本發(fā)明涉及一種圖像處理技術(shù)領(lǐng)域的方法，尤其是涉及一種基于改進凸包先驗的顯著性檢測方法。
背景技術(shù)：
隨著計算機設(shè)備和網(wǎng)絡(luò)技術(shù)的快速發(fā)展(包括數(shù)碼相機、帶有拍攝功能的智能手機和平板電腦等設(shè)備的普及)，數(shù)字圖像和視頻已成為人們生活中不可或缺的信息表現(xiàn)和傳遞溝通的載體。然而，隨著圖像和視頻數(shù)據(jù)的日益增多，如何從這些大量的數(shù)據(jù)中獲取有用的信息并對之進行有效的編輯處理成為研究者面臨的一大難題。為了解決這個難題，越來越多的研究者開始尋求從圖像中提取有用信息對圖像進行簡潔有效的表示。受生物視覺系統(tǒng)高效的視覺信息處理機理的啟發(fā)，計算機視覺領(lǐng)域的顯著性檢測技術(shù)逐漸得到了發(fā)展。顯著性檢測模型能夠有效的檢測場景中的顯著目標(biāo)從而為后續(xù)的圖像視頻編輯處理奠定基礎(chǔ)。
現(xiàn)有的圖像顯著性檢測算法大致分為自底向上和自頂向下兩類。自底向上的顯著性檢測方法通過圖像和視頻內(nèi)容本身快速檢測出顯著區(qū)域；而自頂向下的顯著性檢測方法則通過學(xué)習(xí)的方法得到檢測顯著區(qū)域的準(zhǔn)則。本方法側(cè)重于自底向上的顯著性檢測。自底向上(bottom-up)的顯著性檢測算法是一種快速的、下意識的、自底向上的、數(shù)據(jù)驅(qū)動的視覺注意方式，也被稱為數(shù)據(jù)驅(qū)動(data-driven)方式，主要基于外界刺激產(chǎn)生的視覺注意。該類算法根據(jù)圖像和視頻自身的內(nèi)容，利用視覺注意基本原則，僅需少量的或者無需視覺先驗知識即可計算出視覺顯著區(qū)域。
采用低層特征,以自底向上的方式進行圖像顯著檢測的算法包括:基于生物啟發(fā)的方法及基于計算模型的方法。基于生物啟發(fā)的方法在視覺注意理論研究的基礎(chǔ)上關(guān)注諸如顏色、邊緣、方向、運動方向等低層特征。如itti等人提出的“amodelofsaliency-basedvisualattentionforrapidsceneanalysis”，該方法利用高斯金字塔評估亮度、顏色、方向這三種特征的中心-周圍差異進行顯著性檢測。該方法的檢測結(jié)果過于強調(diào)局部范圍內(nèi)的高頻細(xì)節(jié),得到的顯著圖較模糊?；谟嬎隳Ｐ偷姆椒ǜm合計算機視覺的具體應(yīng)用場景,如基于空間頻率的算法、基于對比度先驗的算法及基于背景先驗的算法。基于空間頻率的算法采用圖像幅度譜或相位譜計算顯著值。如hou等人提出的“saliencydetection:aspectralresidualapproach”方法，這類方法得到的結(jié)果更符合圖像高層結(jié)構(gòu),但顯著圖較模糊且過于強調(diào)邊緣。
基于對比度先驗的算法包括局部對比度、全局對比度兩類。局部對比度方法計算像素塊的中心-周圍差異作為像素塊的顯著值，如ma等人提出的“contrast-basedimageattentionanalysisbyusingfuzzygrowing”方法，這類方法得到的顯著圖較清晰,但忽略了圖像的全局結(jié)構(gòu)特征。全局對比度方法將顯著值定義為像素塊相對于圖像整體的差異程度。如achantar等人提出的“frequency-tunedsalientregiondetection”的方法，該方法計算像素顏色與圖像平均顏色之間的差異；chengmm等人提出的“globalcontrastbasedsalientregiondetection”將圖像劃分為區(qū)域,，計算區(qū)域與所有區(qū)域的顏色差異。相比于局部對比度算法，全局對比度算法更符合圖像的整體結(jié)構(gòu)，突出顯著目標(biāo)整體。
