[发明专利]一种双通道颜色对比度融合的视觉显著性检测方法

说明书

技术领域

本发明属于计算机视觉领域，具体来说是一种融合CIELAB颜色通道对比度特性和RGB颜色通道对比度特性的视觉显著性检测方法。

背景技术

视觉选择性注意力机制可以突破信息处理的瓶颈，使得人类可以很容易地判断局部显著性区域。在计算机视觉中，显著性提供了一种基于生物启发的人工视觉系统处理框架，实现图像处理和分析所需计算资源的优先分配。目前视觉显著性已在计算机视觉和图像处理领域引起广泛兴趣，包括图像分割，自适应压缩，图像内容编辑等。

目前视觉显著性检测模型大致分为两类。一类是基于生物启发的显著性检测方法。这类方法倾向模拟人类眼球运动，追踪眼部的关注焦点，其最终显著图往往是图像中某几个预测人眼关注的位置点或小区域，难以直接用于大多数的计算机视觉任务。

另一类是计算模型，它们通常都是以目标为显著单元，这与大多数的计算机视觉任务的目标更为一致。在大多数的计算模型中，显著目标通常定义为“相对于周围背景有充分的独特性、稀有性和不可预计性”。该定义隐含了对比度先验、背景先验，或某些高阶假设。基于对比度的显著检测模型是目前的流行方法，通过提取局部对比度特性和全局对比度特性来实现显著性检测。虽然这些方法通常也是受生物学原理启发以及基于某些生物学概念，且在近年来已获得了瞩目的成功，但它们的实现和策略往往是难以验证其合理性。特别是特征的选择和参数配置通常都需根据实验来确定。Cheng等人利用图割方法提取区域特征，并将全局对比度分析应用到显著性区域检测。但由于采取大尺度区域的图割方法，难以解决显著性区域的边缘扩散问题。Perazzi等人引入SLIC超像素分割方法，提取均匀且具边缘保持特性的超像素区域作为显著基元，提高了显著性检测精度。然而目前性能优秀的计算模型通常都在单一尺度空间下进行显著性分析，因而难以处理背景纹理复杂或目标纹理复杂的显著性检测。目前基于多尺度空间的计算模型往往面临着显著目标轮廓模糊等局限，因而召回率和精确度都难以令人满意。

发明内容

本发明针对现有技术的不足，融合CIELAB和RGB颜色通道对比度特性，提供了一种双通道颜色对比度融合的视觉显著性检测方法。

本发明方法的具体步骤如下：

步骤(1)：提取输入图像的N层高斯尺度图像，具体为：

对于输入图像                                               ，其第n层高斯尺度图像表示为：

，

其中高斯函数的方差为，均值为0；表示卷积运算。通常取，。

步骤(2)：采用SLIC超像素聚类方法，将每层高斯尺度图像划分为多个互不相交且区域面积近似相等的超像素区域。具体为：

对于第n层高斯尺度图像，设定期望划分的超像素个数为，采用SLIC方法根据期望的超像素个数划分超像素区域。

步骤(3)：采用彩色变换方法，分别提取步骤(1)中每层高斯尺度图像在CIELAB空间的l彩色分量图、a彩色分量图和b彩色分量图，具体为：

对于第n层高斯尺度图像，其l彩色分量图、a彩色分量图和b彩色分量图分别表示为、和。

步骤(4)：根据步骤(2)和步骤(3)的结果，提取每层高斯尺度图像中每个超像素区域在CIELAB空间的颜色特征，具体为：

对于第n层高斯尺度图像中的第i个超像素区域r_ni，其颜色特征是由超像素区域r_ni在CIELAB空间的颜色均值矢量、超像素区域r_ni的质心坐标和超像素区域r_ni的面积率组成。

所述的超像素区域r_ni在CIELAB空间的颜色均值矢量表示为，其中为超像素区域r_ni内所有像素的l彩色分量均值，为超像素区域r_ni内所有像素的a彩色分量均值，为超像素区域r_ni内所有像素的b彩色分量均值。