一种基于颜色直方图和凸包的显著性检测方法与流程

本发明属于图像处理领域，涉及一种基于颜色直方图和凸包的显著性检测方法。

背景技术：

图像显著性检测的目的是查找图像中最显著的部分，显著部分表示的是图像中的哪些区域能够引起人们的重视以及重视的程度，高效快速的找到显著部分能大大提高图像处理的效率。显著性检测算法可以分成两大类：自顶向下方法和自底向上方法。自顶向下通常是针对特定的任务，使用有监督的方式学习目标的各种特征，使用学到的特征信息完成图像中显著性目标的识别，这类方法的缺点是只能完成特定的目标且必须通过训练，扩展性较差。自底向上的方法直接通过像素等信息来进行计算，不需要进行学习，通过计算图像中不同部分之间的差异来查找显著部分。

颜色直方图是在许多图像检索系统中被广泛采用的颜色特征。它所描述的是不同色彩在整幅图像中所占的比例，即出现了哪些颜色以及各种颜色出现的概率，但是并不关心每种色彩所处的空间位置。颜色直方图特别适于描述那些难以进行自动分割的图像。

兴趣点是图像中一种特别重要的视觉特征，描述了图像中的细节内容。以兴趣点为线索提取的凸包表示了图像中用户感兴趣的部分所在的区域，用区域特征来检索图像，可以进行图像的显著性检测。

超像素在图像处理中得到了广泛的应用，是很多算法的基本运算单位，与以像素为计算单位相比，超像素有较少的计算量但又不失精确性，很多算法都是基于简单线性迭代聚类slic算法，该算法根据像素的颜色相似性和空间位置的接近程度对图像进行聚类，得到大小相近的超像素，超像素的个数也可以指定。

技术实现要素：

为了解决现有技术中显著性检测算法的准确性仍不是很理想的问题，本发明提出了一种基于颜色直方图和凸包的显著性检测方法，得到一种更加准确的显著性检测方法。本发明根据图像的颜色直方图构建基于颜色直方图的显著性图来体现像素的颜色特征和细节特征；然后，使用简单线性迭代聚类slic对图像进行分割，根据区域对比构建基于区域对比度的显著性图；最后，根据图像中的兴趣点和图像分割技术来构建凸包，根据凸包融合基于颜色直方图和区域对比度的显著性图得到最终的显著性图。

本发明的技术方案为：

一种基于颜色直方图和凸包的显著性检测方法，包括如下步骤：

第一步，根据图像的颜色直方图构建基于颜色直方图的显著性图，像素的显著性值由公式(1)计算得到：

其中，si表示像素i的显著性值；n表示图像中的像素个数；pi表示像素i的颜色在图像中所占的比例；||ci,cj||表示像素i和像素j在lab颜色空间中的差异；

第二步，使用简单线性迭代聚类算法slic将输入图像分割800～900个超像素，得到slic小超像素图像，来表示图像的区域性，由于一幅图像中，图像的四条边附近更有可能是背景部分，所以根据每个超像素的颜色特征，将在图像四条边上的超像素分成3类；综合考虑图像中不同超像素之间的空间位置和颜色特征，使用公式(2)计算基于区域对比度的显著性图：

其中，si表示超像素i的显著性值；nk表示每个分类中超像素数量；di和dj是超像素i和j的坐标，||di,dj||是超像素i和j坐标的欧式距离；β1＝0.2；β2＝1.1；α＝8；||ci,cj||表示超像素i和超像素j在lab颜色空间中的差异；

第三步，构建凸包来表示图像中的显著部分；

第四步，使用简单线性迭代聚类算法slic将输入图像分割300～400个超像素，得到slic中等超像素图像；查找第三步得到的凸包中所有像素位置对应的超像素，使用公式(3)更新第一步和第二步得到的显著性图中凸包外部超像素的显著性值：

sout＝sout-α(3)

其中，sout表示凸包外部的超像素(不包括凸包边缘部分的超像素)；α＝0.5；

进而得到更新后的基于颜色直方图的显著性图s1，基于区域对比度的显著性图s2。

第五步，最终的显著性图s通过公式(4)来计算：

s＝βs1+(1-β)s2(4)

其中β＝0.4表示比例因子。

进一步地，第三步构建凸包表示图像中显著部分的具体方法为：

步骤1基于初始输入图像，采用harris算子计算兴趣点得到凸包c1；

步骤2使用第二步得到小超像素图像，计算每个超像素的颜色均值作为超像素中每个像素的颜色特征，将原图像模糊化，实现去掉图像中个别像素对兴趣点结果的影响；进而采用harris算子计算兴趣点得到凸包c2；

步骤3使用简单线性迭代聚类算法将输入图像分割40～60个超像素，得到大超像素图像c3；

步骤4将步骤1、2分别得到的凸包c1和c2与步骤3得到的大超像素图像c3取交集得到更加准确的凸包。

本发明的有益效果为：该方法使用颜色直方图来体现像素的颜色特征和细节特征，得到的显著性图效果较好，但是并没有考虑人类视觉注意力的因素；为了消除颜色直方图没有考虑人类视觉注意力的不足，添加图像中不同区域的空间效应来构建基于区域对比度的显著性图；通过兴趣点和图像分割来构建凸包，利用凸包来定位并更新基于颜色直方图的显著性图和基于区域对比度的显著性图，并将两种显著性图进行融合得到最终的显著性图，具有很高的准确性。

