CN103106672B - 一种基于颜色特征的图像感兴趣区域检测方法 - Google Patents

Abstract

本发明涉及一种基于颜色特征的图像感兴趣区域检测方法，其特征在于：首先，同时考虑了Lab和对抗色两个颜色空间，同时考虑了每个像素点与多尺度邻域差值问题，这样既考虑图像的整体特征又考虑图像的局部特征。运用信息熵作为衡量显著图的检测效果，首先运用信息熵找到每个颜色通道中的最优三个邻域尺度，然后用信息熵找到最优三个颜色通道，并且运行信息熵组合每步得到的最优显著图。这样既考虑图像的整体特征又考虑图像的局部特征。接着运用信息熵分步组合得到的最优显著性分布图。

Description

一种基于颜色特征的图像感兴趣区域检测方法

技术领域

本发明属于数字图像处理领域，具体涉及一种基于颜色特征的图像感兴趣区域检测方法。

背景技术

随着信息技术的发展，尤其是电子产品的日益革新，数码相机在日常生活中得到极大的普及，图像的获取越来越易。图像数据的高速增长带来一些新的问题，如图像压缩，传输，存储，浏览，检索，组织和图像数据挖掘等。这需求对计算机信息处理效率提出了越来越高的要求。在人类视觉注意机制中，任务所关心的内容通常仅是整幅图像中很小的一部分。将所有的数据同等对待是不符合人类视觉特点。如何在计算机图像信息处理中模拟和实现人类的选择性注意机制，快速找到那些容易引起观察者注意的图像区域，形成一个合理的计算资源分配方案，引导整个图像信息处理过程，使计算机具有类似人类的选择性和主动性的图像信息处理能力，对提高计算机图像信息处理效率将具有重大意义。

颜色是影响人类视觉***的最重要的因素，Lab颜色空间是与设备无关的颜色模型，最接近人类的视觉，因此我们首先考虑Lab颜色空间，同时我们又考虑对抗色颜色空间，红绿对抗色及蓝黄对抗色更能体现出图像的颜色差异。我们考虑了每个像素点与多尺度邻域差值问题，这样既考虑图像的整体特征又考虑图像的局部特征。多个颜色通道得到多个特征图，而特征图的融合是显著性研究的必要步骤，选取所有通道的特征图会增大计算量，并且效果不好的显著图会降低最终的感兴趣区域的检测质量，因此，我们选取一部分效果较好的显著图融合到达最终显著图。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于颜色特征的图像感兴趣区域检测方法，快速有效的检测出图像中的符合人类视觉特点的感兴趣目标。

技术方案

一种基于颜色特征的图像感兴趣区域检测方法，其特征在于步骤如下：

步骤1：将原始输入图像由RGB颜色空间转化为四色宽频颜色空间RGBY，转化方法为：

$R=r-\frac{g+b}{2}$

$G=g-\frac{r+b}{2}$

$B=b-\frac{r+g}{2}$

$Y=\frac{r+g}{2}-\left|\frac{r-g}{2}\right|-b$

其中：r,g,b分别表示RGB颜色空间中的红、绿、蓝颜色通道，R,G,B,Y分别表示得到RGBY颜色空间中的红、绿、蓝、黄颜色通道；

步骤2：计算亮度I＝(r+g+b)，红绿对抗色RG＝|R-G|，蓝黄对抗色BY＝|B-Y|，分别得到亮度、红绿对抗色及蓝黄对抗色三个通道I,RG,BY；

步骤3：将原始输入图像转化为Lab颜色空间，得到L,a,b颜色通道；

步骤4：计算6个颜色通道中每个点(x,y)的两个方形邻域内的像素均值mean_N_1i(x,y)和mean_N_2i(x,y)，i∈{I,RG,BY,L,a,b}；

