基于颜色和纹理聚集度的图像显著性检测方法

基于颜色和纹理聚集度的图像显著性检测方法
【技术领域】
[0001] 本发明属于图像处理领域，特别涉及一种基于颜色和纹理聚集度的图像显著性检 测方法，本发明是一种自然彩色图像的显著性检测方法。
【背景技术】
[0002] 人类对外界环境的感知大部分来自于视觉。人脑接受的人类视觉系统对周围环境 的感知信息主要包括对光、颜色、时空频率以及运动物体的感知。而信息的获取、分析和利 用需要一系列的大脑的处理过程。研究表明，人类视觉系统对信息的处理过程趋向于关注 感知强烈的部分，将其认为是处于外界环境中的显著信息。图像的显著性区域表示的是人 类视觉系统所关注到的图像区域。视觉显著性跟人类视觉系统如何感知和处理视觉刺激紧 密相关。图像中区域的颜色、结构、边界在人类视觉系统中所对应的独特属性构成了图像的 显著性。
[0003] 人类视觉系统可以很容易地判断图像中的显著性区域，并关注到图像的重要部 分。由于我们可以利用图像的显著性区域来有限分配对图像进行分析与合成所需要的计算 资源，所以通过计算来检测图像显著性区域的意义重大。
[0004]目前为止，已经涌现了大量的显著性检测方法，其中大部分已有的显著性检测算 法的研究都集中在计算全局和局部的特征对比度，通常通过研究图像中某一区域与它周围 的区域的差异来获得。从计算特征对比度的理论考虑，当前已有的图像显著性检测方法可 分为三类：基于生物理论的方法，基于空域分析的方法和基于频域分析的方法。这些方法对 颜色对背景相对简单同时显著目标对比度明显的图像可以得到比较满意的结果，但对于背 景复杂，显著目标颜色信息不够丰富的图像很难准确定位到显著区域。

