[发明专利]一种基于对比度与角点最小凸包的显著性检测方法

说明书

技术领域

本发明涉及一种利用对比度与角点最小凸包的方法对图像显著性目标进行检测，不需要目标图像的先验知识，是一种由图像本身数据驱动的检测方法。

背景技术

人眼在观察一副复杂的图像时可以迅速找到自己感兴趣的区域，图像的显著性检测就是利用计算机模拟人眼这种视觉特性。显著性检测是目前计算机视觉领域研究的一个热点课题，其结果可以从一个复杂的图像中提取出更容易吸引人注意力的区域即显著性高的区域。图像的显著区域常含有丰富的信息，所以显著性检测的结果可以广泛地应用于图像压缩、目标识别、图像检索等领域。目前的显著性检测方法主要基于两种视觉模型：自下向上与自上向下。自下向上的计算模型由数据驱动，根据图像本身的数据进行检测，不需要事先对图像进行学习，处理速度较快。自上向下的计算模型由任务、知识驱动，需要对大量图像进行学习，处理的速度较慢，并且检测结果很大程度上取决于观察的目的性。本发明基于自下向上的计算模型，根据图像本身的颜色与方向等信息计算显著性。

下面对国内外自下向上的显著性检测算法做相关的介绍。Itti于1998年提出的Itti模型为以后的显著性研究提供了一个很好的思路，Itti将图像分成颜色、亮度和方向三个通道，通过向下采样、高斯滤波和中心—周围算子计算图像的显著图。Harel等人于2007年提出了GBVS(Grahp-Based Visual Saliency)算法，根据Itti的思路也将图像分为多个通道，根据图像中像素之间的差异与欧式距离建立马尔科夫链，根据马尔科夫链的平稳分布计算图像的显著图。HOU等人与2007年从频域幅度角度出发提出了基于频域的残余光谱方法”Saliency detection:a spectral residual approach”。Gopalakrishnan于2009年提出”Salient region detection by modeling distributions of color and orientation”，根据空间域中颜色和方向分量所占比例计算显著性，但是当图像中颜色种类比较多时检测效果不够理想。Goferman等人与2010年提出了“Context-aware saliency detection”算法，利用多尺度下的局部特征与全局特征估计一个图像块的显著性，这种方法计算量大，由于采用了局部特征有时会对物体的边缘过于敏感而不能突出整个目标。Wei等人于2012年提出“Geodesic saliency using background priors”算法，使用背景先验可能将背景独立的物体检测出来，并没有结合显著物体本身的特性。ZHU等人于2013年提出“Multi-scale region-based saliency detection using W2distance on N-dimensional normal distributions”算法，根据多个尺度下超像素之间的W2距离计算图像的全局与局部显著图，这种方法基于超像素之间的对比度计算显著性，当背景比较复杂时容易出现误判。

目前国内关于显著性的算法多基于图像中各个区域之间的对比度计算显著性，但是在很多图像中背景的部分区域也有较高的对比度，导致检测结果不能有效地将主要目标与这部分区域区分开。本发明采取不同的方法，基于图像的局部、全局对比度与Harris角点的最小凸包确定显著目标，使得最终显著图可以有效地将主要目标从背景中提取出来。

发明内容

根据现有技术中的缺陷，本发明的目的提出一种基于对比度与角点最小凸包的显著性检测算法。该方法首先根据区域之间的对比度找出对比度较高的区域，然后计算出图像中Harris角点的最小凸包，根据最小凸包估计出主要目标的位置与大小，将背景区域滤除掉，使得最终的显著图能有效地提取出主要目标。

为实现本发明目的而采用的技术方案是这样的，一种基于对比度与角点最小凸包的显著性检测方法，其特征在于，包括以下步骤：

1)将图像分割成若干个超像素,以Si表示第i个超像素，i＝1、2……M，即得到超像素集合S＝{S₁,S₂...S_M}，以每一个超像素作为基本计算单位；

2)S_i的特征表示为：