[发明专利]一种图像显著目标检测方法

说明书

技术领域

本发明涉及计算机视觉与数字图像处理领域，具体涉及一种图像显著目标检测方法。

背景技术

人类视觉感知系统具有选择性，可以在未知环境中不受复杂背景影响而准确快速地确定场景中的显著区域或目标，并能在视觉处理的各个阶段自动提取感兴趣的内容，将大量的无关信息进行压缩或是丢弃，这就是视觉注意机制。目前计算机在处理复杂场景的图像时需要耗费大量的时间与计算能力，如果能够模仿人类视觉注意机制，像人眼一样迅速选择图像中的显著区域，并优先处理，忽略或舍弃非显著区域，可有效提高后续图像处理的工作效率和正确性。因此，将视觉注意机制引入到复杂场景下的图像显著目标检测有利于实现稳定的接近于人类认知机制的目标检测与识别任务，在计算机视觉领域中有着广泛的应用，如应用到目标检测、目标识别、图像分割、图像检索、图像压缩等。

根据人类视觉特点，视觉显著可以分为三类：一类是基于数据驱动、独立于具体任务，自底向上的显著检测；一类是受意识支配，依赖于具体任务，自顶向下的显著检测；一类是前两类的结合。显著性源于视觉的独特性、不可预测性，这是由颜色、亮度、边界、梯度、纹理等图像属性所致，由于缺乏高层知识，大多数算法都是属于自底向上的显著检测。

早期的自底向上显著检测基于图像属性对比度特征完成，如Itti提出高斯差分方法的图像显著检测，Koch和Ullman提出基于底层特征对比度的中心-周围模型，R.Achanta等人提出频域检测显著目标，M.M.Cheng等人使用基于全局对比度的计算方法，Stas Goferman等人以及T.Liu等人提出检测有区别性的图案。这些方法利用图像颜色、亮度、边界、梯度、纹理等底层特征属性来决定图像某个区域和它周围的对比度，从显著目标应该具有的特征出发，从正面提取特征来检测显著目标。但是由于目标之间的行为差异，对比度特征适应性不足，虽然人们提出了很多计算模型，但是很难适用于所有情况。可见这种方法并不是十分有效的，因为一些具有区别性特征的区域有时并不是显著区域。

近年来研究者提出使用边界先验知识的方法提取显著目标，如Y.Wei等人提出假定跟图像边界接触的图像块都是背景，H.Jiang等人将与图像边界的对比度作为学习的特征，C.Yang等人假定图像的四个边界是背景。边界先验是从背景的角度出发，指出背景应该具有的特征，进而剔除背景而更精确地检测出前景。利用这种假设的一些算法甚至达到了最先进结果，这表明边界先验描述了图像关于边界的空间布局，即使图像内容发生变化时也有很好的稳定性和健壮性。然而当图像的目标和边界有一点点接触，或者目标和边界具有相似性时就会漏检目标，有时候甚至丢失目标。

同时，Borji等人在5个数据集上比较了当前最先进的算法，他们发现将已有算法的一些特征结合起来会增强显著检测的准确性，因为不同的算法是针对不同问题建立在不同假设上的，它们的结合可能会提高显著检测的准确性。但另一方面，他们的实验结果还显示简单的把特征相结合有时也并不能保证提高显著检测的准确性，这表明那些广泛使用的特征之间可能并不能互相补充，相反，甚至是互相排斥的。

专利号201410098280.4一种基于前景先验和背景先验的显著性物体检测方法，提出一种分别从显著性物体(前景)和背景出发，结合各自先验知识的优势来定义对应的显著性衡量方式。首先利用对比先验计算每个子区域的中心周围颜色对比，然后将该对比度值乘以中心先验，平滑后得到基于前景的显著性图；同时利用边界先验和所定义的八邻域缝，动态优化找到每个像素分别到四条边界的最优缝，计算最优缝的成本，以得到基于背景的显著性图；最后按照公式Sal＝S_前景×S_背景将前两步得到的显著性图融合，再通过平滑得到最终的显著性图。

Peng Jiang等人的Salient Region Detection by UFO：Uniqueness，Focusness and Objectness融合了对比度特征、Focusness特征及Objectness特征，将代表图像焦点的Focusness特征与对比度特征相加，再乘以代表完整目标的Objectness特征，按照公式S＝exp(F+U)×O形成显著图。

专利号201310044869.1一种基于颜色对比和颜色分布的物体显著性检测方法，计算颜色对比显著性图、颜色分布显著性图，通过相乘的融合方式，并结合Meanshift分割完成精化。