其中：mean_N_1i(x,y)和mean_N_2i(x,y)分别表示在颜色通道i中点(x,y)处的大小为N₁×N₁和N₂×N₂的方形邻域内像素均值；

步骤5：计算6个颜色通道显著性特征：

C_i(x,y)＝|mean_N_1i(x,y)-mean_N_2i(x,y)|，i∈{I,RG,BY,L,a,b}

其中：C_i(x,y)表示在颜色通道i中点(x,y)处的显著性特征；

步骤6：依次在N₁取值N₁₁,N₁₂，依次在N₂取值N₂₁,N₂₂,…,N_2m，重复步骤5在每个颜色通道可得到2m个显著特征图；

步骤7：特征图归一化后，计算特征图的信息熵得：

$H\left(C_{ij}\right(x,y))=-\underset{x=1}{\overset{n}{\Σ}}\underset{y=1}{\overset{n}{\Σ}}{\mathrm{gC}}_{ij}(x,y)log\left({\mathrm{gC}}_{ij}\right(x,y)),$ i∈{I,RG,BY,L,a,b}，j＝1,2,…,2m

其中：C_ij(x,y)是i颜色通道第j个显著图，g是一个高斯低通滤波器；

步骤8：在各颜色通道的2m个显著特征图，分别取信息熵最小的三个显著特征图Optimalmap_i1，Optimalmap_i2，Optimalmap_i3，i∈{I,RG,BY,L,a,b}；

步骤9：将Optimalmap_i1，Optimalmap_i2和Optimalmap_i3归一化并组合，得到i颜色通道显著性特征：

${\mathrm{Smap}}_i=\underset{j=1}{\overset{3}{\Σ}}{w}_{ij}{\mathrm{Optimalmap}}_{ij},$

其中： $w_{ij}=\frac{1}{H\left({\mathrm{Optimalmap}}_{ij}\right)\×\underset{j=1}{\overset{3}{\Σ}}\frac{1}{H\left({\mathrm{Optimalmap}}_{ij}\right)}}$ 为特征融合权系数；

步骤10：重复步骤8和9的方法，求出信息熵最小的三个颜色通道，并对归一化组合得到图像感兴趣区域的最终显著图。

有益效果

本发明提出的一种基于颜色特征的图像感兴趣区域检测方法，首先，同时考虑了Lab和对抗色两个颜色空间，同时考虑了每个像素点与多尺度邻域差值问题，这样既考虑图像的整体特征又考虑图像的局部特征。运用信息熵作为衡量显著图的检测效果，首先运用信息熵找到每个颜色通道中的最优三个邻域尺度，然后用信息熵找到最优三个颜色通道，并且运行信息熵组合每步得到的最优显著图。这样既考虑图像的整体特征又考虑图像的局部特征。接着运用信息熵分步组合得到的最优显著性分布图。

附图说明

图1：本发明方法的基本流程图

具体实施方式

现结合实施例、附图对本发明作进一步描述：

用于实施的硬件环境是：AMDAthlon64×25000+计算机、2GB内存、256M显卡，运行的软件环境是：Matlab2010a和WindowsXP。我们用Matlab软件实现了本发明提出的方法。

本发明具体实施如下：

1：将输入图像的大小调整为128×128；

2：将输入图像转化为Lab颜色空间，得到三个颜色通道L,a,b；

3：将图像转化为rgb颜色空间，r，g，b分别表示红绿蓝三个颜色通道，计算

$R=r-\frac{g+b}{2}$

$G=g-\frac{r+b}{2}$

$B=b-\frac{r+g}{2}$

$Y=\frac{r+g}{2}-\left|\frac{r-g}{2}\right|-b$

得到RGBY颜色空间；

4：计算亮度I＝(r+g+b)，计算对抗色RG＝|R-G|，BY＝|B-Y|，得到另外三个通道I,RG,BY；

5：计算6个颜色通道中每个点(x,y)的两个方形邻域内的像素均值，两个邻域的大小为N₁×N₁和N₂×N₂；

6：计算6个颜色通道显著性特征

C(x,y)＝|mean_N₁-mean_N₂|，

其中：mean_N₁和mean_N₂分别表示点(x,y)处的大小为N₁×N₁和N₂×N₂的方形邻域内像素均值，

7：N₁依次取值3和5，N₂依次取值128,64,32,16，运用步骤6每个颜色通道可得到8个显著特征图，共得48个显著图；

8：特征图归一化后，计算特征图的信息熵得

$H\left(C_{ij}\right(x,y))=-\underset{x=1}{\overset{n}{\Σ}}\underset{y=1}{\overset{n}{\Σ}}{\mathrm{gC}}_{ij}(x,y)log\left({\mathrm{gC}}_{ij}\right(x,y)),$ i∈{I,RG,BY,L,a,b}，j＝1,2,…,8

