[发明专利]基于锐利度的针对虚化图像的显著性检测方法及系统

说明书

本发明提供了一种基于锐利度的针对虚化图像的显著性检测方法及系统，通过提取锐利度地图来确定清晰前景的位置，然后在清晰前景区域进行第一层显著性地图提取，进一步采用一种对分辨率变化不敏感的算法来计算模糊背景的显著性地图，最后采用一定的融合准则将两层显著性地图进行融合得到最终的显著性地图。大量实验表明，本发明可以达到非常好的检测效果，为虚化图像的压缩、增强、分割、检索等应用提供了指导。

技术领域

本发明涉及显著性检测技术领域，具体地，涉及一种精确的基于锐利度的针对虚化图像的显著性检测方法及系统。

背景技术

显著性检测是图像处理领域一个经典的话题。显著性模型旨在检测给定图像中人眼感兴趣的区域，在过去的十几年中，几十种显著性模型已经被提出并且广泛地应用到了计算机视觉、计算机图形学和机器人学等领域。显著性模型已经经过了二十七年的发展，1998年，Laurent Itti的一篇文章《基于显著性的迅速场景分析视觉模型》将显著性模型的研究带入了新的时代，这篇文章奠定了显著性模型的基本框架。随后，显著性模型开始了蓬勃发展，至今已经涌现出了四十余种显著性模型，并且被成功应用到了图像分割、质量评价、图像匹配、图像与视频压缩、图像重建、图像与视频压缩、场景分类、目标检测以及机器人视觉等领域。关于显著性的进一步研究意义重大。

显著性模型的目的是设计某种方法，并利用计算机将原图片进行处理，从而自动得到一幅显著性地图。显著性地图是一副灰度图像，在这幅灰度图像中，值越高的像素点显著性越强。显著性是衡量人眼对某个区域感兴趣程度的概念，显著性地图的值越大，该区域对人眼的吸引力越强。随着越来越多的显著性检验模型的提出，同一副原始图片可以通过不同的显著性模型得到多个不同的显著性地图(Saliency Map)，为了衡量这些显著性地图的质量，多种评价准则也应运而生，最为常用的是AUC、CC以及NSS评价准则。

Itti&Koch模型由Laurent Itti等人在1998年提出，堪称现代显著性模型的基础，这种较为完善的显著性模型的结构主要包括：(1)中心-周边偏差和正规化；(2)在颜色、光强度和方向三个主要的特征频道中提取出子地图；(3)规模交叉结合和正规化；(4)“胜者为王”(Winner-take-all)机制；(5)利用一定的融合规则将子地图融合为最终的综合显著性地图。这个模型创建了基于二值化高斯金字塔的多规模显著性地图，利用了图像处理领域中的高斯金字塔的图片下采样方法，并且结合了低通滤波器来提取子地图。

Torralba模型是由Antonio Torralba等人于2003年提出的，这个模型强调的是全局显著性区域的检测和由上下文作为线索的检测。这个模型结合了自底向上(bottom-up)显著性理论、场景语义和自顶向下(top-down)显著性理论来进行图片的预处理，能够在多种类型的图片上取得较好的效果。

AIM模型是由Neil D.B和John K.Tsotsos在2005年提出的，这个方法含有下采样函数，AIM采用了一种新颖的信息最大化机制来监测显著性区域，这主要基于神经网络的模型和人眼视觉系统(HVS)之间的强相关性。

GBVS模型是一个自底向上的模型，这个模型在2006年提出，这是一个多尺度的显著性模型，它只能用来处理大于128×128像素的图片。GBVS中主要的操作是在各个特征频道建立激活地图并且采用强调一致性的正规化函数。

Image Signature模型是由Xiaodi Hou等人在2012年提出的，这个模型中默认设置是输入图片必须被下采样为64×64像素的矩阵。下采样后的函数被分为前景部分和背景部分，这两部分可以在离散余弦变换中分开。这个模型在近似预测镶嵌在极端稀疏的背景中的稀疏前景中可以获得很好的性能。所以我们在两个颜色空间内详细探究了这个模型在多空间分辨率中的性能。