[发明专利]基于非清晰区域抑制的多特征融合显著区域提取方法

说明书

技术领域

本发明涉及一种图像处理方法，具体涉及一种图像显著区域的提取分割方法。

背景技术

人眼在观察图像时，受视觉选择性注意机制的支配，能够迅速地把注意力集中在少数几个能够体现图像主要内容信息的关键区域，这些吸引人注意力的区域被称为显著区域。

随着信息技术的发展，图像成为一种主要的信息载体，越来越多的图像数据给处理和浏览带来了不便。图像检索技术是在海量图像数据库中查找用户所需要的或感兴趣的图像的方法，目前，很多图像检索工具是建立在与图像相关的文字信息的基础上的，需要大量人为标注，而基于内容的图像检索技术对图像内容本身进行分析，根据图像特征查找相关图像，是图像检索发展的方向。提取图像的显著区域，对于进行图像特征查找具有重要的意义。

近年来，国内外研究者提出了很多显著区域检测模型，总的来说，分为三大类：自底向上，自顶向下以及混合模型。其中自底向上的模型是研究的重点。

自底向上的模型以视觉注意机制作为底层数据来驱动视觉刺激，是对底层特征自动加工的过程。其中Itti等人以中心-周围强度、颜色和方向对比度特征提出了第一个也是最经典的基于生物的视觉注意的计算模型Itti98。随后该模型通过引入运动和闪变的对比度特征而扩展到视频显著性计算中。Walther和Koch在Itt’s98模型的基础上进行了扩展以便得到一个显著典型(proto)目标。谱参差方法，把图像变换到频域去除图像中的冗余信息，从全局角度抑制非显著区域。基于图论的GBVS模型借用图论的思想把提取的图像特征转换成图模型进而用于计算显著性。基于频率调整的FT模型利用多种低层特征通过调整不同的频率范围得到了不失图像分辨率的显著图。基于文本上下文Context-Aware(简称CA)的显著区域检测方法从全局与局部的角度总结出了显著区域具备的四条准则，然后分别根据四条准则做出了相应的计算，最后得到每个像素点局部范围内的显著度。

自顶向下的模型根据期望目标的先验信息在图像中寻找候选区域，是以先验高层语义知识来驱动的，是一个选择特征控制指导的加工过程。这种模型要根据观察任务的需要，确定期望知识信息和相应的特征，进而提取显著区域。混合模型即自底向上的模型和自顶向下模型的结合。

由于以上检测模型自身的局限性，使得检测结果对一些大尺度目标物体或背景复杂情况下的图像显著区域检测效果较差，存在显著目标缺失误检，漏检等问题，从而导致提取的显著区域不准确，不完整。

发明内容

本发明的目的在于提供一种基于非清晰区域抑制的多特征融合显著区域提取方法，以提高显著区域检测的准确性和完整性。

为达到上述发明目的，本发明采用的技术方案是：一种基于非清晰区域抑制的多特征融合显著区域提取方法，首先输入待处理的源图像，再进行如下处理：

(1)预处理；所述预处理包括，判断待处理的源图像中是否存在不同子区域之间的清晰度差异，如果存在，则定位图像中的清晰区域位置，所述子区域为以预先设定的分块尺度大小对原图像进行分割形成的区域；

(2)对经过预处理的图像进行低层特征提取；所述低层特征提取是，在空间域中利用Lab颜色计算图像显著值，获得空间显著图，在频率域中从颜色、亮度和边缘特征三个通道去除全局内的冗余信息，获得频域显著图；

(3)对经过预处理的图像进行高层语义特征提取；所述高层语义特征提取是，采用人脸检测方法获得人脸显著图；

(4)对步骤(2)和步骤(3)获得的空间显著图、频域显著图和人脸显著图进行中心聚集化操作，获得综合显著图；

(5)根据综合显著图对待处理的源图像进行分割处理，提取出显著区域。

上文中，所述分块尺度大小可以根据源图像的大小预先设定，一般地，可以以源图像较长边除以数值a作为分块尺度大小，a的取值可以取8至32之间的数。为处理方便，也可以设定一个定值大小进行子区域划分。

上述技术方案中，步骤(1)中，预处理的具体方法为，生成待处理的源图像的高频分量图，将高频分量图分割成多个块，提取高频分布向量并计算离散度；如果离散度大于1，则图像中存在子区域清晰度差异，根据像素的清晰度将图像分为清晰区域和非清晰区域，将非清晰区域的像素点设为背景颜色；如果离散度小于等于1，则图像中不存在子区域清晰度差异，直接进入步骤(2)。

优选的技术方案，高频分量图分割成块时，以图像的长、宽中较大的量除以16作为分块的尺度标准进行分块。

上述技术方案中，步骤(2)中，所述空间显著图采用Context-Aware方法获取。