一种基于幅度谱分析的显著目标检测方法技术

本发明专利技术公开了一种基于幅度谱分析的显著目标检测方法，其中，包括以下步骤：得到的图像提取亮度特征I、拮抗特征RG和拮抗特征BY；这三种特征图通过四元数傅里叶变换转换到频域中，得到图像的幅度谱、相位谱和本征轴谱；利用图像签名算子检测图像中显著目标的尺寸和显著目标的中心位置；通过利用幅度谱最优滤波尺度与显著目标尺寸之间特定的关系，获得的不同显著目标对应的最优滤波尺度，分别对图像的幅度谱进行不同尺度的高斯滤波；根据中央偏见高斯分布和显著目标位置确定每个显著目标所对应最优显著图的权重值，获得的不同显著图进行自适应高斯权重融合，计算融合后的显著图；将融合后的显著图进行高斯滤波操作；显著度值进行归一化后得到最终显著图。本发明专利技术的方法能够快速有效的抑制背景，均匀的突出显著目标，更多的保留图像的显著信息。

【技术实现步骤摘要】

本专利技术属于图像处理
，具体涉及一种基于幅度谱分析的显著目标检测方法。
技术介绍
随着计算机科学技术的发展，视觉注意计算模型逐渐成为计算机视觉及图像处理研究者感兴趣的热点，并越来越多的应用到计算机视觉领域，如图像分割、目标识别、图像重定向及视频压缩等。视觉注意在计算机领域的研究被称为显著性检测。目前，有关显著性检测的研究可以大致分为两类：注视焦点预测和显著性目标检测。注视焦点预测旨在通过计算显著图来模拟人眼观测点。在Koch与Ullman提出的特征融合理论和神经生物学框架(KochC,UllmanS.Shiftsinselectivevisualattention:Towardstheunderlyingneuralcircuitry.MattersofIntelligence.SpringerNetherlands,1987:115–141.)的启发下，Itti等人建立了第一个自底向上的显著性检测计算模型(IttiL,KochC,NieburE.Amodelofsaliency-basedvisualattentionforrapidsceneanalysis.IEEETransactionsonPatternAnalysisandMachineIntelligence,1998,20:1254–1259.)。该模型利用线性滤波的方法提取图像的颜色、亮度和方向等特征得到多尺度的特征图高斯金字塔，通过中央周围差和归一化算子获得特征显著图，然后将这些特征显著图通过线性融合机制融合成显著图，采用赢者全取的策略支配视觉焦点的转移。该模型较为完整的模拟了视觉注意机制，在计算机显著性检测领域具有里程碑的作用。注视焦点模型获得了很大的改进和发展，但是预测的结果往往趋向于突显边缘和角点等纹理较密集的区域，而非整个目标，因此，该种模型应用性不高。显著目标检测是用来检测给定场景中最显著、最能引起人注意的整个物体，并将它完整的分割出来。Liu等人通过条件随机场将局部、区域和全局的显著目标特征融合起来(LiuT,SunJ,ZhengN,etal.Learningtodetectasalientobject.IEEEConferenceonComputerVisionandPatternRecognition,2007.1–8.)；Cheng等人提出了基于区域对比度的显著性检测方法(ChengM,ZhangG,MitraNJ,etal.Globalcontrastbasedsalientregiondetection.IEEEConferenceonComputerVisionandPatternRecognition,2011.409–416.)；最近，更多的研究方法关注于如何使得显著性检测结果更精确、更鲁棒，如判别区域特征融合的方法(JiangH,WangJ,YuanZ,etal.Salientobjectdetection:Adiscriminativeregionalfeatureintegrationapproach.IEEEConferenceonComputerVisionandPatternRecognition,2013.2083–2090.)、基于图的流型排序(YangC,ZhangL,LuH,etal.Saliencydetectionviagraph-basedmanifoldranking.IEEEConferenceonComputerVisionandPatternRecognition,2013.3166–3173.)以及分层的方法(YanQ,XuL,ShiJ,etal.Hierarchicalsaliencydetection.IEEEConferenceonComputerVisionandPatternRecognition,2013.1155–1162.)等，尽管显著目标检测的精度越来越高，但在处理的过程中特征选择越来越多、算法越来越复杂，使得计算量越来越大，因此，不便于进行实时性处理。为了更为简单、快速、有效并且不依赖于分类或其他先验知识，频域显著性检测吸引了越来越多人的研究。Hou和Zhang首先将显著性检测引入到频域中，提出了谱剩余的显著性检测算法(HouX,ZhangL.Saliencydetection:Aspectralresidualapproach.IEEEConferenceonComputerVisionandPatternRecognition,2007.1–8.)，Guo等人认为去掉幅度谱，只保留相位谱就可以恢复出图像的显著图而无需利用剩余谱(GuoC,MaQ,ZhangL.Spatio-temporalsaliencydetectionusingphasespectrumofquaternionfouriertransform.IEEEConferenceonComputerVisionandPatternRecognition,2008.1–8.)，得出的结果跟SR算法的几乎一样。之后，频域显著性模型又得到了更多的扩展，如脉冲主成分分析的脉冲离散余弦变换模型和频域分解归一化模型(BianP,ZhangL.Visualsaliency:Abiologicallyplausiblecontourlet-likefrequencydomainapproach.CognitiveNeurodynamics,2010,4:189–198.)。以上方法取得了一定的效果，但是他们仅仅可以检测出边缘、纹理复杂的较小区域，对于目标较大的区域检测效果并不理想。最近，Li等人提出了基于谱尺度空间的显著性检测算法(LiJ,LevineMD,AnX,etal.Visualsaliencybasedonscale-spaceanalysisinthefrequencydomain.IEEETransactionsonPatternAnalysisandMachineIntelligence,2013,35:996–1010.)在一定程度上解决了这个问题，但由于利用熵值选择单一显著图的方法，一方面造成显著区域突显不均匀，另一方面会丢失许多显著性信息。鉴于这种技术缺陷，需要提供一种基于幅度谱分析的显著目标检测方法，该方法能够快速有效的抑制背景，均匀的突出显著目标，更多的保留图像的显著信息。
技术实现思路
本专利技术的目的在于克服现有技术中的缺陷，提供一种基于幅度谱分析的显著目标检测方法，该方法能够快速有效的抑制背景，均匀的突出显著目标，更多的保留图像的显著信息。为达到上述目的，本专利技术提供一种基于幅度谱分析的显著目标检测方法，其中，包括以下步骤：S1：将大小为M×N的原图像转化大小为m×n的图像；S2：对步骤S1得到的图像提取其三种特征，包括亮度特征I、拮抗特征RG和拮抗特征BY；S3：对步骤S2中的三种特征图通过四元数傅里叶变换转换到频域中，得到图像的幅度谱、相位谱和本征轴谱；S4：利用图像签名算子检测图像中显著目标的尺寸和显著目标的中心位置；S5：通过利用幅度谱最优滤波尺度与显著目标尺寸之间特定的关系，获得的不同显著目标对应的最优滤波尺度，分别对图像的幅度谱进本文档来自技高网...

