[发明专利]一种结合空间域和频率域的显著性检测方法

说明书

本发明提出一种结合空间域和频率域的显著性检测方法，在自然图像中，利用线性颜色特征RGBY和非线性颜色特征LAB，基于两个颜色特征各生成两幅显著图，通过显著图的显著聚合值来选取优秀的显著图实现线性权重融合；在多光谱图像中，利用光谱角和光谱绝对差异两个互补的光谱特征进行光谱显著检测。本发明所述显著性检测方法简单，容易实现，检测效果精确。

技术领域

本发明属于目标检测技术领域，具体涉及一种结合空间域和频率域的显著性检测方法。

背景技术

随着计算机视觉的快速发展，显著性检测作为一种图像预处理算法，已经被广泛的应用到很多图像处理领域，例如识别、跟踪、分割、检测、立体视觉、匹配，相应地也出现了各种各样的算法，但是大致可以分为频率域和空间域两种显著检测方法。

在空间域，最典型的就是Itti提出的,利用低级图像特征，在图像金字塔多尺度的情况下，计算中心和周围的对比度来实现显著目标的提取。Ma利用每个像素和领域像素颜色的差异作为显著图，并加入了模糊生长。Achanta提出了基于全部的周围区域和基于最大的对称周围区域的两种显著检测方法。Cheng et al.通过量化颜色和直方图来加速算法，统计每个颜色的全局差异来表示该颜色的显著值，只考虑了颜色信息和忽视了距离信息，因此当显著目标比较大以及边界存在和背景颜色不同的非显著目标时，显著性提取效果不佳。

在频率域，Hou(SR模型)首先发现在傅里叶变换下可以突出显著目标，可以通过找出光谱的Log曲线中的奇异部分，并且和原始相位角结合，傅里叶逆变换之后生成了显著图，这一模型表明光谱残渣对显著检测起主要作用。Guo(PFT模型)简化此频率域模型，只使用相位角来建立显著图，结果表明两者所生成的显著图非常接近。Li(SSS模型)关注傅里叶变换的幅度和相位的关系，实验表明两者在压制重复模块而高亮显著区方面都起着不可或缺的作用。他们发现在幅度谱中的高峰表示的就是同质区域(非显著区域)，为此可以通过平滑这些高峰来减弱同质而显示出显著区域，最后结合原始相位信息和经高斯平滑的幅度谱来获得显著图。相比于SR和PFT，SSS对突出整个显著目标效果更好。这里SR和PFT主要是利用相位信息，为此只能突显显著边界，只能通过降采样来实现突显整体。不同于这两个模型，SSS模型综合考虑相位和幅度信息，有效的提高显著目标整体的检测，但是显著区域大小的不同要选取不同的尺度，为此必须要通过优化准则选择合适的高斯尺度，计算量增加。

上述这些方法一般要么只考虑空间域的显著信息，要么只考虑频率域的显著信息，很少有人将空间域和频率域结合，其中有些算法的计算量比较大，作为一种图像预处理算法，应该是一种简单和快速的图像处理算法，如果计算量太大，无法有效地给后续处理留有足够的处理时间。在频率域的显著方法中，SR和PFT算法简单，但是只能检测出显著目标的边界，且检测效果不佳，SSS模型检测效果可以，但是计算过程较复杂，为此设计一种简单且检测效果好的频率域的显著检测方法很有必要。

显著性检测已经被研究多年了，但是主要是用于处理自然彩色图像，很少有人将其衍生到多光谱图像中。有些研究者将Itti显著模型引入到多光谱图像处理中，和原始模型一样，这些多光谱显著模型都是生成四个通道的图像特征，基于光谱图像周围和中心的对比度来检测显著目标。由于Itti模型提出已经很多年，其有一定的局限性，为此引入和多光谱相融合的新显著模型是很有必要的。

发明内容

本发明的目的是针对现有技术中显著性检测的不足，提出了一种结合空间域和频率域的显著性检测方法，该显著检测方法能精确地实现显著区域的检测，且算法简单，实现起来很容易。

为了解决上述技术问题，本发明提供一种结合空间域和频率域的显著性检测方法，步骤如下：

步骤一，对图像进行转换，生成两种不同的图像特征；其中，

对于自然图像，使用RGBY颜色特征和Lab颜色特征分别作为其图像特征一和图像特征二；

对于光谱图像，使用光谱角和光谱绝对差分别作为其图像特征一和图像特征二；