基于背景先驗的方法將圖像邊界視為背景區(qū)域，計算像素塊與背景區(qū)域的差異性得到像素塊的顯著值。如weiy等人提出的“geodesicsaliencyusingbackgroundpriors”、yangc等人提出的“saliencydetectionviagraph-basedmanifoldranking”，zhuw等人提出的“saliencyoptimizationfromrobustbackgrounddetection”的方法，描述像素塊與背景的差異性，差異性越高，像素塊的顯著值越低。與基于對比度先驗的方法相比，這類方法能更大程度地突出顯著目標(biāo)，得到清晰的顯著圖。但是由于算法較依賴于圖像的邊界特性，對于背景復(fù)雜或前景與背景對比度較低的圖像檢測效果較差。
技術(shù)實現(xiàn)要素：
本發(fā)明是為了解決上述問題而進行的，目的在于提供一種基于改進凸包的顯著性檢測方法，構(gòu)建復(fù)雜背景下準(zhǔn)確、邊界清晰且內(nèi)容完整的顯著性圖。具體包括運用harris角點檢測來得到最小凸包，對圖像進行優(yōu)化得到改進的凸包，合并兩次凸包得到大致的目標(biāo)區(qū)域，根據(jù)目標(biāo)區(qū)域結(jié)合超像素構(gòu)建目標(biāo)提示的顯著性模型，結(jié)合顏色對比度，從而得到更準(zhǔn)確、邊界清晰、內(nèi)容完整的復(fù)雜背景下的顯著度圖。
本發(fā)明提供了一種基于改進凸包的顯著性檢測方法，具有這樣的特征，包括以下步驟：
第一步：先對原圖像進行harris角點檢測，然后用graham掃描算法得到角點的凸包，該凸包區(qū)域記為r1，對原圖像進行高斯濾波，然后再次得到濾波后圖像的凸包區(qū)域，記為r2，將r1和r2這兩個凸包區(qū)域的交集區(qū)域作為輸入圖像前景目標(biāo)的近似位置，記為r；
第二步：對原圖像采用slic方法進行超像素分割，原圖像分割得到的超像素塊集合記為x＝{r1,r2,...,rn}，其對應(yīng)的顯著性值記為v＝{v1,v2,...,vn}，n是分割的超像素塊的個數(shù)；
第三步：判斷超像素塊是否屬于凸包區(qū)域r，首先計算每個超像素塊的中心的位置，判斷超像素中心是否在凸包區(qū)域r中，這樣超像素塊集合分為兩個部分，一個是超像素塊在凸包區(qū)域r內(nèi)，記為rf，表示前景區(qū)域；另外一個是超像素塊不在凸包區(qū)域r內(nèi)，記為rb，表示背景區(qū)域；
第四步：計算每個超像素塊的前景顯著性值和背景顯著性值，把每個超像素塊看做一個頂點，連接所有相鄰的超像素塊構(gòu)建成無向圖，圖的每條邊的權(quán)重是相鄰兩個超像素塊的平均顏色之間的歐式距離，該權(quán)重在cielab顏色空間內(nèi)計算；定義一個超像素塊的前景顯著性值為sfi，它是這個超像素塊和所有在凸包區(qū)域r內(nèi)的超像素塊最短路徑之和，計算公式為：
其中，dist(ci,cj)表示兩個超像素塊之間的最短路徑，ci,cj是這兩個超像素塊的平均顏色，超像素塊rj屬于rf，n1表示屬于rf的超像素塊的個數(shù)，
同理，定義一個超像素塊的前景顯著性值為sbi，它是這個超像素塊和所有在凸包區(qū)域r外的超像素塊最短路徑之和，計算公式為：
其中，超像素塊rj屬于rb，n2表示屬于rf的超像素塊的個數(shù)，可以看到n＝n1+n2；
第五步：根據(jù)凸包區(qū)域r計算前景先驗圖，對于每一個超像素塊，定義它的顯著性值為：
fci＝sbi/sfi
這樣得到的顯著性圖稱為前景先驗圖，它可以使得凸包內(nèi)的超像素塊的顯著性值比凸包外的高；
第六步：根據(jù)凸包區(qū)域r計算背景先驗圖，對于每一個超像素塊，定義它的顯著性值為：
