CN102542267B

CN102542267B - 结合空间分布和全局对比的显著区域检测方法

Info

Publication number: CN102542267B
Application number: CN 201110442240
Authority: CN
Inventors: 牛夏牧; 贺欣; 景慧昀; 李琼; 韩琦
Original assignee: Harbin Institute of Technology
Current assignee: Harbin Institute of Technology
Priority date: 2011-12-26
Filing date: 2011-12-26
Publication date: 2013-07-03
Anticipated expiration: 2031-12-26
Also published as: CN102542267A

Abstract

结合空间分布和全局对比的显著区域检测方法，属于显著性检测技术领域。它解决了现有的显著区域检测方法不考虑空间分布因素对区域显著性的影响，使显著性区域的判定效率低的问题。它将输入图像按照graph-cut图像分割方法进行分割，获得N个子图像区域；计算每个子图像区域r_k的空间分布显著值S_sd(r_k)；计算每个子图像区域r_k的全局对比显著值S_rc(r_k)；根据空间分布显著值S_sd(r_k)和全局对比显著值S_rc(r_k)，计算获得子图像区域r_k的显著值S(r_k)；将N个子图像区域的显著值S(r_k)按照从高到低的顺序进行标记，得到输入图像的显著区域，完成输入图像的显著区域检测。本发明适用于输入图像的显著区域检测。

Description

结合空间分布和全局对比的显著区域检测方法

技术领域

本发明涉及一种结合空间分布和全局对比的显著区域检测方法，属于显著性检测技术领域。

背景技术

人类视觉***能够从图像或视频中迅速检测到重要或者令人感兴趣的区域以降低运算量。众所周知，视觉显著性在使那些重要或令人感兴趣的区域从其周围环境中“凸显”出来，进而引起人类注意的过程中，起到了非常重要的作用。因此，显著性检测是视觉注意理论(visual attention)中不可缺少的重要组成部分。目前，视觉检测已经广泛应用于目标检测、图像裁剪、图像浏览以及图像/视频压缩等领域。

显著性检测主要分为两大类：自底向上显著性检测和自顶向下显著性检测。自底向上显著性检测方法指那些速度快、刺激驱动并且独立于场景中的知识的检测机制；而自顶向下显著性检测是指那些速度慢、目标导向并且需要先验知识的检测方法。

心理学研究表明，密集模式是一种典型的心理学模式。表现在视觉上，即空间分布密集的区域相比空间分布稀疏区域更加显著。然而现有的显著区域检测方法并没有考虑空间分布因素对区域显著性的影响，使得显著性区域的判定效率低。

发明内容

为了解决现有的显著区域检测方法不考虑空间分布因素对区域显著性的影响，使显著性区域的判定效率低的问题，提供一种结合空间分布和全局对比的显著区域检测方法。

本发明所述结合空间分布和全局对比的显著区域检测方法，它包括以下步骤：

步骤一：将输入图像按照graph-cut图像分割方法进行分割，获得N个子图像区域，N为大于或者等于2的整数；

步骤二：计算每个子图像区域r_k的空间分布显著值S_sd(r_k)，k表示子图像区域的序号，取值从1至N；

步骤三：计算每个子图像区域r_k的全局对比显著值S_rc(r_k)；

步骤四：根据步骤二和步骤三中获得的空间分布显著值S_sd(r_k)和全局对比显著值S_rc(r_k)，计算获得子图像区域r_k的显著值S(r_k)；

步骤五：将N个子图像区域的显著值S(r_k)按照从高到低的顺序进行标记，得到输入图像的显著区域，完成输入图像的显著区域检测。

所述步骤二中计算每个子图像区域r_k的空间分布显著值S_sd(r_k)的具体方法为：

首先，计算子图像区域r_k内所有像素点的坐标的x分量均值

和y分量均值

\overset{&OverBar;}{x_{r_{k}}} = \frac{Σ_{i = 1}^{M} x_{r_{k}}^{i}}{M},

\overset{&OverBar;}{y_{r_{k}}} = \frac{Σ_{i = 1}^{M} y_{r_{k}}^{i}}{M},

式中M为子图像区域r_k内像素点的总数，

为子图像区域r_k内第i个像素点的坐标的x分量，

为子图像区域r_k内第i个像素点的坐标的y分量，

然后，再根据x分量均值

和y分量均值

计算对应的x分量方差

和y分量方差

δ_{x}^{r_{k}} = \frac{Σ_{i = 1}^{M} {(x_{r_{k}}^{i} - \overset{&OverBar;}{x_{r_{k}}})}^{2}}{M},

