专利名称：一种基于期望步数的图像显著程度检测方法
技术领域：
本发明涉及图像处理中的局部区域分析，特别涉及图像中的视觉显著性区域检测方法。
背景技术：
生物视觉系统所具有的视觉选择性注意是由视觉显著性机制驱动的。心理学研究发现，那些能够产生新异的刺激、较强的刺激和人所期待的刺激的场景区域容易引起观察者的注意。视觉选择性注意机制是生物体特别是人类的一个内在属性，面对复杂、未知的场景，人类能够不受复杂背景影响，快速而准确地检测到显著目标，是由于人类可以通过显著性区域优先分配图像分析与合成所需要的计算资源。而计算机视觉系统只会不加选择地平等对待视觉场景中的各个区域，在无法理解场景变化的同时还会造成计算瓶颈。如果我们把人类视觉系统的选择性注意功能引入到计算机视觉系统中，势必会提升现有计算机图像分析效率。
模拟人类选择性注意机制的计算模型提取的显著性图像被广泛的应用于许多计算机视觉领域，如自适应图像压缩，目标检测，目标识别，内容感知图像编辑和图像检索等邻域。因此，显著性计算模型成为了一个比较流行的研究课题。
目前视觉显著性的计算模型己经研究得比较深入，特别是Itti等人基于Treisman特征整合理论提出的模型极具代表性，该模型首先对输入图像构成空间金字塔并提取亮度，颜色和方向等初级视觉特征，然后进行多尺度融合，并基于“中央一周边差”理论度量图像中每个局部区域在每种特征上的显著程度，形成特征显著图。最后对特征显著图进行线性求和得到总的视觉显著图。但是，目前的显著性检测算法主要是建立在视觉特征的局部对比的基础上的，缺乏从全局角度对显著目标的自身特性进行分析理解，因此当背景较杂乱时会出现大量的误判现象，检测结果不够理想。发明内容
本发明的目的在于提供一种基于期望步数的显著性检测方法，具体包括以下步骤:
步骤1，将输入图像切分成不重叠的图像块；
步骤2，提取每个图像块的颜色，方向熵和纹理特征，构造特征向量；
步骤3，将每个图 像块视为全连通图和k规则图中的一个结点，对于每个结点，利用步骤2所得到的特征向量计算这个结点与其他所有结点的不相似度，利用结点间的不相似度得到全连通图关联矩阵和k规则图的关联矩阵，L表示分割后的图像块总数；根据全连通图的状态转移矩阵Pg计算全连通图的平稳分布At，进而得到全连通图的基础矩阵Zg.根据基础矩阵Zg计算全连通图中从平稳分布出发到达任意节点i的期望步数El (Ti):根据k规则图的状态转移矩阵P1计算k规则图的平稳分布;，进而得到k规则图的基础矩阵Z1，根据基础矩阵Z1计算k规则图中从平稳分布出发到达任意节点i的期望步数E17(T1):
步骤4，利用步骤3所得到的全连通图中从平稳分布出发到达任意节点i的期望步数^0\〕,以及k规则图中从平稳分布出发到达任意节点i的期望步数E1t(Ti)得到关键结点Nmsal,计算方法如下:
权利要求
1.一种基于期望步数的图像显著程度检测方法，其特征在于，包括以下步骤: 步骤1，将宽为W，高为H的输入图像I切分成L个大小为kXk的不重叠的图像块； 步骤2，提取每个图像块的颜色，方向熵和纹理特征，构造特征向量； 步骤3，将每个图像块视为全连通图和k规则图中的一个结点，对于每个结点，利用步骤2所得到的特征向量计算这个结点与其他所有结点的不相似度，利用结点间的不相似度得到全连通图关联矩阵名^和k规则图的关联矩阵<vi，L表示分割后的图像块总数；根据全连通图的状态转移矩阵Pg计算全连通图的平稳分布，进而得到全连通图的基础矩阵Zg，根据基础矩阵ZH十算全连通图中从平稳分布出发到达任意节点i的期望步数^(Ti);根据k规则图的状态转移矩阵P1计算k规则图的平稳分布疋;L，进而得到k规则图的基础矩阵Z1，根据基础矩阵Z1计算k规则图中从平稳分布出发到达任意节点i的期望步数Ejr(T1); 步骤4，利用步骤3所得到的全连通图中从平稳分布出发到达任意节点i的期望步数El(Ti),以及k规则图中从平稳分布出发到达任意节点i的期望步数EUTi)得到关键结点Nmsal,计算方法如下:
2.根据权利要求1所述的一种基于期望步数的图像显著程度检测方法，其特征在于，所述的步骤I包括以下步骤: 把图像I切分成图像块，当图像的宽W和高H不是k的整数倍时，需要先对图像进行缩放，保证图像的宽和高是k的整数倍；将图像I按照从左至右从上至下的顺序切分成不重叠的图像块，每个图像块是一个方块，宽和高都是k，每个图像块中的像素个数是k2，图像I可以切分出的图像块总数