【发明内容】

[0005] 本发明的目的在于克服现有技术的缺点与不足，提供一种基于颜色和纹理聚集度 的图像显著性检测方法，该图像显著性检测方法是基于图像颜色和纹理聚集度的图像显著 性检测方法，算法实现效率高，参照于人工标记的显著性区域，提取的显著性区域精确、完 整，具有良好的视觉效果。
[0006] 本发明的目的通过以下技术方案实现：一种基于颜色和纹理聚集度的图像显著性 检测方法，主要包括以下步骤：
[0007] 颜色显著性计算；
[0008] 纹理显著性计算；
[0009] 置信特征选择；
[0010] 加权置信特征融合。
[0011] 颜色显著性计算步骤，通过颜色空间转换，得到彩色图像的多个颜色通道，对每个 颜色通道进行FCM聚类，根据每个区域的聚集度选择颜色显著图，并利用聚集度和类间差 异计算候选显著区域的颜色显著性。
[0012] 纹理显著性计算步骤，通过对原始彩色图像L通道进行一级平稳小波变换得到三 个方向的小波细节信息；将三个方向的小波细节信息进行合并，并做hilbert比变换，得到 三个方向的Hilbert变换信号，与合并小波细节信号共同构成超复数，做超复数傅立叶变 换得到局部相位，经过一系列后处理得到纹理显著图。
[0013] 置信特征选择步骤，根据区域的位置包含关系和区域的聚集度之间对应关系，判 断当前颜色显著图和纹理显著图是否为置信特征。
[0014] 加权置信特征融合步骤，根据置信颜色特征的显著性值计算其权值，纹理显著图 的权值根据其聚集度和置信颜色特征集合的聚集度来计算，最后对所有加权特征进行线性 融合并滤波。
[0015] 本发明的具体方案可以如下：一种基于颜色和纹理聚集度的图像显著性检测方 法，包括以下步骤：
[0016] 步骤1、颜色显著性计算；
[0017] 步骤2、纹理显著性计算；
[0018] 步骤3、置信特征选择；
[0019] 步骤4、加权置信特征融合；
[0020] 所述步骤1包括以下步骤：
[0021] 步骤11、对原图进行颜色空间转换，得到得到Lab和HSV颜色空间的L，a，b，H，S 五个颜色通道，第i个通道标记为CF1,
[0022] 步骤12、用模糊C均值聚类算法（FCM)对步骤（11)所得到五个颜色通道进行聚 类，规定分类个数N = 4,共得到20个候选类，将其分为五组，每组四个候选类，第i组的第 j类标记为diister/;
[0023] 步骤13、计算步骤12中每一组候选类的聚集度，如公式（1)所示，其中其中&1是 A中第i个点的坐标向量，1彡i彡k，
^是集A的中心点，(IisUai, uA)是a; 和uA之间的欧式距离。.elitster/的聚集度为/diiirfer/:
[0024]
(1〕
[0025] 式中，J⑷表示A的聚集度，k表示A中点的数量。
[0026] 步骤14、在步骤12的每一组候选类中选择聚集度最小的候选类作为当前组对应 颜色通道的颜色显著图，标记为C 1，每个C1的聚集度标记为Jc i;
[0027] 步骤15、计算每一组候选类中颜色显著图与其他候选类之间的类间差，标记为 Duv1，如公式（2)所示，其中表示CF,第i个类的聚类中心；
[0028]
[〕
[0029] 式中，ceof表示CF j中第k个类的聚类中心，N表示分类个数。
[0030] 步骤16、用每一组颜色显著图的类间差除以它的聚集度得到颜色显著图的显著度 值，标记为S1，如公式（3)所示。
[0031]
_
[0032] 式中，Duv1表示颜色显著图的类间差，Jc i表示颜色通道显著图c i的聚集度。
[0033] 步骤17、将前三个最大的显著度值S1对应的颜色显著图c i合并构成颜色特征集 合 color。
[0034] 步骤18、计算颜色特征集合color的聚集度，标记为Jcolor。
[0035] 所述步骤2包括以下步骤：
[0036] 步骤21、对L通道进行一级平稳小波变换，分别得到水平、垂直和对角三个方向的 小波细节信号LH，HL和HH ;
[0037] 步骤22、合并步骤21所得的水平方向小波细节信号LH、垂直方向小波细节信号HL 和对角方向小波细节信号HH，得到合并信号f，如公式（4)所示；
[0038] f = I LHI +1HLI +1HHI， (4)
[0039] 步骤23、对步骤22所得的合并信号f进行Hilbert变换得到三个方向的Hilbert 变换结果_
[0040] 步骤24、将步骤23所得的Hilbert变换结果/?, /|丨，//?，和步骤22所得的合并 信号f，共同构成的超复数做超复数傅立叶变换，取其局部相位β ;
[0041] 步骤25、对步骤24所得的局部相位β做进一步后处理。
[0042] 所述步骤25包括以下步骤：
[0043] 步骤AU利用高斯概率密度函数对局部相位β进行估计得到每个点（X，y)的概率 密度P (x，y)，如公式（5)所示，其中δ和μ分别为局部相位β的标准差和平均值；
[0044]
(S)
[0045] 式中，β (X，y)表示点（X，y)的局部相位，ρ(β (X，y))表示点（X，y)的概率密度。
[0046] 步骤A2、计算步骤Al所得的概率密度p(x，y)的倒数的对数得到SP，如公式（6)所 示；
[0047] 的
[0048] 式中，Sp(X，y)表示点（X，y)的纹理显著性。
[0049] 步骤A3、对步骤A2所得的Sp进行高斯滤波得到结果Sal P;
[0050] 步骤A4、对步骤A3所得滤波结果Salp进行二值化得到最终纹理显著图P。
[0051] 步骤A5、计算步骤A4所得的纹理显著图P的聚集度标记为JPhase ;
[0052] 所述步骤3包括以下步骤：
[0053] 步骤31、计算纹理显著图P和颜色特征集合color中每个颜色显著图Cni的并集的 聚集度，标记为Jpc ni;
[0054] 步骤32、计算纹理显著图P和颜色特征集合color的并集的聚集度，标记为 JcolorPhase ；
[0055] 步骤33、比较Jcolor，JPhase和JcolorPhase之间的大小，得到置信颜色特征集 合colorSet和当前纹理特征P的置信标签phaseCredit ;
[0056] 步骤34、根据JPhase和Jcm对当前置信颜色特征集合colorSet中c m的显著度值 进行调整；
[0057] 步骤33包括以下步骤：
[0058] 步骤B1、如果 JPhase < Jcolor < JcolorPhase，JPhase > Jpcm> Jcm，那么 Cm为置 信颜色特征，计算JPhase与允"之间的差，如果不大于特定阈值3. 5,那么判定纹理显著图P 为置信特征，标记为phaseCredit = 1，否则判定纹理显著图P不是置信特征，phaseCredit =〇 ；
[0059] 步骤B2、如果JPhase < JcolorPhase < Jcolor，那么判定纹理显著图P为置信特 征，标记为phaseCredit = 1，如果JPhase > Jpcm> Jcm，那么Cm为置信颜色特征；
[0060] 步骤 B3、如果 Jcolor < JPhase < JcolorPhase，那么 colorSet 包括所有的五个 颜色显著图，纹理特征P不是置信特征，phaseCredit