[发明专利]一种基于颜色直方图和凸包的显著性检测方法

说明书

技术领域

本发明属于图像处理领域，涉及一种基于颜色直方图和凸包的显著性检测方法。

背景技术

图像显著性检测的目的是查找图像中最显著的部分，显著部分表示的是图像中的哪些区域能够引起人们的重视以及重视的程度，高效快速的找到显著部分能大大提高图像处理的效率。显著性检测算法可以分成两大类：自顶向下方法和自底向上方法。自顶向下通常是针对特定的任务，使用有监督的方式学习目标的各种特征，使用学到的特征信息完成图像中显著性目标的识别，这类方法的缺点是只能完成特定的目标且必须通过训练，扩展性较差。自底向上的方法直接通过像素等信息来进行计算，不需要进行学习，通过计算图像中不同部分之间的差异来查找显著部分。

颜色直方图是在许多图像检索系统中被广泛采用的颜色特征。它所描述的是不同色彩在整幅图像中所占的比例，即出现了哪些颜色以及各种颜色出现的概率，但是并不关心每种色彩所处的空间位置。颜色直方图特别适于描述那些难以进行自动分割的图像。

兴趣点是图像中一种特别重要的视觉特征，描述了图像中的细节内容。以兴趣点为线索提取的凸包表示了图像中用户感兴趣的部分所在的区域，用区域特征来检索图像，可以进行图像的显著性检测。

超像素在图像处理中得到了广泛的应用，是很多算法的基本运算单位，与以像素为计算单位相比，超像素有较少的计算量但又不失精确性，很多算法都是基于简单线性迭代聚类SLIC算法，该算法根据像素的颜色相似性和空间位置的接近程度对图像进行聚类，得到大小相近的超像素，超像素的个数也可以指定。

发明内容

为了解决现有技术中显著性检测算法的准确性仍不是很理想的问题，本发明提出了一种基于颜色直方图和凸包的显著性检测方法，得到一种更加准确的显著性检测方法。本发明根据图像的颜色直方图构建基于颜色直方图的显著性图来体现像素的颜色特征和细节特征；然后，使用简单线性迭代聚类SLIC对图像进行分割，根据区域对比构建基于区域对比度的显著性图；最后，根据图像中的兴趣点和图像分割技术来构建凸包，根据凸包融合基于颜色直方图和区域对比度的显著性图得到最终的显著性图。

本发明的技术方案为：

一种基于颜色直方图和凸包的显著性检测方法，包括如下步骤：

第一步，根据图像的颜色直方图构建基于颜色直方图的显著性图，像素的显著性值由公式(1)计算得到：

其中，S_i表示像素i的显著性值；n表示图像中的像素个数；p_i表示像素i的颜色在图像中所占的比例；||c_i,c_j||表示像素i和像素j在Lab颜色空间中的差异；

第二步，使用简单线性迭代聚类算法SLIC将输入图像分割800～900个超像素，得到SLIC小超像素图像，来表示图像的区域性，由于一幅图像中，图像的四条边附近更有可能是背景部分，所以根据每个超像素的颜色特征，将在图像四条边上的超像素分成3类；综合考虑图像中不同超像素之间的空间位置和颜色特征，使用公式(2)计算基于区域对比度的显著性图：

其中，S_I表示超像素I的显著性值；N_k表示每个分类中超像素数量；d_I和d_J是超像素I和J的坐标，||d_I,d_J||是超像素I和J坐标的欧式距离；β₁＝0.2；β₂＝1.1；α＝8；||c_I,c_J||表示超像素I和超像素J在Lab颜色空间中的差异；

第三步，构建凸包来表示图像中的显著部分；

第四步，使用简单线性迭代聚类算法SLIC将输入图像分割300～400个超像素，得到SLIC中等超像素图像；查找第三步得到的凸包中所有像素位置对应的超像素，使用公式(3)更新第一步和第二步得到的显著性图中凸包外部超像素的显著性值：

S_out＝S_out-α(3)

其中，S_out表示凸包外部的超像素(不包括凸包边缘部分的超像素)；α＝0.5；

进而得到更新后的基于颜色直方图的显著性图S₁，基于区域对比度的显著性图S₂。

第五步，最终的显著性图S通过公式(4)来计算：

S＝βS₁+(1-β)S₂(4)