[发明专利]一种图像显著区域检测方法

说明书

技术领域

本发明涉及图像处理领域，特别涉及图像中的区域分析。

背景技术

在人类所有的感觉中，至少有70％的外界信息是通过视觉系统获取的。生物视觉系统，包括人类视觉系统，能自动选择并注意场景中少数“相关”的位置。图1示出了用视点跟踪仪记录的人眼观察所示图像的视点轨迹。从图1中可以看出，人眼对长颈鹿的头部区域给予了较多关注，而对天空和草地等背景区域一扫而过。生物视觉系统这种在面对复杂场景时，能够迅速将注意力集中在少数几个显著的视觉对象上的过程被称为视觉注意选择。这种能力使得生物组织将其有限的感知认知资源集中于最相关的部分数据，使得他们能快速有效地处理大量的信号，在复杂变化的环境中生存。

如果能够将这种机制引入图像分析领域，将计算资源优先分配给那些容易引起观察者注意的显著区域，必将极大地提高现有图像分析方法的工作效率。显著区域检测正是在这种思想的基础上提出并发展起来的。

图像中的显著区域通常被定义成与邻域对比二者差异显著的区域。这种定义最常见的一种实现是中央—周边机制，即中央和周边差异大的区域是显著区域。这种差异可以是颜色差异、朝向差异和纹理差异等。最著名的Itti和Koch等提出的显著区域检测模型就是先对图像进行多尺度、多方向的Gabor卷积，提取图像的颜色、亮度和朝向等特征，然后用差分高斯近似中央—周边差。另外，Gao和Vasconcelos的工作也是对图像进行Gabor卷积提取相应特征，然后假设图像区域的Gabor特征幅值满足广义高斯分布，分别估计中央和周边的特征分布，用两个分布的相对熵表示中央和周边的差异，差异较大的区域为显著区域。图2是采用经典的Itti显著区域检测模型进行图像中显著区域检测的流程图。上述方法在大多数自然图像上都取得了较好的结果，因为Gabor小波被认为是能较好地模拟生物视觉系统的V1细胞的反映，而中央—周边机制也能解释大多数的显著性。但上述方法中所采用的多尺度、多方向的Gabor卷积计算复杂高，对大多数工程应用来说不够实用。

发明内容

本发明的目的是克服现有方法采用Gabor卷积提取特征计算复杂度高的缺陷，提供一种高效实用的图像显著区域检测方法。

为实现上述目的，根据本发明的一个方面，提供了一种图像显著区域检测方法，包括下列步骤：

步骤1)将图像进行中频带通滤波；

步骤2)根据中频带通滤波后的图像获得显著性图。

在上述方法中，所述步骤1)前包括：

步骤0)将图像进行缩放。

在上述方法中，所述步骤2)后还包括：

步骤3)将所述显著性图进行平滑。

在上述方法中，所述步骤3)采用高斯平滑算子实现。

在上述方法中，所述步骤1)进一步包括：

111)将所述图像用频域表示；

112)将所述图像的频域幅值谱进行中频带通滤波；

所述步骤2)进一步包括：

21)将所述中频带通滤波后的图像用空间域表示，获得显著性图。

在上述方法中，所述步骤111)采用傅里叶变换来实现，所述步骤21)采用反傅里叶变换来实现。

在上述方法中，所述傅里叶变换是快速傅里叶变换。

在上述方法中，所述步骤112)的所述中频带通滤波为高斯带通滤波：

H(ω)=exp(-ω2/2σ12)-exp(-ω2/2σ22),]]>