[发明专利]基于纹理特征和颜色特征融合的图像显著性检测方法

说明书

本发明公开了一种基于纹理特征和颜色特征融合的图像显著性检测方法，主要解决现有技术对于纹理特征利用不充分，对高纹理图像显著性检测效果较差的问题。其方案是：1)输入图像，并利用基于总变差模型的滤波方法去除纹理，得到含颜色特征的图像；2)对输入的图像，利用Gabor滤波器进行滤波，得到含图像纹理信息的图像；3)根据颜色特征的图像计算初步对比度值；4)根据纹理信息图像计算背景概率；5)对初步对比度值和背景概率进行融合得到新的对比度，进而得到基于颜色和纹理特征的显著图。本发明充分利用了图像的颜色和纹理信息，提高了复杂纹理图像的检测效果，可用于计算机视觉任务中。

技术领域

本发明属于图像检测技术领域，特别是涉及一种图像显著性检测方法，可用于图像分割、目标识别、图像的自适应压缩、内容感知图像缩放和图像检索。

背景技术

人们经常毫不费力地判断图像区域的重要性，并且把注意力集中在重要的部分。由于通过显著性区域可以优化分配图像分析时的计算资源，所以计算机检测图像的显著性区域具有重要意义。提取显著图被广泛用在许多计算机视觉应用中，包括对兴趣目标物体图像分割、目标识别、图像的自适应压缩、内容感知图像缩放和图像检索等。

显著性源于视觉的独特性、不可预测性、稀缺性以及奇异性，而且它经常被归因于图像属性的变化，比如颜色、纹理和边界等。视觉显著性是通过包括认知心理学、神经生物学和计算机视觉在内的多学科研究出来的，与我们感知和处理视觉刺激密切相关。人类注意力理论假设人类视力系统仅仅详细处理了部分图像，同时保持其他的部分基本未处理。由Treisman和Gelade，Koch和Ullman进行的早期工作，以及随后由Itti，Wolfe等人提出的注意力理论提议将视觉注意力分为两个阶段：快速的、下意识的、自底向上的、数据驱动显著性提取；慢速的、任务依赖的、自顶向下的、目标驱动显著性提取。

其中对于下意识的自底向上的显著性检测，其实现方法大多是基于生物学激励或者是纯粹的计算，还有部分方法兼顾上述两方面。这些方法利用低水平的处理来决定图像目标与它们周围的对比度，用到了像亮度、颜色和边缘这样的特征属性。

自底向上的显著性检测方法速度快，符合人类视觉系统快速获取显著区域的视觉原理，所以基于纯计算的方法是目前研究比较多的方法。Ma等人于2003年提出一种基于局部对比度的方法获取显著图。Achanta等人于2008年对Ma等人的方法提出改进，提出了一种多尺度对比分析的显著性区域提取方法。然而在纯计算方法中，基于局部对比度的方法生成的显著图只在图像边缘具有较高的显著性，而不能均匀的突显整个目标物。此后Achanta等人于2009年提出了一种频率调谐的显著性方法。但是这种方法不适用于那些显著物体占据太多像素的图像。Achanta等人于2010年对2009年提出的方法进行了改进，提出了最大对称周边的显著性检测方法。该方法尽管解决了此前方法的问题，但是他没有考虑空间信息对显著性的影响。Cheng等人于2011年提出了基于全局对比度的显著性检测方法，该方法在计算对比度过程中考虑了空间信息的影响，取得了较为准确的显著性检测效果。Zhu等人于2014年提出了基于背景强健的显著性检测方法，通过引入不同区域的边界连接程度，提高了显著性区域的对比度，显著提高了显著性检测效果。

上面提到的所有方法存在一个共同的问题是：没有考虑图像的纹理信息，而纹理信息则是反映图像内在性质的一个重要特征。Castleman等人认为，纹理是图像中一块区域像素灰度级的空间分布属性，这种空间结构的固有属性可通过邻域像素间的相关性刻画，同时也是一种不依赖于颜色或亮度变化来反映图像中同质现象的视觉特征，体现了物体表面的内在属性，上述方法由于缺失纹理特征，必然导致在处理高纹理图像时的质量下降。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于纹理特征和颜色特征融合的图像显著性检测方法，以提高显著性检测的准确率和召回率。

为实现上述目的，本发明的实现步骤包括如下：