[发明专利]复杂自然环境下感兴趣区域的检测方法

说明书

技术领域

本发明涉及一种复杂自然环境下感兴趣区域的检测方法，该方法对与背景对比度不同、背景复杂度不同的感兴趣区域以及不同面积的感兴趣区域的图像都具有很好的检测效果，可应用于图像压缩与编码、目标检测与识别、图像检索以及机器人主动视觉等多个图像处理领域。

背景技术

目前人们正处于信息大爆炸时代，每秒钟接受大量的视觉信息流(10⁸-10⁹比特)，因此如何更有效地分析和处理海量的图像信息成为重要的研究内容之一。研究发现，人类视觉系统(Human Visual System，简称HVS)处理一个较为复杂的场景时，首先将其视觉注意力集中于该场景的少数几个对象，即感兴趣区域。这种处理机制会使处理能力和容量都有限的大脑对这些显著对象进行优先处理，并对非显著部分进行舍弃或者暂时忽略，力求在最短时间内获取场景中的主要信息，以便对场景的高层语义内容进行快速了解、认知与分析。目前图像处理领域中，感兴趣区域的检测应用于图像检索，由于在大量的图像数据中自动检索出目标图像，仅依靠人工标记的关键词进行搜索已难以满足现代化电子技术的需求，然而使用客观的图像内容属性检索会受到背景因素的干扰，所以只对图像中的感兴趣区域进行匹配，既可以提高效率，又可以获得较好的效果；感兴趣区域的检测应用于目标检测与识别，先识别多个与目标相似的感兴趣区域，然后根据显著性的高低顺序进行推断，最终达到目标识别，整个过程通过感兴趣区域的自动检测，有效地屏蔽了冗余信息对识别效率的影响。另外，感兴趣区域的检测在三维图像场景渲染、机器人主动视觉、视频中运动目标的检测等多个图像处理领域中都有着极其重要的应用价值。

感兴趣区域检测对象由最初的遥感图像扩展复杂自然环境下的图像，由灰度图扩展到彩色图，背景及感兴趣物体变得复杂多样。因此对于感兴趣区域的边缘要求越来越高，加大了感兴趣区域检测的难度。目前针对感兴趣区域的检测方法主要分为两类：基于空间域和变换域的检测方法。基于空间域的检测方法主要是利用直方图计算全局对比度，再计算全局颜色差异度的方法，虽然对感兴趣区域定位较准确，但计算量较大、显著物边缘不清晰；基于变换域感兴趣区域检测方法主要采用不同尺度的高斯差分滤波器组获得感兴趣区域，此类方法得到的感兴趣区域边缘清晰，但显著图中背景区域存在大量噪声。此外传统方法对图像进行降采样后提取特征如颜色、方向、灰度等，通过“中心-周边”算子对多尺度的特征进行显著性度量，最终融合得到显著图。这种基于生物学结构的方法得到的显著图降低了分辨率，其感兴趣区域定位不准确、边缘不清晰。

现有方法的主要缺陷是感兴趣区域显著度不突出、显著物边缘不清晰及显著图背景中存在噪声。针对上述方法中存在的不足，本发明提出了一种将低层次图像信息和中层次图像信息相结合的自底向上的感兴趣区域检测方法，该方法利用超像素聚类保证了感兴趣区域定位准确、边缘清晰，高斯差分滤波使感兴趣区域局部信息更完整，实现了自然环境下感兴趣区域的检测。

发明内容

为了克服现有方法的不足，本发明提出了一种能够准确检测复杂环境下感兴趣区域的检测方法，该方法对不同面积的感兴趣区域、与背景对比度和背景复杂程度不同的感兴趣区域的检测均能准确检测。本发明采用如下的技术方案：

1.输入自然图像，利用Harris算子检测彩色图像的角点；

2.去除距离图像边界5个像素以内的角点，使用凸包边界包围所有剩余角点，得到凸包区域；

3.采用SLIC(Simple Linear Iterative Clustering)超像素分割算法对图像进行分割，分割出200个超像素块；

4.对得到的超像素进行k均值聚类，计算各类与凸包区域的公共面积与自身面积比率得到中层次信息显著图；

5.使用高斯差分滤波器对原图像进行滤波后，计算得到低层次信息显著图；

6.对中层次信息显著图和低层次信息显著图加权融合，通过动态阈值分割输出感兴趣区域。

本发明具有如下的技术效果：

1.定位准确。本发明在检测过程中，首先采用Harris算子检测图像角点，粗略定位感兴趣区域，然后超像素聚类后与凸包区域进行面积比较计算中层次信息显著图，即实现了图像显著物的精确定位。

2.边界清晰。本发明采用超像素聚类与图像滤波算法结合的方法可以得到边缘清晰感兴趣区域。

3.适用性强。对与背景对比度不同和背景复杂度不同的感兴趣区域以及不同面积的感兴趣区域的自然图像均具有很好的检测效果。

附图说明

图1：本发明的总流程图；