图的检测效果，首先运用信息熵找到每个颜色通道中的最优三个邻域尺度，然后用信息熵找到最优三个颜色通道，并且运行信息熵组合每步得到的最优显著图。这样既考虑图像的整体特征又考虑图像的局部特征。接着运用信息熵分步组合得到的最优显著性分布图。

Description

一种基于特征聚类和颜色对比度的图像显著性目标检测方法

技术领域

本发明属于数字图像处理领域，具体涉及一种基于特征聚类和颜色对比度的图像显著性目标检测方法。

背景技术

人的视觉系统具有非凡的选择性。当我们在观看一幅图像时，视觉系统会快速帮我们锁定图像中的关键区域，而忽视其他部分。在计算机图像信息处理中模拟和实现人类视觉系统的选择性注意机制，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，对图像检索、图像增强、视频压缩、视频监控等都有重要意义。

颜色对比度是吸引人注意的一个重要特征，而Lab颜色空间是与设备无关的颜色模型，是用数字化的方法来描述人的视觉感应，最接近人类的视觉，因此我们在Lab颜色空间提出显著性目标检测方法。图像背景颜色一般具有分布分散的特点，颜色像素分布集中的通常表示一个目标。首先，我们采用特征聚类算法将图像颜色特征分为6类，并用二维信息熵作为颜色特征分散程度的衡量指标，选择信息熵较大的图像特征作为背景特征。又由于图像边缘的四个角区域通常不包含目标，我们增加这四个角区域为背景，得到图像背景模型。然后，通过计算图像前景区域与背景区域的的对比度得到显著性特征。最后，应用特征融合和图像增强技术得到凸显显著性目标的特征图。

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特征聚类和颜色对比度的图像显著性目标检测方法，可以有效的抑制图像背景，快速检测出体现图像内容的显著性目标。

技术方案

一种基于特征聚类和颜色对比度的图像显著性目标检测方法，其特征在于步骤如下：

步骤1：将原始输入图像由RGB颜色空间转化为Lab颜色空间；

步骤2：采用SLIC算法对转化为Lab颜色空间的图像进行过分割得到超像素，原始图像过分割得200个超像素；

步骤3：应用Kmeans聚类算法将步骤2处理后的图像的颜色像素值聚为K类，本方法取K＝6；

步骤4：计算每个聚类的信息熵得：

其中：C_j(x,y)是i颜色通道第j个聚类，当点(x,y)属于第j个聚类时，C_j(x,y)＝1，当点(x,y)不属于第j个聚类时，C_j(x,y)＝0。g是一个高斯低通滤波器；

步骤5：将聚类的信息熵按照从大到小的顺序排列，选取信息熵前两位的2个聚类的颜色特征作为为背景特征，这两类特征对应的超像素组成的区域为背景区域；

步骤6：计算步骤2处理后图像中，每个超像素中心位置与所在图像四个顶点的距离，当到任一个顶点的距离小于时，该超像素增加为背景区域，其中：w,h分别是图像宽和高，其余区域为前景区域；

步骤7：在Lab颜色空间中，计算每个颜色通道中前景区域与背景区域的对比度特征：

其中：S_k(i)表示前景区域中第i个超像素在k颜色通道中的显著性特征，F_k(i)表示在前景区域中第i个超像素在k颜色通道中的颜色特征，B_k(j)表示在背景区域中第j个超像素在k颜色通道中的颜色特征，P_i,P_j分别是第i个和第j个超像素的中心位置，w,h分别是图像宽和高的中心位置，||·||₂表示求2范数；

步骤8：将S_k(i)，k∈{L,a,b}归一化并线性组合，得到图像显著性特征：

其中：为特征融合权系数；

步骤9：取阈值T＝mean2(S)，将显著性特征S二值化，分离图像前景区域为F；

步骤10：构造高斯滤波，

其中：x₀和y₀分别表示图像前景区域F中心位置的横坐标和纵坐标，表示显著区域的半径；

步骤11：应用步骤10中的高斯滤波对步骤8得到的显著性特征增强，得到图像显著性目标特征图，显著性区域即为目标区域。

有益效果

本发明提出的一种特征聚类和颜色对比度的图像显著性目标检测方法，首先，同时考虑了Lab和对抗色两个颜色空间，同时考虑了每个像素点与多尺度邻域差值问题，这样既考虑图像的整体特征又考虑图像的局部特征。运用信息熵作为衡量显著图的检测效果，首先运用信息熵找到每个颜色通道中的最优三个邻域尺度，然后用信息熵找到最优三个颜色通道，并且运行信息熵组合每步得到的最优显著图。这样既考虑图像的整体特征又考虑图像的局部特征。接着运用信息熵分步组合得到的最优显著性分布图。