bci＝sfi/sbi
這樣得到的顯著性圖稱為背景先驗圖，它可以使得凸包內(nèi)的超像素塊的顯著性值比凸包外的低；
第七步：計算凸包區(qū)域r為中心先驗的全局對比圖，定義凸包區(qū)域r的中心為μ，那么對每一個超像素塊，基于凸包區(qū)域r為中心的全局對比圖計算公式如下：
其中，φ(ri,rj)是高斯加權(quán)函數(shù)，ri表示一個超像素塊，定義為
第八步：根據(jù)前景先驗圖和背景先驗圖得到凸包先驗圖，對每一個超像素塊計算公式如下：
其中，*為乘法運算，參數(shù)σ1,σ2控制著背景區(qū)域的強弱，經(jīng)驗上設(shè)置σ1＝2.5，σ2＝6；
第九步：融合凸包先驗圖和全局對比圖為顯著性結(jié)果圖，對每一個超像素塊，計算公式如下：
si＝chi*gi
其中，*為乘法運算，
第十步：優(yōu)化顯著性結(jié)果圖得到最終的顯著性圖，優(yōu)化函數(shù)定義如下：
其中，vi表示一個超像素塊的顯著性值，bi定義為bi＝(1-si)bci，參數(shù)bi和si分別控制著背景區(qū)域和前景區(qū)域的顯著性值，第三項是一個平滑約束，它控制值從前景區(qū)域到背景區(qū)域的平滑過渡，優(yōu)化后的結(jié)果就是本方法最終的顯著性圖。
發(fā)明的作用與效果
本發(fā)明所涉及的一種基于改進凸包的顯著性檢測方法，與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點：
(1)本方法通過采用改進凸包先驗作為前景目標(biāo)的大致區(qū)域，得到的顯著度圖受背景影響較小，故對復(fù)雜背景的圖像得到的顯著性圖效果較好；
(2)本方法計算速度快，可以快速的計算出圖像的顯著性值；
(3)本方法在國際上公共的測試集上取得了明顯比傳統(tǒng)方法更好的結(jié)果。
附圖說明
圖1為本發(fā)明實施例的顯著性檢測流程圖；
圖2a為本發(fā)明實施例的測試原圖；
圖2b為本發(fā)明實施例的改進凸包交集圖；
圖2c為本發(fā)明實施例的前景先驗圖；
圖2d為本發(fā)明實施例的背景先驗圖；
圖2e為本發(fā)明實施例的基于凸包中心的全局對比圖；
圖2f為本發(fā)明實施例的凸包先驗圖；
圖2g為本發(fā)明實施例的融合凸包先驗圖和全局對比圖為顯著性結(jié)果圖；
圖2h為本發(fā)明實施例的最終顯著性圖；
圖3a為本發(fā)明實施例在數(shù)據(jù)集msra5000上的pr曲線圖；以及
圖3b為本發(fā)明實施例在數(shù)據(jù)集ecssd上的pr曲線圖。
具體實施方式
為了使本發(fā)明實現(xiàn)的技術(shù)手段、創(chuàng)作特征、達成目的與功效易于明白了解，以下實施例結(jié)合附圖對本發(fā)明一種基于改進凸包的顯著性檢測方法作具體闡述。
如圖1所示，一種基于改進凸包的顯著性檢測方法，該方法包括以下步驟：
第一步：先對原圖像進行harris角點檢測，然后用graham掃描算法得到角點的凸包，該凸包區(qū)域記為r1。對原圖像進行高斯濾波，然后再次得到濾波后圖像的凸包區(qū)域，記為r2，這兩個凸包區(qū)域的交集區(qū)域作為輸入圖像前景目標(biāo)的近似位置，記為r；
第二步：對原圖像采用slic方法進行超像素分割。原圖像分割得到的超像素塊集合記為x＝{r1,r2,...,rn}，其對應(yīng)的顯著性值記為v＝{v1,v2,...,vn}，n是分割的超像素塊的個數(shù)；
第三步：判斷超像素塊是否屬于凸包區(qū)域r。首先計算每個超像素塊中心的位置，判斷超像素中心是否在凸包區(qū)域r中，這樣超像素塊集合分為兩個部分，一個是超像素塊在凸包區(qū)域r內(nèi)，記為rf，表示前景區(qū)域；另外一個是超像素塊不在凸包區(qū)域r內(nèi)，記為rb，表示背景區(qū)域。
