[发明专利]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

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：