[发明专利]基于滤波优化的视觉显著性目标检测方法

说明书

技术领域

本发明属于图像处理和计算机视觉领域，涉及一种基于滤波优化的视觉显著性目标检测方法。

背景技术

在人的视觉范围里,人眼视觉系统能够快速准确的判断感兴趣的区域。近年来,研究者致力于在计算机视觉中完成快速准确的显著区域的提取,并且取得了显著的成果。图像显著性区域检测研究的目的是获得高质量的显著图,显著图反映了图像中不同区域的显著程度。利用显著图可以快速处理图像中的显著区域。基于显著图的应用领域非常广泛,比如图像检索、图像分割、目标识别、自适应的区域压缩和灵活的图像缩放等领域。

图像的显著性检测方法可以分为基于任务驱动、自上而下的方法和基于数据驱动、自下而上的方法。自上而下的方法其图像的显著特征需要一个较大规模且包含特定对象的数据集通过相关监督式学习训练得到。而自下而上的显著性检测方法主要依据底层的数据信息，从图像的特征找到感兴趣的区域。

对比度是决定一个物体能引起人注意与否的关键因素，而自上而下显著性检测模型都是通过对比度来衡量目标的显著性。

基于对比度的显著性检测可以分为两种,基于局部对比度和全局对比度的显著性检测。

基于局部对比度的方法主要是利用图像区域相对于局部领域的稀有度的特性。

参见Itti等人在论文“State-of-the-art in visual attention modeling”中提出了基于特征集成理论和中心周围(Center-surround) 原理设计的方法,使用了多种色度、强度、宽频调谐颜色和Gabor局部方向等多种特征。

参见Liu等人在论文“Learning to Detect a Salient Object”中提出了一种利用原图像生成多尺度的高斯金字塔图像,然后线程合成多尺度局部对比度的方法。

参见Ma和Zhang等人在论文“Contrast-based image attention analysis by using fuzzy growing”中将出发点放在了图像的性质和计算机的计算水平上,并利用模糊增长理论进行扩张。

基于全局对比度的显著性检测是用一个区域和整个图像的对比度来计算显著性值。

参见Zhai和Shah在论文“Visual attention detection in video sequences using spatiotemporal cues”(LC方法)中提出的统计某像素与其他像素之间的亮度差异来计算显著值的方法，不足之处是仅利用亮度信息，忽略了其他特征。

参见Cheng等人再论文“Global contrast based salient region detection”(HC和RC方法)里提出的基于直方图对比度的方法和基于区域对比度的方法，主要特点是通过建立稀疏直方图加速计算与存储，同时考虑空间关系，引进空间权值来定义显著性值。此外通过频率分析进行显著性检测的方法也可以认为是基于全局对比度的方法,参见 Hou等在论文“Saliency Detection:A Spectral Residual Approach” (SR方法)里直接分析图像的对数频谱,在频域抽取图像的剩余频谱快速计算图像的显著图。

参见Achanta等人在论文“Frequency-tuned Salient Region Detection”(FT方法)里提出的频率调谐方法，使用高斯差分方法提取全分辨率的显著图，但不利于处理复杂背景下的显著性目标检测。

发明内容

为了解决现有的显著性检测方法获取的显著图存在边缘和纹理信息缺失的问题，提出一种基于滤波优化的显著性检测方法，该方法获取的显著图边缘信息保持完整，显著物体突出。

本发明采用的技术方案是：

一种基于滤波优化的显著性目标检测方法，包括以下步骤：

1)利用图像分割方法将原始图像分成若干个区域；

2)利用每个区域与其他区域的颜色对比度加权和来定义该区域的显著值；

3)引进空间位置信息，利用步骤2)中区域与原始图像中心的距离关系构造空间位置特征函数对该区域的显著值进行优化；

4)重复步骤2)和步骤3)计算每个区域的显著值形成所需的显著图；

5)应用快速导向滤波方法来优化显著图。

上述步骤2)的具体方法是：