一种图像显著区域检测方法与流程

文档序号:11231990
一种图像显著区域检测方法与流程

本发明涉及计算机图像处理领域,尤其涉及一种图像显著区域检测方法。



背景技术:

人类的视觉系统(Human Visual System)能够在复杂场景中,迅速地将注意力集中在少数几个显著的视觉对象上,这种能力称为视觉注意能力。图像显著性检测技术就是将视觉注意能力的机理应用到图像处理中,通过一定的方法将图像中更能吸引注意力的区域提取出来。通过提取显著区域,进而可以有目的分配分析图像所需的资源。显著性图像可以广泛的应用于图像分割、目标识别、自适应压缩、图像编辑和检索等领域。

图像显著性区域检测方法即是要得到待处理图像中每一个像素点的显著性值,根据显著性值得到对应的灰度图。现有的图像显著性区域检测方法中,有一些只考虑亮度作为单一通道计算显著性值,运算量小,但精度较低;也有一些针对每个像素点单独计算显著性值,得到的灰度图结果精确,但计算量很大;另外,很多方法只计算色差对显著性值的影响,并没有考虑色彩的分布对显著性值的判断也造成影响,导致图像显著性区域检测的精度较低。

以上背景技术内容的公开仅用于辅助理解本发明的构思及技术方案,其并不必然属于本专利申请的现有技术,在没有明确的证据表明上述内容在本专利申请的申请日已经公开的情况下,上述背景技术不应当用于评价本申请的新颖性和创造性。



技术实现要素:

为了解决上述技术问题,本发明提出一种图像显著区域检测方法,在降低计算量的同时,还保证了较高的精确度。

为了达到上述目的,本发明采用以下技术方案:

本发明公开了一种图像显著区域检测方法,包括以下步骤:

P1:色彩空间转换:将待检测图像从RGB色彩空间转换为CIELab色彩空间;

P2:颜色分类:根据颜色的相似性将步骤P1处理后的所述待检测图像中的颜色划分为N类,并记录在所述待检测图像中每一类颜色覆盖的像素的数量T1、T2、……、TN,其中Ti表示在所述待检测图像中第i类颜色覆盖的像素的数量;

P3:计算离散度因子:分别计算N类颜色的离散度因子G(1)、G(2)、……、G(N),其中G(i)表示第i类颜色在所述待检测图像中的分布情况;

P5:计算显著性值:根据步骤P3得到的离散度因子分别计算N类颜色的显著性值S(1)、S(2)、……、S(N),其中显著性值与离散度因子呈负相关的关系;

P6:归一化处理:对步骤P5计算得到的N类颜色的显著性值进行归一化处理后得到所述待检测图像的显著性值的灰度图像。

优选地,所述的图像显著区域检测方法还包括如下步骤:

P4:计算色差因子:分别计算N类颜色的色差因子D(1)、D(2)、……、D(N),其中D(i)表示第i类颜色与所述待检测图像中其他所有像素颜色的差别;

其中步骤P5中计算显著性值还包括根据步骤P4得到的色差因子来分别计算N类颜色的显著性值S(1)、S(2)、……、S(N),其中显著性值与色差因子呈正相关的关系。

优选地,步骤P4具体根据如下公式来计算色差因子:

其中,D(Ci,Cj)表示第i类颜色和第j类颜色在CIELab色彩空间的颜色距离,Tj表示第j类颜色覆盖的像素的数量。

优选地,D(Ci,Cj)的计算公式为:

其中,ILi、Iai、Ibi分别表示第i类颜色在CIELab色彩空间中L、a、b三个通道中的数值,ILj、Iaj、Ibj分别表示第j类颜色在CIELab色彩空间中L、a、b三个通道中的数值。

优选地,步骤P5具体根据如下公式来计算显著值:

优选地,步骤P5具体根据如下公式来计算显著值:

S(i)=D(i)*(M-G(i))

其中M是常数,且M>max(G(i))。

优选地,步骤S1中具体根据如下步骤进行色彩空间转换:

首先将R、G、B转换为中间函数X、Y、Z:

