一种用于雾天图像的目标显著性检测方法
【技术领域】
[0001]本发明涉及一种图像处理技术领域的方法，具体是一种用于雾天图像的目标显著性检测方法。
【背景技术】
[0002]作为图像处理领域内一个新兴的研究方向，图像显著性检测参考了人类视觉注意机制，即对图像中的区域按重要性的强弱分为不同的区域，对于重要的区域进行优先处理，并给予较多的计算资源，而对于非重要区域进行压缩处理，从而有权重的分配有限的计算资源。在这一过程中计算机集中处理的、较为重要的区域，即图像的显著区域。
[0003]图像显著性研究始于20世纪八十年代，随着近几年许多新的显著性理论和方法的出现，目前已形成了一个热门课题，国内外许多重要的视觉处理实验室均将视觉显著性作为专门课题加以研究。视觉显著性模型应用领域广泛，较为成熟的有目标检测和分割、视频分析等等，显著性检测结果的好坏对这些应用起到了至关重要的作用。
[0004]显著性问题与人类视觉系统紧密相关，视觉系统能够快速的对场景进行理解和分析，那么它是如何高效完成此复杂过程的呢?Neisser提出了一个广为认可的机制，他将视觉处理过程分为两个阶段:预注意处理阶段(Pre-attentive Stage)与注意处理阶段(Attentive Stages);之后MIT的David C.Marr进一步提出了视觉处理会将进入的光线转化为各种特征的表示，编码以形成对场景的最初的表示，这些表示最终能够让视觉系统进行分析和识别;他们的工作对后来的视觉处理研究产生了深远影响。
[0005]显著性检测理论根据处理图像域的不同可分为空间域和变换域两大类。Treisman和Gelade最早提出了空域检测的特征综合理论，1985年Koch和Ullman进一步发展了这一理论并在研究视觉注意的Buttom-to-Up(自底向上)机制中首次使用显著图来描述场景的显著性，1998年Itti等人把Koch和Ullman提出的生物合理性架构应用在计算机视觉中，构建了相应的显著性检测模型，该模型提取了颜色、亮度和方向的多尺度特征，并对比计算中心和周围区域的尺度特征差异，从而得到同一特征下的多张不同尺度特征图，并利用多尺度融合得到对应每个特征的单张特征图，最后进行多特征的归一化和线性叠加获得最终的显著图。基于像素级的对比度计算使得该方法实效性较差，而且部分参数的选择对结果有很大影响，这些缺陷都限制了该方法在实时系统中的应用。2000年，Itti等将神经学融入之前的算法，重新分析并完善了该算法，自底向上的显著性算法从此开始被广泛接受。
[0006]显著性检测理论经过多年的快速发展，大致可分成以下三种类型:生物学的方法，纯计算的方法，生物学和计算相结合的方法。这些方法大都基于自底向上机制的。
[0007]第一种方法:显著性检测早期的工作大多使用的是生物学的方法。
[0008]Itti算法提出后，出现了很多改进方法，取得了更好的效果，但由于均是在Itti算法基础上完成的工作，故将这些方法归为此类。如Frintrop利用矩形滤波器来计算中心-周围区域对比度，并且采用图像积分的方法进一步提高了计算效率。Yiqun Hu首先生成各种不同类型的显著性图，然后采用导引函数筛除包含了非显著性区域的显著图，保留了对显著性贡献较大的显著性图，该方法较好的避免了由于归一化带来的影响。
[0009]第二种方法:纯计算的方法是近年来研究的热点。主要涵盖了以下几个方面:
[0010]①基于能量和信息论的方法
[0011]Shokoufandeh首次尝试使用局部能量的观点对显著目标区域进行提取;Gilles从局部香农熵的角度来描述目标显著性;Kadir和Brady针对局部能量算法在单一尺度下可能出现的问题，利用多尺度的自相似交叉尺度原理来获得优化的显著图；Bruce和Tsotsos提出了基于自信息的显著性度量机制，通过信息最大化来获得显著图。
[0012]②基于局部对比度的方法
[0013]Ma和Zhang、Achanta等人均利用中心-周围区域对比度原理计算显著性。Ma和Zhang的方法由于仅使用了 LUV颜色特征，所以该方法并不适用于颜色和显著度相关性较弱的图像。Achanta使用了更符合人眼注意机制的CIELab颜色特征，取得了更好的效果。
[0014]③基于全局对比度的方法
[0015]Zhai和Shah把每个像素点和其它所有像素点的差值之和作为该像素点的显著度，该方法计算量大、执行效率低，而且只采用了图像的亮度信息，所以鲁棒性较差。
[0016]④基于频域分析的方法
[0017]Hou和Zhang突出了基于残余谱的方法，利用图像的傅里叶变换，并对幅度谱进行滤波，抑制冗余信息。其缺陷是抑制非显著性区域的同时也抑制了显著性区域，造成目标内部空洞。C.Guo在傅里叶变换的基础上，利用相位谱信息对残余谱的算法进行了改进，加入了颜色、灰度、运动等多个特征。
[0018]当然，近年来越来越多的方法更多的采用了多方法的融合。文献[18]提出的算法既利用了区域的显著性提取，又使用了全局信息，与之前的工作相比，该算法更好的区分了前景和背景，并在图像缩放和目标分割中取得了良好的效果。
[0019]第三种方法:前两种方法的结合。
[0020]Harel提出基于马尔可夫链的平衡态理论的方法，将从图像中提取的每个特征都看作是一个马尔可夫链，然后利用曲线图进行归一化，并通过融合获取最终的显著图，该方法能更好的定位视觉关注点，实验表明该方法得到的显著点与眼动仪得到的结果更为接近，但是最终获得的是显著点图，而且计算量大。
[0021 ]与自底向上的算法相比，传统的自顶向下(Up-to-Bottom)算法主要考虑了任务、经验等高级特征的影响因素。例如，Cer