一種基于區(qū)域的圖像顯著圖提取方法
【專利摘要】本發(fā)明公開了一種基于區(qū)域的圖像顯著圖提取方法，其首先通過計算圖像的全局顏色直方圖，得到基于全局顏色直方圖的圖像顯著圖，然后采用超像素分割技術(shù)對圖像進(jìn)行分割，分別計算各個區(qū)域的顏色對比度和空間稀疏性，并利用區(qū)域之間的相似性進(jìn)行加權(quán)，得到基于區(qū)域顏色對比度的圖像顯著圖和基于區(qū)域空間稀疏性的圖像顯著圖，最后對基于全局顏色直方圖的圖像顯著圖、基于區(qū)域顏色對比度的圖像顯著圖和基于區(qū)域空間稀疏性的圖像顯著圖進(jìn)行融合，得到最終的圖像顯著圖，優(yōu)點(diǎn)是獲得的圖像顯著圖能夠較好地反映全局和局部區(qū)域的顯著變化情況，符合圖像顯著語義的特征。
【專利說明】一種基于區(qū)域的圖像顯著圖提取方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種圖像信號的處理方法，尤其是涉及一種基于區(qū)域的圖像顯著圖提取方法。
【背景技術(shù)】
[0002]在人類視覺接收與信息處理中，由于大腦資源有限以及外界環(huán)境信息重要性區(qū)另IJ，在處理過程中人腦對外界環(huán)境信息并不是一視同仁的，而是表現(xiàn)出選擇特征。人們在觀看圖像或者視頻片段時注意力并非均勻分布到圖像的每個區(qū)域，而是對某些顯著區(qū)域關(guān)注度更高。如何將視頻中視覺注意度高的顯著區(qū)域檢測并提取出來是計算機(jī)視覺以及基于內(nèi)容的視頻檢索領(lǐng)域的一個重要的研究內(nèi)容。
[0003]現(xiàn)有的顯著圖模型是一種模擬生物體視覺注意機(jī)制的選擇性注意模型，其通過計算每個像素點(diǎn)在顏色、亮度、方向方面與周邊背景的對比，并將所有像素點(diǎn)的顯著值構(gòu)成一張顯著圖，然而這類方法并不能很好地提取圖像顯著圖信息，這是因為基于像素的顯著特征并不能很好地反映人眼觀看時的顯著語義特征，而基于區(qū)域的顯著特征能夠有效地提高提取的穩(wěn)定性和準(zhǔn)確性，因此，如何對圖像進(jìn)行區(qū)域分割，如何對各個區(qū)域的特征進(jìn)行提取，如何對各個區(qū)域的顯著特征進(jìn)行描述，如何度量區(qū)域本身的顯著度和區(qū)域與區(qū)域之間的顯著度，都是對基于區(qū)域的顯著圖提取中需要研究解決的問題。

【發(fā)明內(nèi)容】

[0004]本發(fā)明所要解決的技術(shù)問題是提供一種符合顯著語義特征，且有較高提取穩(wěn)定性和準(zhǔn)確性的基于區(qū)域的圖像顯著圖提取方法。
[0005]本發(fā)明解決上述技術(shù)問題所采用的技術(shù)方案為:一種基于區(qū)域的圖像顯著圖提取方法，其特征在于包括以下步驟:
[0006]①將待處理的源圖像記為Ui(Xj)K其中，1=1,2,3,1≤χ≤W，1≤y≤H，W表示Ui(x，y)}的寬，H表示{Ii(x，y)}的高，IiU, y)表示Ui(x，y)}中坐標(biāo)位置為(x, y)的像素點(diǎn)的第i個分量的顏色值，第I個分量為R分量、第2個分量為G分量和第3個分量為B分量；
[0007]②首先獲取UiUyM的量化圖像及量化圖像的全局顏色直方圖，然后根據(jù)UiUjM的量化圖像，獲取UiUjM中的每個像素點(diǎn)的顏色種類，再根據(jù)UiUjM的量化圖像的全局顏色直方圖和!Λ(χ，y)}中的每個像素點(diǎn)的顏色種類，獲取!Λ(χ，y)}的基于全局顏色直方圖的圖像顯著圖，記為{肥(17)}，其中，肥(17)表示{HS(x，y)}中坐標(biāo)位置為(x，y)的像素點(diǎn)的像素值，亦表示Ui(x，y)}中坐標(biāo)位置為(x，y)的像素點(diǎn)的基于全局顏色直方圖的顯著值；
[0008]③采用超像素分割技術(shù)將UiUyM分割成M個互不重疊的區(qū)域，然后將UiUjM重新表示為M個區(qū)域的集合，記為{SPJ，再計算{SPJ中的各個區(qū)域之間的相似性，將{SPJ中的第P個區(qū)域與第q個區(qū)域之間的相似性記為Sim(SPpSPtl),其中，M≥1，SPh表示{SPJ中的第h個區(qū)域，I≤h≤M，1≤P≤M，1≤q≤M，p關(guān)9，5卩1)表示{SPJ中的第P個區(qū)域，SPq表示{SPJ中的第q個區(qū)域；