附图说明

图1是本发明方法的流程示意图；

图2(a)为输入待检测图片；

图2(b)为使用slic小超像素模糊化后的图像；

图2(c)为基于颜色直方图的显著性图；

图2(d)为基于区域对比度的显著性图；

图2(e)为对原始图像使用harris算子计算兴趣点得到的凸包；

图2(f)为对模糊化后的图像使用harris算子计算兴趣点得到的凸包；

图2(g)为slic大超像素图像；

图2(h)为原始图像得到的凸包，模糊化后的图像得到的凸包和slic大超像素取交集之后得到的凸包；

图2(i)为使用凸包更新基于颜色直方图的显著性图得到的结果；

图2(j)为使用凸包更新基于区域对比度的显著性图得到的结果；

图2(k)为本发明得到的最终显著性图；

图3(a)为使用gs算法得到的显著性图；

图3(b)为使用mr算法得到的显著性图；

图3(c)为使用sf算法得到的显著性图。

图3(d)为使用dsr算法得到的显著性图；

图3(e)为使用xl算法得到的显著性图；

图3(f)为真值。

具体实施方式

下面结合附图对本发明的实施方式进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例1

图1是本发明方法的流程示意图；图2(a)、图2(b)、图2(c)、图2(d)、图2(e)、图2(f)、图2(g)、图2(h)、图2(i)、图2(j)和图2(k)分别是输入的待检测图像、使用slic小超像素模糊化后的图像、基于颜色直方图的显著性图、基于区域对比度的显著性图、对原始图像使用harris算子计算兴趣点得到的凸包、对模糊化后的图像使用harris算子计算兴趣点得到的凸包、slic大超像素图像、原始图像得到的凸包，模糊化后的图像得到的凸包和slic大超像素取交集之后得到的凸包、使用凸包更新基于颜色直方图的显著性图得到的结果、使用凸包更新基于区域对比度的显著性图得到的结果、最终的显著性图。针对附图实现本发明的具体步骤为：

第一步，根据图像的颜色直方图构建基于颜色直方图的显著性图，像素的显著性值由公式(1)计算得到：

其中，si表示像素i的显著性值；n表示图像中的像素个数；pi表示像素i的颜色在图像中所占的比例；||ci,cj||表示像素i和像素j在lab颜色空间中的差异。

第二步，使用简单线性迭代聚类算法slic将输入图像分割850个超像素，得到slic小超像素图像，来表示图像的区域性，由于一幅图像中，图像的四条边附近更有可能是背景部分，所以根据每个超像素的颜色特征，将在图像四条边上的超像素分成3类；综合考虑图像中不同超像素之间的空间位置和颜色特征，使用公式(2)计算基于区域对比度的显著性图：

其中，si表示超像素i的显著性值；nk表示每个分类中超像素数量；di和dj是超像素i和j的坐标，||di,dj||是超像素i和j坐标的欧式距离；β1＝0.2；β2＝1.1；α＝8；||ci,cj||表示超像素i和超像素j在lab颜色空间中的差异。

第三步，构建凸包来表示图像中的显著部分；

a.采用harris算子计算兴趣点得到凸包c1。

b.使用第二步得到slic小超像素图像，计算每个超像素的颜色均值来作为超像素中每个像素的颜色特征，将原图像模糊化，实现去掉图像中个别像素对兴趣点结果的影响；进而采用harris算子计算兴趣点得到凸包c2。

c.使用简单线性迭代聚类算法slic将输入图像分割50个超像素，得到slic大超像素图像c3。

d.取c1,c2和c3的交集得到更加准确的凸包c。

下面说明根据兴趣点得到凸包的计算方法:

步骤1首先找到兴趣点集合中最右下方的兴趣点，即兴趣点中纵坐标最大的点，然后寻找相对于水平方向与这个兴趣点之间有最小的正向角度的兴趣点，用直线连接这两个兴趣点，该直线为凸包的一条边，并以找到的兴趣点为当前兴趣点继续寻找下一条边。

步骤2继续寻找与当前兴趣点在逆时针方向有最小的正向角的下一个兴趣点，用直线连接两个兴趣点，该直线为凸包的一条边，并以找到的兴趣点为当前兴趣点继续寻找凸包的下一条边。

步骤3判断当前兴趣点是否为算法最初取的最右下方的兴趣点，如果是则计算结束，凸包计算完成。否则，返回步骤2继续执行。

第四步，使用简单线性迭代聚类算法slic将输入图像分割350个超像素，得到slic中等超像素图像；查找第三步得到的凸包中所有像素位置对应的超像素，使用公式(3)更新第一步和第二步得到的显著性图中凸包外部超像素的显著性值：

sout＝sout-α(3)

其中，sout表示凸包外部的超像素(不包括凸包边缘部分的超像素)；α＝0.5；

第五步，假定基于颜色直方图的显著性图为s1，基于区域对比度的显著性图为s2，最终的显著性图s通过公式(4)来计算：

s＝βs1+(1-β)s2(4)

其中β＝0.4表示比例因子；s1表示基于颜色直方图的显著性图；s2表示基于区域对比度的显著性图；s是最终的显著性图；

本实施得到的最终显著图见图2(k)，图3(f)为本实施的真值结果，其中白色区域为显著性区域，图3(a),图3(b)，图3(c),图3(d)，图3(e)分别为gs算法，mr算法，sf算法，dsr算法与xl算法的显著性图。图2(k)与图3(f)，图3(a),图3(b)，图3(c),图3(d)，图3(e)比较发现，本实施例的最终显著图与理想显著图吻合，本发明具有良好的显著性检测效果，且显著性结果优于其他算法。