其中：C_ij(x,y)是i颜色通道第j个显著图，g是一个高斯低通滤波器；

9：在各颜色通道的8个显著特征图中，分别取信息熵最小的三个显著特征图Optimalmap_i1，Optimalmap_i2，Optimalmap_i3，i∈{I,RG,BY,L,a,b}；

10：将Optimalmap_i1，Optimalmap_i2和Optimalmap_i3归一化并组合，得到i颜色通道显著性特征

${\mathrm{Smap}}_i=\underset{i=1}{\overset{3}{\Σ}}{w}_{ij}{\mathrm{Optimalmap}}_{ij},$

其中：

$w_{ij}=\frac{1}{H\left({\mathrm{Optimalmap}}_{ij}\right)\×\underset{j=1}{\overset{3}{\Σ}}\frac{1}{H\left({\mathrm{Optimalmap}}_{ij}\right)}}$ 为特征融合权系数；

11：在6个颜色通道的显著特征图中，分别取信息熵最小的三个显著特征图OptimalSmap₁,OptimalSmap₂,OptimalSmap₃；

10：将OptimalSmap₁,OptimalSmap₂,OptimalSmap₃归一化并组合，得到最终显著图

$Smap=\underset{i=1}{\overset{3}{\Σ}}{w}_{ij}{\mathrm{OptimalSmap}}_i,$

其中：

$w_{ij}=\frac{1}{H\left({\mathrm{OptimalSmap}}_i\right)\×\underset{j=1}{\overset{3}{\Σ}}\frac{1}{H\left({\mathrm{OptimalSmap}}_i\right)}}$ 为特征融合权系数。

Claims (1)

1.一种基于颜色特征的图像感兴趣区域检测方法，其特征在于步骤如下：

步骤1：将原始输入图像由RGB颜色空间转化为四色宽频颜色空间RGBY，转化方法为：

，

，

，

，

其中：r,g,b分别表示RGB颜色空间中的红、绿、蓝颜色通道，R,G,B,Y分别表示得到RGBY颜色空间中的红、绿、蓝、黄颜色通道；

步骤2：计算亮度I＝(r+g+b)，红绿对抗色RG＝|R-G|，蓝黄对抗色BY＝|B-Y|，分别得到亮度、红绿对抗色及蓝黄对抗色三个通道I,RG,BY；

步骤3：将原始输入图像转化为Lab颜色空间，得到L,a,b颜色通道；

步骤4：计算6个颜色通道中每个点(x,y)的两个方形邻域内的像素均值mean_N_1i(x,y)和mean_N_2i(x,y)，i∈{I,RG,BY,L,a,b}；

其中：mean_N_1i(x,y)和mean_N_2i(x,y)分别表示在颜色通道i中点(x,y)处的大小为N₁×N₁和N₂×N₂的方形邻域内像素均值；

步骤5：计算6个颜色通道显著性特征：

C_i(x,y)＝|mean_N_1i(x,y)-mean_N_2i(x,y)|，i∈{I,RG,BY,L,a,b}，

其中：C_i(x,y)表示在颜色通道i中点(x,y)处的显著性特征；

步骤6：依次在N₁取值N₁₁,N₁₂，依次在N₂取值N₂₁,N₂₂,…,N_2m，重复步骤5在每个颜色通道可得到2m个显著特征图；

步骤7：特征图归一化后，计算特征图的信息熵得：

i∈{I,RG,BY,L,a,b}，j＝1,2,…,2m，

其中：C_ij(x,y)是i颜色通道第j个显著图，g是一个高斯低通滤波器；

步骤8：在各颜色通道的2m个显著特征图，分别取信息熵最小的三个显著特征图Optimalmap_i1，Optimalmap_i2，Optimalmap_i3，i∈{I,RG,BY,L,a,b}；

步骤9：将Optimalmap_i1，Optimalmap_i2和Optimalmap_i3归一化并组合，得到i颜色通道显著性特征：

其中：为特征融合权系数；

步骤10：重复步骤8和9的方法，求出信息熵最小的三个颜色通道，并对归一化组合得到图像感兴趣区域的最终显著图。