基于色彩直方图和全局对比度的图像视觉显著性计算方法

摘要

本发明公开了一种基于色彩直方图和全局对比度的图像视觉显著性计算方法，包括：S1：对颜色空间进行量化得到一组代表性色彩；S2：计算所述代表性色彩对应的颜色在输入图像中的出现频率，组成一个直方图；S3：根据每个代表性色彩与其它代表性色彩的差异计算代表性色彩的显著性值；S4：对于每一个代表性色彩，将其显著性值赋予对应的像素。本发明能够快速有效地分析图像像素的显著性值。

说明书

技术领域

本发明涉及图像处理技术领域，特别涉及一种基于色彩直方图和全局对比度的图像视觉显著性计算方法。

背景技术

视觉注意是帮助人类视觉系统准确有效的识别场景的一种重要机制。通过计算方法获取图像中的显著性区域是计算机视觉领域一个重要的研究课题。它可以帮助图像处理系统在后续处理步骤中合理的分配计算资源。显著性图(Saliency map)被广泛的应用于许多计算机视觉应用当中，如感兴趣物体分割(专利200910046276，200910081069)、物体识别、自适应图像压缩、内容敏感的图像缩放(专利200910092756)、图像检索(专利200910081069)等。

图像视觉显著性检测一直以来是一个备受研究者关注的课题。关于视觉注意的理论研究将视觉注意分为两类：快速、任务无关、数据驱动的显著性检测和较慢、任务相关、目标驱动的显著性检测。本发明所涉及的方法属于前一类。生理学研究表明，人类视觉细胞优先响应感知场内具有较高对比度的刺激。现有数据驱动的视觉显著性检测研究大多通过计算各种形式的图像内容和场景的对比度来计算视觉显著性。为了方便介绍，进一步将该类研究细分为两个子类：基于局部对比度的方法和基于全局对比度的方法。

基于局部对比度的方法通过图像区域在其相对较小邻域的罕见度来计算显著性。Itti等人于1998年提出了“A model of saliency-based visual attention for rapid scene analysis”。该方法通过多尺度图像特征间的中心与邻域差异来定义图像显著性。Ma和Zhang与2003年提出 了“Contrast-based image attention analysis by using fuzzy growing”。该方法通过局部对比度分析来得到显著性图。Liu等人于2007年提出了“Learning to detect a salient object”。该方法通过学习方式找到颜色空间分布、多尺度对比度，中心邻域直方图差异等显著性检测方法结果的最优组合权值。Goferman等人在其2010年的工作“Context-aware saliency detection”中对底层线索、全局考虑、组织规则和高层特征进行建模。这些局部方法的结果通常在物体边缘附近产生更高的显著性值，而不是均匀的突出整个视觉显著性物体。

基于全局对比度的方法通过度量图像区域和整幅图像的差异来评价其显著性。Zhai和Shah于2006年提出了“Visual attention detection in video sequences using spatiotemporal cues”。该方法通过一个像素和其它所有图像像素的亮度差异来计算该像素的显著性值。基于效率方面的考虑，该方法仅利用图像的亮度信息，忽略了其它颜色通道中的区分性。Achanta等人于2009年提出了“Frequency-tuned salient region detection”。该方法通过计算每个像素和平均色之间的差异来获取显著性值。然而，这种简单的方法不足以有效分析复杂多变的自然图像。

该领域目前国内相关专利有：基于学习的视频中显著物体序列自动检测方法(专利号200810150324)。该方法处理一幅图片通常需要若干秒的时间，难以满足很多事实处理的应用需求。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是：如何快速有效的分析图像像素的显著性值，使得图像中重要物体区域可以被均匀的凸显出来。

(二)技术方案

为解决上述技术问题，本发明提供了一种基于色彩直方图和全局对比度的图像视觉显著性计算方法，包括以下步骤：

S1：对颜色空间进行量化得到一组代表性色彩；

S2：计算所述代表性色彩对应的颜色在输入图像中的出现频率，组成一个直方图；

S3：根据每个代表性色彩与其它代表性色彩的差异计算代表性色彩的显著性值；

S4：对于每一个代表性色彩，将其显著性值赋予对应的像素。

其中，所述步骤S2中，按照所述代表性色彩在输入图像中的出现频率从大到小对代表性色彩进行排序，排在前预定个数的代表性色彩被保留，并将其余代表性色彩的出现频率累加到颜色最相近的被保留的代表性色彩的出现频率上。

其中，所述步骤S3中代表性色彩的显著性值S的计算公式为：

$S\left(c\right)={\Sigma }_{c_i\in C}{f}_i\times D(c,c_i)$

其中，C为步骤S2中被保留的代表性色彩集合，c为该集合中任一代表性色彩，c_i为除c以外的其它代表性色彩，f_i为c_i的出现频率，D(c，c_i)为c，c_i在色彩空间中的欧氏距离。