3.根据权利要求1所述的一种基于期望步数的图像显著程度检测方法，其特征在于，所述的步骤2还进一步包括以下步骤: 步骤2.1，提取颜色特征，将每个图像块转化到YCbCr空间，将每个图像块的Cb和Cr通道作为颜色特征；步骤2.2，提取方向熵:步骤I中得到的图像块为彩色图像块，首先将彩色图像块转化成灰度像块，对灰度像块进行高斯平滑，以消除噪声，然后对灰度像块进行二维傅里叶变换，将其转化到频域，并进行中心化处理，计算出每一个灰度像块的方向直方图H(Qi),方向直方图H(Qi)的计算公式如式⑴所示
4.根据权利要求1所述的一种基于期望步数的图像显著程度检测方法，其特征在于，步骤3中所述的不相似度的计算方法如下:ω ^.=θχρ (- β (g1-gj)2) 公式(4) 其中，Qij为结点i和结点j之间在特征向量空间的不相似程度，β是一个自由参数，β e (0.1 0.9)，gi和gj分别为结点i和结点j的特征向量。
5.根据权利要求4所述的一种基于期望步数的图像显著程度检测方法，其特征在于，步骤3中所述的全连通图关联矩阵ΛΙζ的第i行第j列的元素a u，其计算公式如式(3)所示:
6.根据权利要求5所述的一种基于期望步数的图像显著程度检测方法，其特征在于，步骤3中所述的全连通图的状态转移矩阵Pg的计算方法如下: Pg=(Dg)-1Ag 公式(7) 其中，
7.根据权利要求5所述的一种基于期望步数的图像显著程度检测方法，其特征在于，步骤3中所述的k规则图的状态转移矩阵P1的计算方法如下: P1=(D1)-1A1 公式(14) 其中,D1 二⑩名⑷,…，# )公式(15)， d! =Σ$公式(16 ) 步骤3中所述的k规则图的平稳分布的第j个元素π j的计算方法如下: 卜=公式(17)\ 2dj=i 71J 一 I 其中，Pij为k规则图的状态转移矩阵P1第i行第j列的元素，'表示k规则图中结点j的平稳分布概率； 步骤3中所述的k规则图的基础矩阵Z1的计算方法如下: Z1=(1-P^W)-1 公式(18) 其中，I是单位阵，W是由L个k规则图的平稳分布< (组成的LXL矩阵； 步骤3中所述的k规则图中从平稳分布出发到达任意节点i的期望步数Ejr(T1)的计算方法如下:E1ff(T1) = ^(T1)Xz11 公式(19) 其中，Ei(Ti) = +公式(20)，Jii表示k规则图的平稳分布y的第i个元素，Zii是k规 71I71I L则图的基础矩阵ζ1的第i行第i列的元素，i = 1,2,…，L。
8.根据权利要求6所述的一种图像块显著程度的衡量方法，其特征在于，步骤5中所述的混合图上的关键节点到达任意节点i的期望步数的计算方法如下: 将公式中的上标改为m，利用公式(4)、(7)-(9)以及混合图关联矩阵Am计算出混合图状态转移概率矩阵Pm，利用Pm，根据公式(10)、(11)计算得到混合图平稳分布^1-和混合图基础矩阵Ζπ，然后计算混合图中从关键结点出发到达所有节点的期望步数Efmsel(Ti) (i=l，2……L)，计算公式如下:ENmsai(Ti) = Ei (Ti)X(Zi1-ZNmsali)公式(21) 其中，ΕΓα) = +，JIi表示混合图平稳分布JIm中第i个元素，Zii和zNmsali分别表示 71I混合图基础矩阵Zm中 第i行第i列以及第Nmsal行第i列的元素。
全文摘要
本发明公开了一种基于期望步数的图像显著程度检测方法，包括将输入图像切分成不重叠的图像块，提取每个图像块的初级视觉特征；构造全连通图和k规则图。对于每个图像块计算这个图像块与其他所有图像块的不相似度，利用图像块间的不相似度计算两个图模型中各结点的初始转移概率，得到平稳分布的概率，然后求得求的关键结点；将全连通图和k规则图进行融合，计算到达关键结点的期望步数，然后计算出每个结点的显著值，得到显著图。通过二维高斯平滑算子进行平滑，得到最终反映图像各个区域显著程度的结果图像。与传统方法相比，本发明通过图像库测试对比证明了其有效性以及在效果上明显的优势。
文档编号G06T7/00GK103247051SQ20131018106
公开日2013年8月14日 申请日期2013年5月16日 优先权日2013年5月16日
发明者段立娟, 乔海涛, 杨震, 吴春鹏, 苗军, 马伟 申请人:北京工业大学