图像处理方法和装置的制造方法
【技术领域】
[0001] 本发明涉及图像处理领域，并且特别地，涉及一种图像处理方法和装置。
【背景技术】
[0002] 显著区域与背景区域的区分一直是图像处理领域内非常关键的一环。论文《A model for saliency-based visual attention for rapid scene analysis〉〉是该令页±或的 早期工作，也是引用非常广泛的论文之一。作者在这篇论文中，运用了数量庞大的特征来模 拟人类对于显著物体的视觉感知，这些特征共有42个特征图谱（feature map),分别为12 种颜色的feature map，即，在R，G，B各通道的强度信息的基础上利用不同的尺度的高斯金 字塔模型与下采样方法构造12种颜色的feature map ;并且，该论文还提出了 6种图像像 素灰度强度信息、以及四方向六尺度下构造的24种Gabor纹理方向feature map。在获得 这些feature map的基础上，作者提出中心区域与周围区域的差异（center surrounding difference)方法，计算同类型不同尺度feature map之间中心区域同周围区域的差异度， 最终通过线性组合的方式将不同类型的feature map利用权重的方式进行组合获得最终的 显著图（saliency map) 〇
[0003] 但是，该算法在实际应用中存在以下缺点：
[0004] (1)检测精度低，仅仅能检测到显著目标（salient object)的一小部分；
[0005] (2)该方法基于简单的视觉特征，如像素强度、灰度等信息，而没有考虑saliency 的本身特性；
[0006] (3)由于该方法使用多种特征计算saliency map,所以在特征之间将存在信息冗 余，同时加大了算法的计算量；
[0007] (4)该算法仅采用权重组合的简单方式获得saliency map，因此检测的鲁棒性差。
[0008] 此外，在论文《Contrast Approach:Frequency-tuned Salient Region Detection》中，提出了仅使用一种特征来构造 saliency map,作者通过对图像进行频域低 通滤波的方式去除图像中的噪声以及过细的纹理信息，利用原始图像减去滤波后的图像获 得一张简单的saliency map。在这个saliency map上利用自适应阈值将saliency map 划分为显著区域（saliency区域）与背景区域。同时，在原始图像上，利用mean shift算 法对图像进行分割。最后，利用saliency map上对应位置处像素的标签（saliency或者背 景），对于分割区域进行判断，获得更加完整的分割结果。
[0009] 该算法虽然能够克服特征冗余的问题，但是仍然存在以下缺点：
[0010] (1)仅利用一种saliency map,-旦特征出现问题，将很容易导致最终的检测结果 出现差错；
[0011] (2)该方法需要使用复杂的图像分割方法对图像进行分割，尽管作者希望利用图 像分割的结果，来提升saliency map的性能，但是，这种复杂的图像分割方法本身的计算复 杂度较高，因此很难用于资源有限的平台（如DSP等），导致其使用的范围受到很大限制。
[0012] 此外，在论文《Main Sub ject Detection via Adaptive Feature Selection》中， 作者选用了具有50% overlap的滑动窗口，在图像中选择像素，计算窗口中的像素与窗口 外像素的亮度、颜色、对比度、锐利度以及边缘强度的差异性，构成五种feature map，同时 假设靠近图像中心区域的窗口更加的重要，将这些窗口赋予高权重。基于上述特征以及权 重计算方法，利用线性组合的方式，将feature map进行组合得到初步的saliency map。在 saliency map的基础上，利用阈值选取saliency value大于一定阈值的点，以这些点的边 界作为初始的bounding box的位置，随后利用cluster density自动优化bounding box, 最终再次通过阈值选择合适的bounding box位置。
[0013] 虽然该算法在理论上来说也具有一定的准确性，但是，该算法具有以下缺点：
[0014] (1)该算法是在微软公开的实验数据集上进行的算法设计，未考虑实际用户所拍 摄照片的复杂度，在实现时，考虑到的特征过于简单，很难直接用于实际拍摄得到的图像数 据；
