基于纹理特征和颜色特征融合的图像显著性检测方法与流程

技术特征：

1.一种基于纹理特征和颜色特征融合的图像显著性检测方法，包括：

1)输入原始图像I，对其进行去纹理处理，得到去纹理图像S，利用SLIC方法对去纹理图像S进行超像素分割，得到颜色超像素图像SP₁；

2)输入原始图像I，利用Gabor滤波器函数提取其纹理特征，得到纹理特征图像T，利用SLIC方法对纹理特征图进行超像素分割，得到纹理超像素图像SP₂；

3)把颜色超像素图像SP₁转化到CIE-Lab颜色空间，得到对应的CIE-Lab颜色超像素图像SP₃，在CIE-Lab颜色超像素图像SP₃中第i个超像素p_i和第j个超像素p_j，计算颜色距离d_app(p_i,p_j)₁和空间距离d_spa(p_i,p_j)；

4)计算CIE-Lab颜色超像素图像SP₃中第i个超像素p_i的初步对比度Ctr(p_i)，利用该对比度得到基于颜色特征的颜色显著图SM₁；

5)把纹理超像素图像SP₂转化到CIE-Lab颜色空间，得到对应的CIE-Lab纹理超像素图像SP₄，对CIE-Lab纹理超像素图像SP₄中第i个超像素p_i和第j个超像素p_j构建无相权值表，从该无相权值表中得到第i个超像素和第j个超像素的最短路径，计算p_i和p_j在最短路径的累积权重d_geo(p_i,p_j)；

6)计算CIE-Lab纹理超像素图像SP₄中第i个超像素p_i的广度面积Area(p_i)和p_i边界连接函数为BndCon(p_i)，根据这两个参数计算背景概率

${\mathrm{\ω}}_i^{bg}=1-\exp (-\frac{{\mathrm{BndCon}}^2\left(p_i\right)}{2{\mathrm{\σ}}_{BC}^2}),$

其中，σ_BC为比例系数，σ_BC∈[0.5,2.5]；

7)用背景概率作为权值，对初步对比度Ctr(p_i)进行加强，得到加强后的对比度ωCtr(p_i)，利用该对比度ωCtr(p_i)得到基于纹理特征的纹理显著图SM₂；

8)输入纹理显著图SM₂，并利用SLIC方法对纹理特征图进行超像素分割，得到纹理超像素显著图SM₃，再将SM₃转化到CIE-Lab颜色空间，得到对应的CIE-Lab纹理显著图SM₄，在SM₄中第i个超像素p_i和第j个超像素p_j，计算颜色距离d_app(p_i,p_j)₂

9)将第i个超像素p_i和第j个超像素p_j分别在CIE-Lab颜色超像素图像SP₃中的颜色距离d_app(p_i,p_j)₁在CIE-Lab纹理显著图SM₄中的颜色距离d_app(p_i,p_j)₂及背景概率进行线性融合，得到最终对比度ωCtr(p_i)*，利用该对比度得到同时包含颜色特征和纹理特征的最终显著图SM。

2.根据权利要求书1所述的方法，其中步骤(1)中用SLIC方法对原始图像进行超像素分割，是先将原始图像I转化为CIE-LAB颜色空间和XY坐标下的5维特征向量；再对5维特征向量构造距离度量标准，利用该标准对转化后的图像像素进行局部聚类与分割，得到颜色超像素图像SP₁。

3.根据权利要求书1所述方法，其中步骤(2)中的Gabor滤波器函数，表示如下：，

$g\left(x,y;\mathrm{\λ},\mathrm{\θ},\mathrm{\ψ},\mathrm{\σ},\mathrm{\γ}\right)=\exp \left(-\frac{x^{\′2}+{\mathrm{\γ}}^2{y}^{\′2}}{2{\mathrm{\σ}}^2}\right)\exp \left(i\left(2\mathrm{\π}\frac{x^{\′}}{\mathrm{\λ}}+\mathrm{\ψ}\right)\right),$

其中(x,y)为Gabor滤波点坐标,x'＝xcosθ+ysinθ，y'＝-xsinθ+ycosθ，λ为正弦函数波长，θ为Gabor核函数的方向，ψ为相位偏移，σ是高斯函数的标准差，γ为空间宽高比,i为虚数单位。