X=R×0.4124+G×0.3576+B×0.1805

Y=R×0.2126+G×0.7152+B×0.0722

Z=R×0.0193+G×0.1192+B×0.9505

再将中间函数X、Y、Z转换为L、a、b:

其中:

其中,R、G、B分别表示待检测图像中像素点在RGB色彩空间的R、G、B三个通道的数值;L、a、b分别表示转换后待检测图像中像素点在CIELab色彩空间的L、a、b三个通道的数值,XN、YN、ZN分别取值为95.047、100.0、108.883。

优选地,步骤P2中颜色分类具体还包括:将CIELab色彩空间的每一个通道按数值均分为n类,则将步骤P1处理后的所述待检测图像中的颜色划分为N=n×n×n类。

优选地,N的取值范围为p/250~p/100,其中p为所述待检测图像的像素的总数量。

优选地,步骤P3具体根据如下公式来计算离散度因子:

其中,xik表示第i类颜色覆盖的像素中第k个像素的x坐标值,yik表示第i类颜色覆盖的像素中第k个像素的y坐标值;μix表示第i类颜色覆盖的所有像素的x坐标值的平均值,μiy表示第i类颜色覆盖的所有像素的y坐标值的平均值。

优选地,步骤P6具体根据如下公式来进行归一化处理:

其中,Smax、Smin分别表示图像显著性值中的最大值和最小值,S′(i)为归一化处理后的第i类颜色的显著性值。

与现有技术相比,本发明的有益效果在于:本发明的图像显著区域检测方法是基于颜色分类和色彩离散度来进行综合计算待检测图像中每个像素点的显著性值,将待检测图像中的像素根据自身颜色特性进行分类,同一类像素的颜色具有很高的相似性,因此可以合理设定每一类颜色所在像素的显著性值相同,在以颜色类别为单位计算显著性值,相对于针对每一个像素点单独计算显著性值计算量明显减小的同时,也保证了结果较高的精确度;同时还引入离散度因子的概念描述色彩在图像中的分布情况,来计算显著性值,使显著性区域凸显,从而提高精确度。

在进一步的方案中,本发明还引入色差因子的概念描述像素自身与全图在色彩上的差异性,将色差因子和离散度因子两种因素都作为计算显著性值的参数,相互修正,使显著性区域更加凸显,从而更进一步地提高了精确度。

附图说明

图1是本发明优选实施例的图像显著区域检测方法的流程图;

图2a是本发明具体实施例的原始图像;

图2b是图2a的真值图;

图2c是利用本发明优选实施例方法得到的图2a进行最终的图像显著图。

具体实施方式

下面对照附图并结合优选的实施方式对本发明作进一步说明。

如图1所示,本发明优选实施例公开了一种图像显著区域检测方法,包括以下步骤:

P1:色彩空间转换:将待检测图像从RGB色彩空间转换为CIELab色彩空间;

RGB色彩空间是工业界的一种颜色标准,是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的。CIELab色彩空间是国际照明委员会(CIE)根据人眼视觉的特征,把光线波长转换为亮度和色相的一套描述色彩的方法;其中L描述色彩的亮度,a描述色彩的范围从绿色到红色,b描述色彩的范围从蓝色到黄色;CIELab色彩空间与设备无关。

在部分实施例中,转换过程如下:

首先将R、G、B转换为中间函数X、Y、Z:

X=R×0.4124+G×0.3576+B×0.1805

Y=R×0.2126+G×0.7152+B×0.0722

Z=R×0.0193+G×0.1192+B×0.9505

再将中间函数X、Y、Z转换为L、a、b:

其中:

在上述公式中,R、G、B分别表示待检测图像中像素点在RGB色彩空间的R、G、B三个通道的数值;L、a、b分别表示转换后待检测图像中像素点在CIELab色彩空间的L、a、b三个通道的数值;其中XN、YN、ZN一般默认经验值是95.047、100.0、108.883。空间转换后,L通道的取值范围是[0,100],a通道和b通道的取值范围是[-128,127]。