δ_{y}^{r_{k}} = \frac{Σ_{i = 1}^{M} {(y_{r_{k}}^{i} - \overset{&OverBar;}{y_{r_{k}}})}^{2}}{M};

最后，根据x分量方差

和y分量方差

计算获得空间分布显著值S_sd(r_k)：

S_{sd} (r_{k}) = \frac{1}{δ_{x}^{r_{k}} + δ_{y}^{r_{k}}} = \frac{M}{Σ_{i = 1}^{M} ({(x_{r_{k}}^{i} - \overset{&OverBar;}{x_{r_{k}}})}^{2} + {(y_{r_{k}}^{i} - \overset{&OverBar;}{y_{r_{k}}})}^{2})} .

所述步骤三中计算每个子图像区域r_k的全局对比显著值S_rc(r_k)，采用公式：

S_{rc} (r_{k}) = \underset{r_{k} &NotEqual; r_{l}}{Σ} \exp (- D_{S} (r_{k}, r_{l}) / δ_{s}^{2}) ω (r_{l}) D_{r} (r_{k}, r_{l})

实现，

该求和公式中变量l表示子图像区域的序号，其取值从1至N，并且l≠k，

D_r(r_k，r_l)表示第k幅子图像区域r_k和第l幅子图像区域r_l之间的颜色距离，D_S(r_k，r_l)表示第k幅子图像区域r_k和第l幅子图像区域r_l之间的空间距离，ω(r_l)表示第l幅子图像区域r_l的权重，

表示第k幅子图像区域r_k和第l幅子图像区域r_l之间的空间距离所占权重。

所述步骤四中子图像区域r_k的显著值S(r_k)为：

S (r_{k}) = \frac{1}{2} (N (S_{ds} (r_{k})) + N (S_{rc} (r_{k}))),

其中N(□)是归一化操作。

本发明的优点是：本发明将空间分布和全局对比的显著区域检测结合在一起，用经图像分割后同一个区域内的像素空间位置的方差来计算其空间分布显著性，并将空间分布显著性和全局对比显著性线性的结合起来生成最终的显著图。

本发明方法将空间分布引入显著值计算过程中，计算空间分布显著性。同当前只基于全局对比的显著区域检测方法相比，对显著性区域的判定效果更好，而且该方法简单、易于实现并且高效。

附图说明

图1为本发明方法的流程图。

具体实施方式

具体实施方式一：下面结合图1说明本实施方式，本实施方式所述结合空间分布和全局对比的显著区域检测方法，它包括以下步骤：

步骤三：计算每个子图像区域r_k的全局对比显著值S_rc(r_k)；

本实施方式中，将经图像分割后同一个区域内的像素空间位置的方差作为衡量该区域的空间分布密集程度的标准。某个区域的像素空间位置方差越小，该区域的空间分布越密集。区域的空间分布越密集，该区域就越显著。也就是显著值S(r_k)越高的子图像区域r_k越显著。

具体实施方式二：本实施方式为对实施方式一的进一步说明，所述步骤二中计算每个子图像区域r_k的空间分布显著值S_sd(r_k)的具体方法为：

首先，计算子图像区域r_k内所有像素点的坐标的x分量均值

和y分量均值

\overset{&OverBar;}{x_{r_{k}}} = \frac{Σ_{i = 1}^{M} x_{r_{k}}^{i}}{M},

\overset{&OverBar;}{y_{r_{k}}} = \frac{Σ_{i = 1}^{M} y_{r_{k}}^{i}}{M},

式中M为子图像区域r_k内像素点的总数，

为子图像区域r_k内第i个像素点的坐标的x分量，

为子图像区域r_k内第i个像素点的坐标的y分量，

然后，再根据x分量均值

和y分量均值

计算对应的x分量方差

和y分量方差

δ_{x}^{r_{k}} = \frac{Σ_{i = 1}^{M} {(x_{r_{k}}^{i} - \overset{&OverBar;}{x_{r_{k}}})}^{2}}{M},

δ_{y}^{r_{k}} = \frac{Σ_{i = 1}^{M} {(y_{r_{k}}^{i} - \overset{&OverBar;}{y_{r_{k}}})}^{2}}{M};

最后，根据x分量方差

和y分量方差

计算获得空间分布显著值S_sd(r_k)：

S_{sd} (r_{k}) = \frac{1}{δ_{x}^{r_{k}} + δ_{y}^{r_{k}}} = \frac{M}{Σ_{i = 1}^{M} ({(x_{r_{k}}^{i} - \overset{&OverBar;}{x_{r_{k}}})}^{2} + {(y_{r_{k}}^{i} - \overset{&OverBar;}{y_{r_{k}}})}^{2})} .