4.根据权利要求书1所述的方法，其中步骤(3)中计算颜色超像素图像的颜色距离d_app(p_i,p_j)₁和空间距离d_spa(p_i,p_j)，按其公式进行：

$d_{app}{(p_i,p_j)}_1=\sqrt{{(C_{i1}-C_{j1})}^2},$

$d_{spa}(p_i,p_j)=\exp (-\frac{d^2(p_i,p_j)}{2{\mathrm{\σ}}_{spa}^2}),$

其中C_i1为超像素p_i在CIE-Lab颜色超像素图像SP₃的颜色值，C_j1为超像素p_j在CIE-Lab颜色超像素图像SP₃的颜色值，d(p_i,p_j)表示两个超像素p和q中心的距离，σ_spa为比例系数，取值为0.25。

5.根据权利要求书1所述的方法，其中步骤(4)中计算第i个超像素的对比度Ctr(p_i)，其公式如下：

$Ctr\left(p_i\right)=\underset{j=1}{\overset{N}{\underset{i\≠j}{\mathrm{\Σ}}}}{d}_{app}{(p_i,p_j)}_1{d}_{spa}(p_i,p_j),$

其中,N表示超像素的数目，d_app(p_i,p_j)₁表示第i个超像素到第j个超像素的颜色距离，d_spa(p_i,p_j)表示第i个超像素到第j个超像素的空间距离，i,j∈[1,N]且i≠j。

6.根据权利要求书1所述的方法，其中步骤(5)中计算超像素(p_i,p_j)在最短路径的累积权重d_geo(p_i,p_j)，按如下公式计算：

$d_{geo}(p_i,p_j)=\underset{p_i=p_1,p_i=p_2,...,p_i=p_j}{min}\underset{i=1}{\overset{N-1}{\Σ}}{d}_{app}{(p_i,p_{i+1})}_1,$

当超像素(p_i,q_j)为同一个超像素时，即在i＝j这种特殊情况下，定义d_geo(p_i,p_j)＝0。

7.根据权利要求书1所述的方法，其中步骤(6)中计算第i个超像素的广度面积Area(p_i)和边界连接函数BndCon(p_i)，按如下公式进行：

$Area\left(p_i\right)=\underset{j=1}{\overset{N}{\underset{i\≠j}{\mathrm{\Σ}}}}\exp (-\frac{d_{geo}^2(p_i,p_j)}{2{\mathrm{\σ}}_{clr}^2}),$

$BndCon\left(p_i\right)=\frac{Area\left(p_i\right)\·\mathrm{\δ}}{\sqrt{Area\left(p_i\right)}},$

其中d_geo(p_i,p_j)表示第i个超像素到第j个超像素最短路径的累积权重，σ_clr为比例系数，取值在[5,15]之间，δ表示超像素p_i在是否在图像边界上，若在，则δ取1，反之取0。

8.根据权利要求书1所述的方法，其中步骤(7)中计算新对比度ωCtr(p_i)，其计算公式如下

$\mathrm{\ω}Ctr\left(p_i\right)=\underset{i=1}{\overset{N}{\Σ}}{d}_{app}{(p_i,p_j)}_1{d}_{spa}(p_i,p_j){\mathrm{\ω}}_i^{bg},$

是第i个超像素的背景概率。

9.根据权利要求书1所述的方法，其中步骤(8)计算纹理显著图SM₄的颜色距离d_app(p_i,p_j)₂，其公式如下：

$d_{app}{(p_i,p_j)}_2=\sqrt{{(C_{i2}-C_{j2})}^2},$

其中，C_i2为超像素p_i在CIE-Lab纹理显著图SM₄的颜色值，C_j2为超像素p_j在CIE-Lab纹理显著图SM₄的颜色值。

10.根据权利要求书1所述的方法，其中步骤(9)计算最终对比度ωCtr(p)*，其公式如下

$\mathrm{\ω}Ctr{\left(p_i\right)}^{*}=\underset{j=1}{\overset{N}{\underset{i\≠j}{\mathrm{\Σ}}}}\[{\mathrm{\αd}}_{app}{\left(p_i,p_j\right)}_1+\left(1-\mathrm{\α}\right)d_{app}{\left(p_j,p_j\right)}_2\]d_{spa}\left(p_i,p_j\right){\mathrm{\ω}}_i^{bg},$

其中d_app(p_i,p_j)₁为第i个超像素与第j个超像素在CIE-Lab颜色超像素图像SP_1.1中的颜色距离，d_app(p_j,p_j)₂为第i个超像素与第j个超像素在CIE-Lab纹理显著图SM₄中的颜色距离，d_spa(p_i,p_j)为第i个超像素与第j个超像素的空间距离，为第i个超像素的背景概率，α为阻尼因子，α∈[0,1]。