[发明专利]一种模拟视网膜滤波的视觉显著性检测方法

说明书

技术领域

本发明属于计算机视觉领域，具体来说是一种受生物视网膜特性启发的基于尺度空间和中心-周围环绕机制的视觉显著性检测方法。

背景技术

人类视觉注意机制使人能够从复杂场景中快速选择视觉显著目标，这可以大大减少高层视觉处理所需的视觉信息量。神经生理学研究表明视觉显著检测最初出现在早期视觉通路。它与任何高层视觉任务无关，仅依赖于视觉场景中“至下而上”的激励因子，如亮度、颜色、视觉对比度、大小和运动等。这些生物学成果为实现和优化计算机视觉分析和应用提供了一种新的仿生思路。在计算机视觉领域中，视觉显著性建模在近年来已成为一个非常活跃的研究方向。

当前至下而上的显著性检测可粗略分为截然不同的两类：生物启发方法和纯计算方法。前者关注于模拟和解释人眼的神经活动，如凝视和扫视。受人类早期视觉通路（从视网膜到V1区）的启发，已提出了许多仿生算子和生物学假设，包括特征整合理论，中央-周围环绕算子，对比度敏感函数，视觉尺度选择性等等。然而生物启发方法通常过于强调与生物学依据的一致性，且采用人眼注视点数据库，通过比较模型预测点与人眼行为来评估这些算法的性能。这些方法往往旨在获取一些小的凝视点，而非寻找显著目标区域，因此它们通常不适于大多数计算机视觉任务和应用，如图像分割，目标识别等。

纯计算方法更受计算机视觉科学家感兴趣，因为它们通常都是以目标为显著单元，这与大多数的计算机视觉任务的目标更为一致。在大多数的计算模型中，显著目标通常定义为“相对于周围背景有充分的独特性、稀有性和不可预计性”。该定义隐含了对比度先验、背景先验，或某些高阶假设。这些方法通常是目标导向的显著性检测模型，且它们的评估是基于手工标注的目标（目标框或前景掩模）。近期这类研究已取得实质性进展并已提出了许多成功应用。虽然它们在显著性定义中采用了生物学概念，但它们的算法实现缺少生物学依据，因而所选择特征的意义和作用不明确。

纯计算方法的另一点明显不足在于它们对目标内部纹理、目标轮廓和背景纹理具有相同的敏感度。因而所提取的显著目标内部往往存在许多空洞，且目标区域的显著性非均匀分布。此外，很多方法由于粗略尺度层会模糊显著目标的边界，因而忽略了在生物视觉中非常重要的尺度特性。事实上，当前显著目标检测的真值数据库都是将目标作为一个整体而非关注其内部细节，这也符合人眼尺度选择过程中的整体优先效应。虽然已提出了许多基于多尺度的显著性计算方法，但很显然目标边界模糊一直是它们的一个主要局限。

发明内容

本发明针对现有技术的不足，受生物视网膜中尺度特性、对数特性和中央-周围环绕特性的启发，提供了一种模拟视网膜滤波的视觉显著性检测。

本发明方法的具体步骤如下：

步骤(1)：采用彩色变换方法，提取输入图像在CIELAB空间的l彩色分量图、a彩色分量图和b彩色分量图，具体为：

对于输入图像采用sRGB彩色空间到线性RGB彩色空间的彩色变换方法，将输入图像转换为线性RGB彩色空间图像采用线性RGB彩色空间到CIELAB空间的彩色变换方法，提取线性RGB彩色空间图像的l彩色分量图a彩色分量图和b彩色分量图

步骤(2)：根据步骤(1)结果，提取输入图像在CIELAB空间的6层高斯尺度图像，具体为：

对于输入图像在CIELAB空间的l彩色分量图a彩色分量图和b彩色分量图其第n层高斯尺度图像表示为：

其中高斯函数的方差为σ，均值为0；表示卷积运算。通常取σ＝1.0。

步骤(3)：采用SLIC超像素聚类方法，提取每层高斯尺度图像中的显著基元。具体为：