P2:颜色分类:根据颜色的相似性将步骤P1处理后的待检测图像中的颜色划分为N类,并记录在待检测图像中每一类颜色覆盖的像素的数量T1、T2、……、TN,其中Ti表示在待检测图像中第i类颜色覆盖的像素的数量;并取各类颜色中各通道数值的中间值作为相应颜色的特征颜色。

CIELab色彩空间的每一个通道按数值均分为n类,则N=n×n×n;其中n的取值由用户对区域检测方法的计算量和计算精度的要求综合设定。n越小,颜色分类的种类就越多,计算结果就越精确同时计算量越大;反之,n越大,计算结果越不精确,计算量越小。用像素对应的特征颜色替代原图中该像素的颜色,并统计每类颜色覆盖像素的数量。在更加优选的实施例中,N的取值范围为p/250~p/100,其中p为待检测图像的像素的总数量,即使得每类颜色包含100~255个像素,效果较好,而且计算量也不大。

将待检测图像进行颜色分类,分类方法简单可行,且设定后同一类颜色覆盖的像素的显著性值相同,因此在计算显著性值的过程中,以颜色的类别为单位进行计算,相对于针对每个像素单独计算显著性值而言,能够明显降低运算量。

P3:计算离散度因子:分别计算N类颜色的离散度因子G(1)、G(2)、……、G(N),其中G(i)表示第i类颜色在待检测图像中的分布情况;

首先获得第i类颜色覆盖像素的空间坐标值(xi1,yi1)、(xi2,yi2)、……、其中Ti表示第i类颜色覆盖的像素的数量。

第i类颜色的离散度因子的计算公式为:

其中,xik表示第i类颜色覆盖的像素中第k个像素的x坐标值,yik表示第i类颜色覆盖的像素中第k个像素的y坐标值;μix表示第i类颜色覆盖的所有像素的x坐标值的平均值,μiy表示第i类颜色覆盖的所有像素的y坐标值的平均值。

通过上式计算的离散度因子代表颜色在待检测图像中的分布情况。离散度因子与显著性值呈负相关的关系,即离散度越高,表示颜色分布范围越大,其成为背景的可能性就越大,显著性值越小;反之,离散度越低,表示颜色越集中,所覆盖像素成为显著区域的可能性就越大,显著性值越大。

P4:计算色差因子:分别计算N类颜色的色差因子D(1)、D(2)、……、D(N),其中D(i)表示第i类颜色与待检测图像中其他所有像素颜色的差别;

色差因子代表了像素颜色与其他所有像素颜色的差别,即代表了像素颜色的独特性。第i类颜色的色差因子的计算公式为:

其中,Ci代表第i类颜色,Cj代表第j类颜色,Tj表示第j类颜色覆盖的像素的数量,也即第j类颜色在待检测图像中出现的频数;D(Ci,Cj)表示第i类颜色和第j类颜色在CIELab色彩空间的颜色距离,计算公式为:

其中,ILi、Iai、Ibi分别表示第i类颜色在CIELab色彩空间中L、a、b三个通道中的数值,ILj、Iaj、Ibj分别表示第j类颜色在CIELab色彩空间中L、a、b三个通道中的数值。

在本优选实施例中,按照上述公式计算色差因子,并非忽略为单一的亮度值,也不是简单用像素平均值来进行计算,而是使用颜色分类后每个像素三通道颜色数值进行计算,信息量充足,同时能代表像素的独特性,为后续得到的显著性值的准确性打下基础。

P5:计算显著性值:根据步骤P3得到的离散度因子和步骤P4得到的色差因子分别计算N类颜色的显著性值S(1)、S(2)、……、S(N);

像素的显著性值与色差因子呈正相关,色差越大,像素的显著性值越高;像素的显著性值与离散度因子呈负相关,离散度因子越小,像素的显著性值越高。

在一个实施例中,显著性值的计算公式为:使用该式计算第i类颜色的显著性值,其所覆盖的所有像素都包含相同的显著性值;而且该式的计算非常简单,同时也能满足精度要求。

在另一个实施例中,显著性值的计算公式为:S(i)=D(i)*(M-G(i)),其中M是常数,且M>max(G(i)),本式的计算也较简单,且精度更高。

P6:归一化处理:对步骤P5计算得到的N类颜色的显著性值进行归一化处理后得到待检测图像的显著性值的灰度图像。

为了方便的用灰度图像表示图像的显著性值,需要进行归一化处理,即将各显著性值转化到灰度值的范围[0,255]。转化公式为:

其中,Smax、Smin分别表示图像显著性值中的最大值和最小值,S′(i)为归一化处理后的第i类颜色的显著性值。经过归一化,显著性值最终转换成取值在[0,255]范围内的灰度值,这些灰度值组成最终的显著性值的灰度图像。

下面结合具体实施例来对本发明优选实施例的图像显著区域检测方法进行进一步的说明。以实际自然图像为原始图像,如图2a和图2b分别是来源于MSRA1000图像数据集的原始图像和真值图,图片大小为368*400像素,对图2a所示的图像进行图像显著区域检测的方法,包括以下步骤:

P1:色彩空间转换:选取原始图像中三个像素点:像素点1的坐标为(50,50),像素点2的坐标为(200,200),像素点3的坐标为(350,350),RGB色彩空间三个颜色通道(R、G、B)的取值范围都为[0,255],三个坐标点在RGB色彩空间三个颜色通道(R、G、B)的数值为像素点1(175,39,41)、像素点2(202,206,209)、像素点3(22,57,61),将RGB色彩空间转换到CIELab色彩空间,CIELab色彩空间三个颜色通道(L、a、b)的取值范围分别为[0,100]、[-128,127]、[-128,127],三个坐标点在CIELab色彩空间的三个颜色通道(L、a、b)的数值为像素点1(40,54,34)、像素点2(84,-1,-2),像素点3(22,-12,-6)。

P2:颜色分类:将三个通道(L、a、b)各分为10类(即n=10,N=1000),假设像素1所在类别即为像素1类,则像素1类的特征颜色为(35,63,37),原始图像中共包含32594个像素1类的像素,同理像素2类的特征颜色为(85,-14,-14),原始图像中共包含14301个像素2类的像素;像素3类特征颜色为(25,-14,-14),原始图像中共包含17506个像素3类的像素;同时也分别获得各类颜色中所有点的空间坐标。

P3:计算离散度因子:根据离散度因子计算公式和像素1类中所有点的空间坐标,可以计算像素1类离散度因子数值G1=118,同理得到像素2类和像素3类的离散度因子G2=63,G3=65。

P4:计算色差因子:根据色差因子计算公式和所有颜色类别的特征颜色得到像素1类的色差因子D1≈2.17×109,同理得到像素2类和像素3类的色差因子D2≈1.75×109,D3≈4.84×108

P5:生成显著值:使用G1、D1得到像素1类的显著值为S1=D1/G1≈1.84×106,同理得到像素2类和像素3类的显著值S2=D2/G2≈2.78×107,S3=D3/G3≈7.45×106

P6:归一化处理:通过计算得到所有颜色类别中显著值最小的为Smin=5.39×105,显著值最大的为Smax=3.82×107。通过归一化公式将所有像素的显著值控制在[0,255]范围内,就得到最终的显著图(即灰度图像),如图2c所示。像素1类的最终显著值S'1=101,同理可得到像素2类和像素3类的最终显著值S'2=174,S'3=16。

像素最终显著值就是显著图中该像素的灰度值,显著值表示的是像素属于目标区域的可能性,显著值越高,表明该像素属于目标区域的可能性越大在图像分割时较高显著值像素应该被分割到目标区域。在图像压缩方面,可以根据不同区域显著值来设定压缩比,从而提高压缩效率和精度。显著值评价主要是和真值图比较,目标区域内的显著值越高越好,目标区域外的显著值越低越好。将图2b和图2c进行比较能够明显看出,本发明优选实施例的图像显著区域检测方法在目标区域取得了较高的显著值,得到了较高精确度的显著值。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说,在不脱离本发明构思的前提下,还可以做出若干等同替代或明显变型,而且性能或用途相同,都应当视为属于本发明的保护范围。

再多了解一些
当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1