本实施方式中将x分量的方差和y分量的方差之和作为衡量空间分布密集程度的标准。由于区域的空间分布越密集，该区域越显著，因此，将子图像区域r_k的x分量方差和y分量方差之和的倒数作为其空间分布显著值。

具体实施方式三：本实施方式为对实施方式二的进一步说明，所述步骤三中计算每个子图像区域r_k的全局对比显著值S_rc(r_k)，采用公式：

S_{rc} (r_{k}) = \underset{r_{k} &NotEqual; r_{l}}{Σ} \exp (- D_{S} (r_{k}, r_{l}) / δ_{s}^{2}) ω (r_{l}) D_{r} (r_{k}, r_{l})

实现，

具体实施方式四：本实施方式为对实施方式三的进一步说明，所述步骤四中子图像区域r_k的显著值S(r_k)为：

S (r_{k}) = \frac{1}{2} (N (S_{ds} (r_{k})) + N (S_{rc} (r_{k}))),

其中N(□)是归一化操作。

N(□)是表示将数据归一化到[0.1]，以便使最终得到的显著图的图像是灰度图。

Claims

1.一种结合空间分布和全局对比的显著区域检测方法，它包括以下步骤：

步骤三：计算每个子图像区域r_k的全局对比显著值S_rc(r_k)；

步骤五：将N个子图像区域的显著值S(r_k)按照从高到低的顺序进行标记，得到输入图像的显著区域，完成输入图像的显著区域检测；其特征在于：

首先，计算子图像区域r_k内所有像素点的坐标的x分量均值

和y分量均值

\overset{&OverBar;}{x_{r_{k}}} = \frac{Σ_{i = 1}^{M} x_{r_{k}}^{i}}{M},

\overset{&OverBar;}{y_{r_{k}}} = \frac{Σ_{i = 1}^{M} y_{r_{k}}^{i}}{M},

式中M为子图像区域r_k内像素点的总数，

为子图像区域r_k内第i个像素点的坐标的x分量，

为子图像区域r_k内第i个像素点的坐标的y分量，

然后，再根据x分量均值

和y分量均值

计算对应的x分量方差

和y分量方差

δ_{x}^{r_{k}} = \frac{Σ_{i = 1}^{M} {(x_{r_{k}}^{i} - \overset{&OverBar;}{x_{r_{k}}})}^{2}}{M},

δ_{y}^{r_{k}} = \frac{Σ_{i = 1}^{M} {(y_{r_{k}}^{i} - \overset{&OverBar;}{y_{r_{k}}})}^{2}}{M};

最后，根据x分量方差

和y分量方差

计算获得空间分布显著值S_sd(r_k)：

S_{sd} (r_{k}) = \frac{1}{δ_{x}^{r_{k}} + δ_{y}^{r_{k}}} = \frac{M}{Σ_{i = 1}^{M} ({(x_{r_{k}}^{i} - \overset{&OverBar;}{x_{r_{k}}})}^{2} + {(y_{r_{k}}^{i} - \overset{&OverBar;}{y_{r_{k}}})}^{2})};

S_{rc} (r_{k}) = \underset{r_{k} &NotEqual; r_{l}}{Σ} \exp (- D_{S} (r_{k}, r_{l}) / δ_{s}^{2}) ω (r_{l}) D_{r} (r_{k}, r_{l})

实现，

表示第k幅子图像区域r_k和第l幅子图像区域r_l之间的空间距离所占权重；

所述步骤四中子图像区域r_k的显著值S(r_k)为：

S (r_{k}) = \frac{1}{2} (N (S_{sd} (r_{k})) + N (S_{rc} (r_{k}))),

其中N(·)是归一化操作。