[发明专利]一种基于改进凸包的显著性检测方法

说明书

技术领域

本发明涉及一种图像处理技术领域的方法，尤其是涉及一种基于改进凸包先验的显著性检测方法。

背景技术

随着计算机设备和网络技术的快速发展(包括数码相机、带有拍摄功能的智能手机和平板电脑等设备的普及)，数字图像和视频已成为人们生活中不可或缺的信息表现和传递沟通的载体。然而，随着图像和视频数据的日益增多，如何从这些大量的数据中获取有用的信息并对之进行有效的编辑处理成为研究者面临的一大难题。为了解决这个难题，越来越多的研究者开始寻求从图像中提取有用信息对图像进行简洁有效的表示。受生物视觉系统高效的视觉信息处理机理的启发，计算机视觉领域的显著性检测技术逐渐得到了发展。显著性检测模型能够有效的检测场景中的显著目标从而为后续的图像视频编辑处理奠定基础。

现有的图像显著性检测算法大致分为自底向上和自顶向下两类。自底向上的显著性检测方法通过图像和视频内容本身快速检测出显著区域；而自顶向下的显著性检测方法则通过学习的方法得到检测显著区域的准则。本方法侧重于自底向上的显著性检测。自底向上(Bottom-up)的显著性检测算法是一种快速的、下意识的、自底向上的、数据驱动的视觉注意方式，也被称为数据驱动(Data-driven)方式，主要基于外界刺激产生的视觉注意。该类算法根据图像和视频自身的内容，利用视觉注意基本原则，仅需少量的或者无需视觉先验知识即可计算出视觉显著区域。

采用低层特征,以自底向上的方式进行图像显著检测的算法包括:基于生物启发的方法及基于计算模型的方法。基于生物启发的方法在视觉注意理论研究的基础上关注诸如颜色、边缘、方向、运动方向等低层特征。如Itti等人提出的“A model of saliency-based visual attention for rapid scene analysis”，该方法利用高斯金字塔评估亮度、颜色、方向这三种特征的中心-周围差异进行显著性检测。该方法的检测结果过于强调局部范围内的高频细节,得到的显著图较模糊。基于计算模型的方法更适合计算机视觉的具体应用场景,如基于空间频率的算法、基于对比度先验的算法及基于背景先验的算法。基于空间频率的算法采用图像幅度谱或相位谱计算显著值。如Hou等人提出的“Saliency detection:a spectral residual approach”方法，这类方法得到的结果更符合图像高层结构,但显著图较模糊且过于强调边缘。

基于对比度先验的算法包括局部对比度、全局对比度两类。局部对比度方法计算像素块的中心-周围差异作为像素块的显著值，如Ma等人提出的“Contrast-based image attention analysis by using fuzzy growing”方法，这类方法得到的显著图较清晰,但忽略了图像的全局结构特征。全局对比度方法将显著值定义为像素块相对于图像整体的差异程度。如Achanta R等人提出的“Frequency-tuned salient region detection”的方法，该方法计算像素颜色与图像平均颜色之间的差异；Cheng M M等人提出的“Global contrast based salient region detection”将图像划分为区域,，计算区域与所有区域的颜色差异。相比于局部对比度算法，全局对比度算法更符合图像的整体结构，突出显著目标整体。

基于背景先验的方法将图像边界视为背景区域，计算像素块与背景区域的差异性得到像素块的显著值。如Wei Y等人提出的“Geodesic saliency using background priors”、Yang C等人提出的“Saliency detection via graph-based manifold ranking”，Zhu W等人提出的“Saliency optimization from robust background detection”的方法，描述像素块与背景的差异性，差异性越高，像素块的显著值越低。与基于对比度先验的方法相比，这类方法能更大程度地突出显著目标，得到清晰的显著图。但是由于算法较依赖于图像的边界特性，对于背景复杂或前景与背景对比度较低的图像检测效果较差。

发明内容