[发明专利]基于离散余弦系数多尺度小波变换的显著性检测方法

说明书

本发明公开了一种基于离散余弦系数多尺度小波变换的图像视觉显著性计算方法，属于图像处理技术领域。该方法包括缩放输入图像尺寸；计算广义红、绿、蓝三个颜色通道和强度通道；计算红、绿、蓝和强度通道的权重系数；计算红、绿、蓝和强度通道离散余弦变换的幅度矩阵和符号矩阵；利用多尺度小波变换计算红、绿、蓝和强度通道的多尺度幅度矩阵；计算红、绿、蓝和强度通道的多尺度的通道显著图；将多尺度的通道显著图合成多尺度下的空间域视觉显著图；依据显著性评价函数选出较优显著图生成融合显著图；对融合显著图进行中央偏见优化生成最终显著图。本发明能够快速有效的计算图像的显著值，得到的显著图中显著目标完整，背景干扰较少。

技术领域

本发明涉及图像处理技术领域，特别涉及一种基于离散余弦系数多尺度小波变换的显著性检测方法。

背景技术

人类视觉系统具有一种自底向上的视觉注意机制，它能够快速抓住并提取感兴趣的目标，极大地减少脑神经资源的占用。选择性视觉注意机制以神经元串行方式进行信息处理，仅允许少量感知信息进入视觉高级皮层，以此突出显著目标，忽略周围背景区域。视觉注意机制依据注意机制分为场景依赖的或称自底向上的视觉注意以及任务依赖的或称自顶向下的视觉注意。视觉显著性检测算法通过计算机模拟这种视觉注意机制，高亮显著性目标，抑制背景区域，得出图像或场景的显著图。显著性检测算法是计算机视觉和图像处理中的研究热点，被广泛的应用于图像处理的各个领域中，如图像分割，目标识别，图像压缩等，直接对显著图进行处理能够降低计算机对图像的理解复杂度，提高计算效率。

针对研究自底向上的视觉显著性目标自动检测问题，Itti等人在1998年提出“Amodel of saliency-based visual attention for rapid scene analysis”，该模型在计算结构上模仿人类视觉注意机制的特点，计算出图像的视觉显著图，但参数设置复杂，计算量大，难以应用于实时工程系统。Achanta等人在2009年提出“Frequency-tuned salientregion detection”，该方法利用像素颜色值与图像颜色均值的差异来计算显著图，但其显著区域与背景区域差异不够明显，存在背景干扰。随后Achanta等人在2010年提出“Saliency detection using maximum symmetric surround”，该模型以像素点的最大可能对称环绕区域均值来替代FT算法中的颜色均值，降低了背景区域的显著值，但存在较小显著目标被漏检的情况。Cheng等人在2011年提出“Global contrast based salientregion detection”，该文中两种方法得到的显著目标完整，但复杂的视觉场景中难以有效去除背景信息的干扰。

除上述基于空间域中显著性检测方法外，另一类是基于频率域的显著性检测方法，如Hou等人在2007年提出“Saliency detection:a spectral residual approach”、Guo等人在2008年提出“Spatio-temporal saliency detection using phase spectrum ofquaternion Fourier transform”、Ding等人在2011年提出“Visual attention-basedship detection in multispectral im-agery”。基于频率域的方法计算效率较高，但显著图中显著目标的中央区域不能高亮，且缺乏生物合理性。Yu等人在2009年提出“Selectivevisual attention model based on pulsed cosine transform”，该模型具有生物合理性，符合神经元脉冲放电方式。

近来出现一类基于深度学习的显著性检测方法，这类方法包括Wang等人在2017年提出“Deep visual attention prediction”以及Cao等人在2018年提出“Efficientsaliency detection using convolutional neural networks with featureselection”，该类方法得到的显著图精确度高，但训练过程复杂，计算速度较慢。