[0009]④根據(jù){SPJ中的各個區(qū)域之間的相似性，獲取UiO^yM的基于區(qū)域顏色對比度的圖像顯著圖，記為{NGC(x, y)},其中,NGC (x, y)表示{NGC (x, y)}中坐標(biāo)位置為(x, y)的像素點(diǎn)的像素值；
[0010]⑤根據(jù){SPJ中的各個區(qū)域之間的相似性，獲取UiUyM的基于區(qū)域空間稀疏性的圖像顯著圖，記為{NSS(x，y)}，其中，NSS(x, y)表示{NSS(x，y)}中坐標(biāo)位置為(x，y)的像素點(diǎn)的像素值；
[0011]⑥對ΙΛ(Χ，50}的基于全局顏色直方圖的圖像顯著圖{HS(x，y)}、(Ii (x, y)}的基于區(qū)域顏色對比度的圖像顯著圖{NGC(x，y)}及UiUyM的基于區(qū)域空間稀疏性的圖像顯著圖{NSS(x，y)}進(jìn)行融合，得到UiUjM的最終的圖像顯著圖，記為{Sal(x，y)}，將{Sal (x, y)}中坐標(biāo)位置為(χ, y)的像素點(diǎn)的像素值記為Sal (x, y), Sal (x, y)=HS(x, y) XNGC (x, y) XNSS(x, y)。
[0012]所述的步驟②的具體過程為:
[0013]②-1、對UiUjM中的每個像素點(diǎn)的各個分量的顏色值分別進(jìn)行量化，得到(Ii(X, Y)}的量化圖像，記為{PiUy)}，將{Pi(x，y)}中坐標(biāo)位置為(x，y)的像素點(diǎn)的第i
個分量的顏色值記為PiUy),取.^7) = |^-(^}/161，其中，符號I”為向下取整符號；
[0014]②-2、計算(Pi (x, y)}的全局顏色直方圖，記為{H(k) | O≤k≤4095}，其中，H(k)表示{Pi(X，y)}中屬于第k種顏色的所有像素點(diǎn)的個數(shù)；
[0015]②-3、根據(jù)(Pi (x, y)}中的每個像素點(diǎn)的各個分量的顏色值，計算Ui (x, y)}中對應(yīng)像素點(diǎn)的顏色種類，將Ui(x，y)}中坐標(biāo)位置為(x，y)的像素點(diǎn)的顏色種類記為kxy,kxy=P3(x，y) X256+P2(x，y) Xie+Pjxj),其中，P3(x，y)表示(Pi (x, y)}中坐標(biāo)位置為(x, y)的像素點(diǎn)的第3個分量的顏色值，P2(x，y)表示{Pi(X，y)}中坐標(biāo)位置為(x，y)的像素點(diǎn)的第2個分量的顏色值，P1Uy)表示{Pi(X，y)}中坐標(biāo)位置為(x，y)的像素點(diǎn)的第I個分量的顏色值；
[0016]②-4、計算ΙΛ(χ，7)}中的每個像素點(diǎn)的基于全局顏色直方圖的顯著值，將(Ii(x, y)}中坐標(biāo)位置為(x，y)的像素點(diǎn)的基于全局顏色直方圖的顯著值記為HS(x，y)，
【權(quán)利要求】
1.一種基于區(qū)域的圖像顯著圖提取方法，其特征在于包括以下步驟: ①將待處理的源圖像記為Ui(Xj)K其中，i=l，2，3，l≤ x≤ff,l ≤H, W表示(Ii (x, y)}的寬，H表示{Ii(x，y)}的高，Ii (x, y)表示Ui(x，y)}中坐標(biāo)位置為(x, y)的像素點(diǎn)的第i個分量的顏色值，第I個分量為R分量、第2個分量為G分量和第3個分量為B分量; ②首先獲取UiUjM的量化圖像及量化圖像的全局顏色直方圖，然后根據(jù)UiUjM的量化圖像，獲取UiUjM中的每個像素點(diǎn)的顏色種類，再根據(jù)UiUjM的量化圖像的全局顏色直方圖和!Λ(χ，y)}中的每個像素點(diǎn)的顏色種類，獲取!Λ(χ，y)}的基于全局顏色直方圖的圖像顯著圖，記為{肥(17)}，其中，肥(17)表示{HS(x，y)}中坐標(biāo)位置為(x，y)的像素點(diǎn)的像素值，亦表示UiOcjM中坐標(biāo)位置為(x，y)的像素點(diǎn)的基于全局顏色直方圖的顯著值； ③采用超像素分割技術(shù)將!