第四步：計算每個超像素塊的前景顯著性值和背景顯著性值。把每個超像素塊看做一個頂點，連接所有相鄰的超像素塊構(gòu)建成無向圖，圖的每條邊的權(quán)重是相鄰兩個超像素塊的平均顏色之間的歐式距離，該權(quán)重在cielab顏色空間內(nèi)計算；定義一個超像素塊的前景顯著性值為sfi，它是這個超像素塊和所有在凸包區(qū)域r內(nèi)的超像素塊最短路徑之和，計算公式為：
其中，dist(ci,cj)表示兩個超像素塊之間的最短路徑，ci,cj是這兩個超像素塊的平均顏色。超像素塊rj屬于rf。n1表示屬于rf的超像素塊的個數(shù)。
同理，定義一個超像素塊的前景顯著性值為sbi，它是這個超像素塊和所有在凸包區(qū)域r外的超像素塊最短路徑之和，計算公式為：
其中，超像素塊rj屬于rb，n2表示屬于rf的超像素塊的個數(shù)。可以看到n＝n1+n2。
第五步：根據(jù)凸包區(qū)域r計算前景先驗圖。對于每一個超像素塊，定義它的顯著性值為：
fci＝sbi/sfi
這樣得到的顯著性圖稱為前景先驗圖，它可以使得凸包內(nèi)的超像素塊的顯著性值比凸包外的高；
第六步：根據(jù)凸包區(qū)域r計算背景先驗圖。對于每一個超像素塊，定義它的顯著性值為：
bci＝sfi/sbi
這樣得到的顯著性圖稱為背景先驗圖，它可以使得凸包內(nèi)的超像素塊的顯著性值比凸包外的低；
第七步：計算凸包區(qū)域r為中心先驗的全局對比圖。定義凸包區(qū)域r的中心為μ，那么對每一個超像素塊，基于凸包區(qū)域r為中心的全局對比圖計算公式如下：
其中，φ(ri,rj)是高斯加權(quán)函數(shù)，ri表示一個超像素塊，定義為
第八步：根據(jù)前景先驗圖和背景先驗圖得到凸包先驗圖，對每一個超像素塊計算公式如下：
其中，*為乘法運算，參數(shù)σ1,σ2控制著背景區(qū)域的強弱，經(jīng)驗上設(shè)置σ1＝2.5，σ2＝6。
第九步：融合凸包先驗圖和全局對比圖為顯著性結(jié)果圖，對每一個超像素塊，計算公式如下：
si＝chi*gi
其中，*為乘法運算，
第十步：優(yōu)化顯著性結(jié)果圖得到最終的顯著性圖，優(yōu)化函數(shù)定義如下：
其中，vi表示一個超像素塊的顯著性值，bi定義為bi＝(1-si)bci，參數(shù)bi和si分別控制著背景區(qū)域和前景區(qū)域的顯著性值。第三項是一個平滑約束，它控制值從前景到背景區(qū)域的平滑過渡，優(yōu)化后的結(jié)果就是本方法最終的顯著性圖。
實施例的作用與效果
依據(jù)上述步驟，在公開的圖像數(shù)據(jù)集msra5000和ecssd上進行測試。所有試驗均在pc計算機上實現(xiàn)，該pc計算機的主要參數(shù)為：中央處理器intel(r)core(tm)i5-3470cpu@3.2ghz，內(nèi)存4gram,windows8。
圖2a為本發(fā)明實施例的測試原圖；圖2b為本發(fā)明實施例的改進凸包交集圖；圖2c為本發(fā)明實施例的前景先驗圖；圖2d為本發(fā)明實施例的背景先驗圖；圖2e為本發(fā)明實施例的基于凸包中心的全局對比圖；圖2f為本發(fā)明實施例的凸包先驗圖；圖2g為本發(fā)明實施例的融合凸包先驗圖和全局對比圖為顯著性結(jié)果圖；圖2h為本發(fā)明實施例的最終顯著性圖。
圖3為本發(fā)明實施例在數(shù)據(jù)集msra5000和ecssd上的pr曲線圖。從中可以看出本發(fā)明提出的基于凸包先驗的顯著性區(qū)域檢測計算方法明顯優(yōu)于很多以往的算法，分析比較測試圖片的正確率和召回率，通過對比分析曲線顯示了本文提出的算法有很大的改進提高。
上述實施方式為本發(fā)明的優(yōu)選案例，并不用來限制本發(fā)明的保護范圍。