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：Inter Core i5-6500计算机、8GB内存、2GB显卡，运行的软件环境是：Matlab2014a和Windows 7。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：将输入图像转化为Lab颜色空间，得到L,a,b颜色通道；

2：采用SLIC算法对转化为Lab颜色空间的图像进行过分割得到超像素，原始图像过分割得200个超像素；

3：应用Kmeans聚类算法将颜色特征分为6类；

4：计算每个聚类特征的信息熵得：

其中：C_j(x,y)是i颜色通道第j个聚类特征，当点(x,y)属于第j个聚类特征时，C_j(x,y)＝1，当点(x,y)不属于第j个聚类特征时，C_j(x,y)＝0。g是一个高斯低通滤波器；

5：将聚类的信息熵按照从大到小的顺序排列，选取信息熵前两位的2个聚类的颜色特征作为为背景特征，这两类特征对应的超像素组成的区域为背景区域；

6：计算步骤2处理后图像中，每个超像素中心位置与所在图像四个顶点的距离，当到任一个顶点的距离小于时，该超像素增加为背景区域，其中：w,h分别是图像宽和高，其余区域为前景区域；

7：在Lab颜色空间中，计算每个颜色通道中前景区域与背景区域的对比度特征：

其中：S_k(i)表示前景区域中第i个超像素在k颜色通道中的显著性特征，F_k(i)表示在前景区域中第i个超像素在k颜色通道中的颜色特征，B_k(j)表示在背景区域中第j个超像素在k颜色通道中的颜色特征，P_i,P_j分别是第i个和第j个超像素的中心位置，w,h分别是图像宽和高，||·||₂表示求2范数；

8：将S_L(i)，S_a(i)和S_b(i)归一化并组合，得到图像显著性特征：

其中：为特征融合权系数；

9：取阈值T＝mean2(S)，将特征图S二值化，分离图像前景区域为F；

10：计算图像前景区域F平均中心位置坐标(x₀,y₀)，计算图像前景区域F的半径

11：应用高斯滤波对特征图S增强，得到最终显著图。

Claims (1)

1.一种基于特征聚类和颜色对比度的图像显著性目标检测方法，其特征在于步骤如下：

步骤1：将原始输入图像由RGB颜色空间转化为Lab颜色空间；

步骤2：采用SLIC算法对转化为Lab颜色空间的图像进行过分割得到超像素，原始图像过分割得200个超像素；

步骤3：应用Kmeans聚类算法将步骤2处理后的图像的颜色像素值聚为K类，本方法取K＝6；

步骤4：计算每个聚类的信息熵得：

其中：C_j(x,y)是i颜色通道第j个聚类，当点(x,y)属于第j个聚类时，C_j(x,y)＝1，当点(x,y)不属于第j个聚类时，C_j(x,y)＝0；g是一个高斯低通滤波器；

步骤5：将聚类的信息熵按照从大到小的顺序排列，选取信息熵前两位的2个聚类的颜色特征作为为背景特征，这两类特征对应的超像素组成的区域为背景区域；

步骤6：计算步骤2处理后图像中，每个超像素中心位置与所在图像四个顶点的距离，当到任一个顶点的距离小于时，该超像素增加为背景区域，其中：w,h分别是图像宽和高，其余区域为前景区域；

步骤7：在Lab颜色空间中，计算每个颜色通道中前景区域与背景区域的对比度特征：

其中：S_k(i)表示前景区域中第i个超像素在k颜色通道中的显著性特征，F_k(i)表示在前景区域中第i个超像素在k颜色通道中的颜色特征，B_k(j)表示在背景区域中第j个超像素在k颜色通道中的颜色特征，P_i,P_j分别是第i个和第j个超像素的中心位置，w,h分别是图像宽和高的中心位置，||·||₂表示求2范数；

步骤8：将S_k(i)，k∈{L,a,b}归一化并线性组合，得到图像显著性特征：

其中：为特征融合权系数；

步骤9：取阈值T＝mean2(S)，将显著性特征S二值化，分离图像前景区域为F；

步骤10：构造高斯滤波，

其中：x₀和y₀分别表示图像前景区域F中心位置的横坐标和纵坐标，表示显著区域的半径；

步骤11：应用步骤10中的高斯滤波对步骤8得到的显著性特征增强，得到图像显著性目标特征图，显著性区域即为目标区域。