其中，步骤S3和S4之间还进一步包括以下过程来改进检测结果：在色彩空间中对所述代表性色彩的显著性值进行平滑，具体平滑公式为：

$S^{\prime }\left(c\right)={\Sigma }_{c_i\in C_m}{w}_i\times S\left(c_i\right)$

其中，S′(c)为平滑后的代表性色彩c的显著性值，C_m为与代表性色彩c的颜色值最相近的m个代表性色彩组成的集合，w_i为权值，c_i与c越相近则w_i越大。

(三)有益效果

本发明所提出的用于计算图像中像素的视觉显著性值的方法利用利用每一个像素和其余像素之间的差异计算其显著性值；为了加速计算，本方法通过颜色量化和选择更频繁的色彩选择一组代表性色彩；本方法可以通过一种颜色空间平滑方法进一步改善显著性检测结果，能够快速有效地分析图像像素的显著性值。本方法在国际上现有 最大的测试集上取得了明显优于比传统方法的结果。

附图说明

图1是本发明实施例的一种基于色彩直方图和全局对比度的图像视觉显著性计算方法流程图；

图2采用图1的方法流程处理一幅输入图像的示例图；

图3图1的方法中代表性色彩选取及其对应出现频度的示例图；

图4图1的方法中色彩空间平滑对检测结果改善影响的示例图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

如图1所示，为本发明基于色彩直方图和全局对比度的图像视觉显著性计算方法的一个实施例的处理流程图，包括：

步骤S101，对颜色空间进行量化得到一组代表性色彩。实验中采用的颜色量化方式将颜色空间均匀划分为n³份，每个区域中颜色的平均值作为该区域的代表性颜色。在实际计算中，计算过程中n的取值越大，整个算法的计算量就越大。在实验中，优选n＝12就可以得到很好的结果。

步骤S102，计算代表性色彩对应的颜色在输入图像中的出现频率，组成一个直方图，某个代表性色彩对应像素占输入图像中所有像素个数的比例为该代表性色彩的出现频率。每一个代表性色彩都有一个频率。这组代表性色彩出现的频率被称为直方图，如图2所示。为了节约计算资源，通常保留出现频率较多的代表性色彩，其余代表性色彩的出现频率被累加到颜色最相近的被保留的代表性色彩的出现频率上。在选择出现频率较多的代表性色彩的时候，对代表性色彩的出现频率从大到小排序。然后从前到后选择足以覆盖一定比例图像像素的代表性颜色。实验中这个比例通常选择为95％，在目前国际上最大的一个公开数据集上该比例对应的代表性色彩的个数的统计结果 为85。

步骤S103，根据每个代表性色彩与其它代表性色彩的差异计算代表性色彩的显著性值S，具体计算公式如下：

$S\left(c\right)={\Sigma }_{c_i\in C}{f}_i\times D(c,c_i)$

其中，C为步骤S102中被保留的代表性色彩集合，c为该集合中任一代表性色彩，c_i为除c以外的其它代表性色彩，f_i为c_i的出现频率，D(c，c_i)为c，c_i在色彩空间中的欧氏距离。

步骤S104，对于每一个代表性色彩，将其显著性值赋予对应的像素。

如图2所示为上述过程处理一幅图片时的示例图，包含了代表性色彩的出现频率和显著性直方图。

如图3所示，为本发明基于色彩直方图和全局对比度的图像视觉显著性计算方法中代表性色彩选取及其对应出现频度的示例图。图中，用代表性色彩替换原始图像(左图)后的图像(右图)保留了进行显著性检测所需的足够的信息，同时极大的简化了计算量。

如图4所示，为本发明基于色彩直方图和全局对比度的图像视觉显著性计算方法中色彩空间平滑对检测结果改善影响的示例图。通过在色彩空间对代表性色彩的显著性值进行平滑可以有效的改善视觉显著性的检测结果。在步骤S103中计算得到所有代表性色彩的S(c)之后，将某个代表性色彩c最相近的m个代表性色彩组成的集合定义为C_m。这种色彩空间的平滑过程可以定义为：

$S^{\prime }\left(c\right)={\Sigma }_{c_i\in C_m}{w}_i\times S\left(c_i\right)$

其中，S′(c)为平滑后的代表性色彩c的显著性值，w_i为权值，c_i与c越相近则w_i越大。图4中左图和右图分别给出了改善前后，代表性颜色的显著性值及输入图像的显著性图的变化的一个实例。在实验中m的取值通常为所有代表性色彩个数的25％就能得到比较好的结果。

本发明公开的图像显著性计算方法，通过某像素和其余所有像素的颜色差异来定义其显著性值。为了避免过于巨大的计算代价，该方法通过颜色量化和色彩出现频度分析选取代表性色彩来加速问题求解。为了避免颜色量化过程中的随机性，本方法可以通过一种颜色空间平滑机制控制量化误差。本方法在国际上现有最大的测试集上取得了明显优于比传统方法的结果。本发明能够自动的分析图像中的视觉显著性区域，分析结果可以应用于重要目标分割、物体识别、自适应图像压缩、内容敏感的图像缩放、和图像检索等应用领域。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。