【技术保护点】
一种基于幅度谱分析的显著目标检测方法，其特征在于，包括以下步骤：S1：将大小为M×N的原图像转化大小为m×n的图像；S2：对步骤S1得到的图像提取其三种特征，包括亮度特征I、拮抗特征RG和拮抗特征BY；S3：对步骤S2中的三种特征图通过四元数傅里叶变换转换到频域中，得到图像的幅度谱、相位谱和本征轴谱；S4：利用图像签名算子检测图像中显著目标的尺寸和显著目标的中心位置；S5：通过利用幅度谱最优滤波尺度与显著目标尺寸之间特定的关系，获得的不同显著目标对应的最优滤波尺度，分别对图像的幅度谱进行不同尺度的高斯滤波；S6：将步骤S5中滤波后的幅度谱与步骤S3中的相位谱和本征轴谱进行四元数傅里叶反变换，得到不同显著目标所对应的最优显著图；S7：根据中央偏见高斯分布和显著目标位置确定每个显著目标所对应最优显著图的权重值，将S6获得的不同显著图进行自适应高斯权重融合，计算融合后的显著图；S8：将融合后的显著图进行高斯滤波操作；S9：对步骤S8得到的图像进行尺寸调整，将图像转化成大小为M×N的图像；S10：步骤S9中的显著度值进行归一化后得到最终显著图。

【技术特征摘要】
1.一种基于幅度谱分析的显著目标检测方法，其特征在于，包括以下步骤：S1：将大小为M×N的原图像转化大小为m×n的图像；S2：对步骤S1得到的图像提取其三种特征，包括亮度特征I、拮抗特征RG和拮抗特征BY；S3：对步骤S2中的三种特征图通过四元数傅里叶变换转换到频域中，得到图像的幅度谱、相位谱和本征轴谱；S4：利用图像签名算子检测图像中显著目标的尺寸和显著目标的中心位置；S5：通过利用幅度谱最优滤波尺度与显著目标尺寸之间特定的关系，获得的不同显著目标对应的最优滤波尺度，分别对图像的幅度谱进行不同尺度的高斯滤波；S6：将步骤S5中滤波后的幅度谱与步骤S3中的相位谱和本征轴谱进行四元数傅里叶反变换，得到不同显著目标所对应的最优显著图；S7：根据中央偏见高斯分布和显著目标位置确定每个显著目标所对应最优显著图的权重值，将S6获得的不同显著图进行自适应高斯权重融合，计算融合后的显著图；S8：将融合后的显著图进行高斯滤波操作；S9：对步骤S8得到的图像进行尺寸调整，将图像转化成大小为M×N的图像；S10：步骤S9中的显著度值进行归一化后得到最终显著图。2.根据根据权利要求1所述的基于幅度谱分析的显著目标检测方法，其特征在于，步骤S1中m和n的值分别为256和256。3.根据权利要求1所述的基于幅度谱分析的显著目标检测方法，其特征在于，步骤S4中显著目标尺寸和显著目标中心位置的获取步骤为：步骤1：利用图像签名算子对步骤S1的图像进行重构变换，...

【专利技术属性】
技术研发人员：郑海永，朱亚菲，赵红苗，姬光荣，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：山东;37