[发明专利]一种针对复杂纹理图像的图像显著性分析方法

说明书

技术领域

本发明涉及计算机视觉及图像处理领域，具体涉及一种针对复杂纹理图像的图像显著性分析方法。

背景技术

图像视觉显著性检测旨在检测图像的显著区域，便于图像的后期处理，是目前重要的研究领域之一。显著性检测过程通过计算机去模拟人类观察图像的过程，去计算获取符合人体视觉焦点的图像显著性区域，从而完成计算机的自适应处理。

图像视觉显著性检测旨在检测图像的显著区域，便于图像的后期处理，也是目前重要的研究领域之一。在漫长的人类进化过程中，人们已经具备了快速获取视觉信息并对这些信息进行快速准确抉择的能力。对于图像视觉显著性检测方法，有一种基于自底向上视觉注意机制，分析人眼对图像内容的理解，利用图像的底层特征、视觉特性并引入引力模型区检测出更加准确的图像显著性区域。图像视觉显著性检测方法主要是基于人类视觉系统的特性去检测图像中的显著性区域。图像视觉显著性检测方法在分析图像内容的过程中，引入了视觉特性，大大提高了计算机对图像内容的理解程度，推进了图像处理技术的发展。在各种图像处理技术中，计算机所关注的并不是图像的全部内容，而是一部分感兴趣区域或者非感兴趣区域。通过视觉显著性方法去检测图像的显著区域，并给予不同区域的处理优先级，从而更好的利用计算资源，提高计算效率。现今，视觉显著性检查技术已经被广泛运用到图像检索、图像和视频压缩、目标检测、图像及视频分割等许多图像处理领域，并很好的促进了这些领域的发 展。

由于纯计算的显著性计算方法速度快，符合人类视觉系统快速获取显著物体的视觉原理，所以这类方法是目前研究的比较多的方法。Ma等人于2003年提出一种基于局部对比分析的方法去获得图像显著图。Achanta等人于2008年对Ma等人的方法提出改进，提出了一种多尺度对比分析的显著性区域提取方法。其实在纯计算方法中，基于局部对比的方法生成的显著图，在图像的边缘具有较高的显著性而不是均匀的突出整个物体。此后，Achanta等人于2009年提出了一种频率调谐的显著性方法。但是这种方法不适用于那些显著物体占据太多像素的图像。Achanta等人于2010年，对09年提出的方法进行改进，提出了最大对称周边的显著性检测方法。作为09年的改进方法，尽管解决了此前的方法问题，但是他并没有考虑空间信息对显著性的影响。Cheng等人于2011年提出了基于全局对比度的显著性检测方法。Li等人于2011年通过具有相同显著物体的图去检测它们共有的显著性物体。Li等人和Cheng等人提出的两种方法是非常新颖的。他们李颖分割区域以及空间信息区生成显著图。但是对于前者，如果只提供一幅图像，或者提供两幅背景非常相似的图相对，生成的显著图并不是非常的好。而对于后者和上面提到的所有方法存在一个共同的问题，就是他们都没有考虑图像的纹理信息。

本发明公开的方法不同于上述所有方法，上述方法较少用到图像的纹理信息，本发明针对高复杂纹理图像提出一种结合纹理特征以及采用超像素和MeanShift方法改进GB分割方法，并通过非线性融合颜色和纹理分显著性图的显著性分析方法。

发明内容

针对现有技术的缺陷及不合理性，本发明的目的在于提出一种针对复杂纹 理图像的图像显著性分析方法，该方法在计算显著图的过程中融合了纹理信息，能够更加准确的得到与原始图像分辨率相同的显著图，并且很好地抑制了原始图像中的非显著区域，从而有利于后期目标物体分割等应用。

为了达到上述目的，本文提出一种针对复杂纹理图像的图像显著性分析方法，其具体步骤如下其具体步骤如下：

(1)运用基于超像素分割方法将原始图像分割成K个超像素，1≤i≤K；

(2)在超像素分割的基础上进一步使用MEANSHIFT方法进行聚类；

(3)得到最终的分割结果进行全局区域对比得到颜色分显著性图；

(4)对每个区域提取GABOR纹理特征；

(5)对纹理特征也采用全局对比得到纹理分显著性图；

(6)将两个分显著性图融合为总显著性图；

上述步骤(3)所述的对原始图像进行量化及高频颜色筛选，其具体步骤如下：

(2-1)将原始图像RGB通道的颜色值量化为12个不同的值，其计算式为：

其中，s＝1,2,…,m；t＝1,2,…n；分别表示原始图像中像素点在RGB空间每个通道的颜色值；分别表示量化后图像中像素点在RGB空间的每个通道的颜色值；Int(.)表示将浮点型转换为整型。此时图像集被重新定义为如下：

(2-2)对于每个像素通过下面的公式结合三个通道的颜色值：