[0015] ⑵使用多种特征计算saliency map,例如，光照、对比度以及颜色特征都属于图 像像素在不同颜色空间中的不同表达，将会导致多种特征之间存在冗余性；
[0016] (3)算法采用50%的滑动窗口进行扫描，加大了计算量；
[0017] (4)假设显著目标位于图像的中心。这种假设过于主观。部分图像符合该假设，但 仍有大部分图像不符合。
[0018] 综上所述，目前对于显著区域和背景区域的检测方法只要存在检测精度不高、难 以适应实际拍摄图像的复杂度、算法复杂（计算量大、计算速度慢）、特征之间存在冗余而 导致程序结构复杂等问题。但是，针对上述问题，目前尚未提出有效的解决方案。
【发明内容】
[0019] 针对相关技术中的问题，本发明提出一种图像处理方法和装置，能够提高检测的 准确性和效率，并且适用于实际应用中的各种复杂情况。
[0020] 为了实现上述目的，根据本发明的一个方面，提供了 一种图像处理方法。
[0021] 该方法包括：
[0022] 根据待处理的图像中像素的参数，确定像素的显著性；
[0023] 根据确定的显著性确定相应的像素属于显著区域或背景区域；
[0024] 根据图像中像素所属的区域确定图像中的显著区域和/或背景区域。
[0025] 其中，确定图像中像素的显著性包括以下至少之一：
[0026] 对于每个需要确定显著性的像素，确定该像素到达图像边界处的参数变化最小路 径，并确定该像素的参数相对于该路径上位于图像边界处像素的参数的变化情况，将该确 定的参数变化情况作为该像素的第一显著性；和/或
[0027] 对于每个需要确定显著性的像素，确定该像素的参数与图像中预先确定的参考背 景区域中像素的参数之间的相似程度，将该相似程度作为该像素的第二显著性。
[0028] 并且，上述参考背景区域可以包括图像的至少部分边缘区域。
[0029] 并且，在确定每个需要确定显著性的像素到达图像边界处的参数变化最小路径 时，对图像进行多次扫描，确定每个像素的参数变化最小路径值，每次扫描时采用的扫描顺 序不同。
[0030] 其中，上述多次扫描包括第一扫描和第二扫描，并且，第一扫描和第二扫描的扫描 顺序相反。
[0031 ] 此外，确定该像素的参数与图像中预先确定的参考背景区域中像素的参数之间的 相似程度包括：
[0032] 对图像中所有像素的颜色进行划分，得到多个颜色区间；
[0033] 根据参考背景区域中像素的颜色区间分布、以及图像中需要确定显著性的像素的 所在的颜色区间，确定每个需要确定显著性的像素与参考背景区域的像素之间的相似程 度。
[0034] 其中，可选地，对所有像素进行划分，得到多个颜色区间的方法包括以下至少之 一：中位切分算法、流行色算法、八叉树颜色量化算法。
[0035] 此外，该方法可以进一步包括：
[0036] 确定图像中各种颜色的分布情况；
[0037] 根据图像中每个像素的颜色、每种颜色的分布情况以及像素的显著性，确定图像 中是否包含显著目标。
[0038] 另外，在确定了第一和第二显著性的情况下，该方法可以进一步包括：
[0039] 确定图像中各种颜色的分布情况，并对图像进行划分，得到多个图像块；
[0040] 对于每个图像块，根据该图像块中的颜色分布、该图像块中像素的第一显著性、以 及第二显著性，确定图像中是否包含显著目标；
[0041] 确定图像中显著目标的位置。
[0042] 根据本发明的另一方面，提供了 一种图像处理装置。
[0043] 该装置包括：
[0044] 第一确定模块，用于根据待处理的图像中像素的参数，确定像素的显著性；
[0045] 第二确定模块，用于根据确定的显著性确定相应的像素属于显著区域或背景区 域；
[0046] 第三确定模块，用于根据图像中像素所属的区域确定图像中的显著区域和/或背 景区域。
[0047] 其中，在确定图像中像素的显著性时，第二确定模块用于对每个需要确定显著性 的像素，确定该像素到达图像边界处的参数变化最小路径，并确定该像素的参数相对于该 路径上位于图像边界处像素的参数的变化情况，将该确定的参数变化情况作为该像素的第 一显著性；和/或
[0048] 第二确定模块用于对每个需要确定显著性的像素，确定该像素的参数与图像中预 先确定的参考背景区域中像素的参数之间的相似程度，将该相似程度作为该像素的第二显 著性。
[0049] 可选地，参考背景区域包括图像的至少部分边缘区域。
[0050] 此外，在确定每个需要确定显著性的