Λ(χ，y)}分割成M個互不重疊的區(qū)域，然后將ΙΛ(Χ，y)}重新表示為M個區(qū)域的集合，記為{SPh}，再計算{SPJ中的各個區(qū)域之間的相似性，將{SPJ中的第P個區(qū)域與第q個區(qū)域之間的相似性記為Sim(SPp，SPq)，其中，M≤I，SPh表示{SPh}中的第h個區(qū)域,I < h < M, I < P < M, I < q < M, P古q, SPp表示{SPJ中的第p個區(qū)域，SPq表示{SPJ中的第q個區(qū)域； ④根據(jù){SPJ中的各個區(qū)域之間的相似性，獲取ΙΛ(χ，y)}的基于區(qū)域顏色對比度的圖像顯著圖，記為{NGC(x，y)}，其中，NGC (x, y)表示{NGC(x, y)}中坐標(biāo)位置為(x, y)的像素點(diǎn)的像素值； ⑤根據(jù){SPJ中的各個區(qū)域之間的相似性，獲取ΙΛ(χ，y)}的基于區(qū)域空間稀疏性的圖像顯著圖，記為{NSS(x，y)}，其中，NSS (x, y)表示{NSS(x，y)}中坐標(biāo)位置為(x，y)的像素點(diǎn)的像素值； ⑥對UiUjM的基于全局顏色直方圖的圖像顯著圖{HS(x，y)}、(Ii(x, y)}的基于區(qū)域顏色對比度的圖像顯著圖{NGC(x，y)}及UiUyM的基于區(qū)域空間稀疏性的圖像顯著圖{NSS(x，y)}進(jìn)行融合，得到UiUjM的最終的圖像顯著圖，記為{Sal(x，y)}，將{Sal (x, y)}中坐標(biāo)位置為(X，y)的像素點(diǎn)的像素值記為Sal (x, y), Sal (x, y)=HS(x, y) XNGC (x, y) XNSS(x, y)。
2.根據(jù)權(quán)利要求1所述的一種基于區(qū)域的圖像顯著圖提取方法，其特征在于所述的步驟②的具體過程為: ②-1、對UiUyM中的每個像素點(diǎn)的各個分量的顏色值分別進(jìn)行量化，得到(Ii(x, y)}的量化圖像，記為(PiUy)K將{Pi(X，y)}中坐標(biāo)位置為(x，y)的像素點(diǎn)的第i個分量的顏色值記為PiUy),取^7) =「/#，刃/161，其中，符號“「I5’為向下取整符號； ②-2、計算{Pi(X，y)}的全局顏色直方圖，記為{H(k) |0<1^< 4095}，其中，!1(10表示(Pi (x, y)}中屬于第k種顏色的所有像素點(diǎn)的個數(shù)； ②-3、根據(jù){Pi(x，y)}中的每個像素點(diǎn)的各個分量的顏色值，計算ΙΛ(χ，υ)}中對應(yīng)像素點(diǎn)的顏色種類，將Ui(x，y)}中坐標(biāo)位置為(x，y)的像素點(diǎn)的顏色種類記為kxy, kxy=P3(χ，y) X256+P2(x, y) X 16+Pi (χ, y),其中，P3(x, y)表示(Pi (χ, y)}中坐標(biāo)位置為(x, y)的像素點(diǎn)的第3個分量的顏色值，P2(x，y)表示{Pi(X，y)}中坐標(biāo)位置為(x，y)的像素點(diǎn)的第2個分量的顏色值,P1(^y)表示{Pi(X，y)}中坐標(biāo)位置為(x，y)的像素點(diǎn)的第I個分量的顏色值； ②-4、計算UiUjM中的每個像素點(diǎn)的基于全局顏色直方圖的顯著值，將UiUjM中坐標(biāo)位置為(x，y)的像素點(diǎn)的基于全局顏色直方圖的顯著值記為HS(x，y)，
3.根據(jù)權(quán)利要求1或2所述的一種基于區(qū)域的圖像顯著圖提取方法，其特征在于所述的步驟③中{SPJ中的第P個區(qū)域與第q個區(qū)域之間的相似性Sim(SPp，SPq)的獲取過程為: ③-1、對{SPJ中的每個區(qū)域中的每個像素點(diǎn)的各個分量的顏色值分別進(jìn)行量化，得到{SPJ中的每個區(qū)域的量化區(qū)域，將{SPJ中的第h個區(qū)域的量化區(qū)域記為(PluO^yh)K將中坐標(biāo)位置為(xh，yh)的像素點(diǎn)的第i個分量的顏色值記為PluO^yh),假設(shè)
4.根據(jù)權(quán)利要求3所述的一種基于區(qū)域的圖像顯著圖提取方法，其特征在于所述的步驟④的具體過程為: ④-1、計算{SPJ中的每個區(qū)域的顏色對比度，將{SPJ中的第h個區(qū)域的顏色對比度記為
5.根據(jù)權(quán)利要求4所述的一種基于區(qū)域的圖像顯著圖提取方法，其特征在于所述的步驟⑤的具體過程為: ⑤-1、計算{SPJ中的每個區(qū)域的空間稀疏性，將{SPJ中的第h個區(qū)域的空間稀疏
性記為
【文檔編號】G06T7/00GK103632153SQ201310651864
【公開日】2014年3月12日 申請日期:2013年12月5日 優(yōu)先權(quán)日:2013年12月5日
【發(fā)明者】邵楓, 姜求平, 蔣剛毅, 郁梅, 李福翠, 彭宗舉 申請人:寧波大學(xué)