[发明专利]一种基于多尺度区域融合的显著区域检测方法

说明书

技术领域

本发明涉及图像处理技术领域，特别是涉及一种基于多尺度区域融合的显著区域检测方法。

背景技术

显著区域指的是在视觉系统中自发的，具有较高鉴别性的图像细节所组成的图像区域，这里的鉴别性是一个相对属性，取决于该图像细节与其背景的视觉区分程度。而显著区域检测，就是重现人眼如何在复杂视觉场景当中迅速将注意力聚焦到这些感兴趣的区域。因此显著区域检测可以准确的预测的在自由观察下对静态和动态场景的注意力分配，该检测也反映了人眼在视觉场景中能够找到哪些感兴趣的图像细节。正确地提取这些关键区域，可以大大提高图像分析、处理效率和准确度，降低计算的复杂度，显著区域检测可以被广泛应用到计算机视觉与其他相关的图像处理问题当中，在当今大多数视觉任务中是一个至关重要的环节，一直以来都是图像处理领域一个研究热点。

目前显著区域检测的主要方法大多集中在自底向上的处理上，这类处理机制上符合人眼的作用原理。在这类处理机制当中，E.Rahtu等在“Segmenting Salient Objects from Images and Videos”in ECCV 2010提出了利用滑动窗和条件随机场结合的方法，通过观察不同尺度窗口内的区域与邻域分布来分析图像的局部细节，该方法考虑了不同尺度的局部特征，但未涉及全局显著度，并且该方法需要对最后的结果用图切的方法进行加工，运行时间受到影响。相应的，不少方法从频域的角度来解决全局性显著检测问题如：X.Hou等在“Saliency detection A spectral residual approach”in CVPR 2007提出的频谱残差法、B.Schauerte等在“Quaternion-based Spectral Saliency Detection for Eye Fixation Prediction”in ECCV 2012提出的四元数方法。这些方法实现简单，但存在如下的问题：当图像尺寸不同时，检测结果有较大差异，对大尺寸的显著区域往往只能检测到轮廓；当图像尺寸过小时，对尺寸较小的目标区域检测结果较差。一般来说，这种方法是对采样后的图像进行显著性检测，因此得到的显著图分辨率较低。

发明内容

为了解决现有技术的不足之处，本发明提出了一种在多尺度下结合图像全局属性和局部细节来融合显著区域并确定其位置的方法，利用空间几何信息熵找到最佳分辨率尺度，从而准确的检测出显著区域。

为实现上述目的，本发明的技术方案包括如下几个步骤：

步骤1)用一个标准差为1，3×3大小的高斯滤波器来平滑图像T。

步骤2)计算图像T在x和y轴上的最佳颜色梯度和归一化梯度。

2a)设置一个sobel算子大小为1×7，值为[-1，9，-45，0，45，-9，1]/6·t，用于对图像求边缘响应。t为最小允许区域，取值10。

2b)用步骤2a)设置的sobel算子对图像做卷积，分别得到RGB三个颜色通道的x轴梯度，将该算子转置后再对图像做卷积得到三个颜色通道的y轴梯度。

2c)计算x轴和y轴的最佳颜色梯度I_x和I_y，计算方法是从三个通道中选取梯度值最大的通道，该通道的梯度即为图像在该轴上的最佳颜色梯度。

2d)计算图像的归一化梯度：

步骤3)定义尺度参数Q＝[1，2...，2ⁿ]，n取值从0到7，一共8个尺度。

步骤4)求梯度索引index＝[I_y；I_x]_↓，该梯度索引的大小为l×1，计算方法是将y轴和x轴的最佳颜色梯度合并为一列，并降序排列。

步骤5)用梯度索引依次遍历图像的所有4邻域像素对，满足融合门限的像素合并为一个区域，得到标签图。

5a)建立邻域像素对p和p′，方法是p为T(index)，即用梯度索引的图像像素，p′是p的4-邻域像素。

5b)计算三个通道的邻域像素对的标准差：f_{R，G，B}(p，p′)＝|p-p′|＝(p-p′)²。

5c)计算融合门限，该门限包含尺度参数，其表达形式为：