基于纹理特征和颜色特征融合的图像显著性检测方法技术

本发明专利技术公开了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，主要解决现有技术对于纹理特征利用不充分，对高纹理图像显著性检测效果较差的问题。其方案是：1)输入图像，并利用基于总变差模型的滤波方法去除纹理，得到含颜色特征的图像；2)对输入的图像，利用Gabor滤波器进行滤波，得到含图像纹理信息的图像；3)根据颜色特征的图像计算初步对比度值；4)根据纹理信息图像计算背景概率；5)对初步对比度值和背景概率进行融合得到新的对比度，进而得到基于颜色和纹理特征的显著图。本发明专利技术充分利用了图像的颜色和纹理信息，提高了复杂纹理图像的检测效果，可用于计算机视觉任务中。

Image saliency detection method based on texture feature and color feature fusion

The invention discloses a saliency image fusion detection method based on texture features and color features, mainly to solve the existing technology for texture features are not fully used, the high texture image saliency detection is the problem of the poor effect. The solution is: 1) the input image, and the filtering method of total variation model based on the removal of texture, image with color features; 2) the input image, filtered by Gabor filter, get the image with image texture information; 3) according to the color feature of the image contrast calculation of the initial value; 4) calculate the background probability according to the texture information of the image; 5) of the contrast and background probability fusion to get new contrast, then get the saliency map based on color and texture features. The invention takes full advantage of the color and texture information of the image, improves the detection effect of the complex texture image and can be used in the computer vision task.

【技术实现步骤摘要】
基于纹理特征和颜色特征融合的图像显著性检测方法
本专利技术属于图像检测
，特别是涉及一种图像显著性检测方法，可用于图像分割、目标识别、图像的自适应压缩、内容感知图像缩放和图像检索。
技术介绍
人们经常毫不费力地判断图像区域的重要性，并且把注意力集中在重要的部分。由于通过显著性区域可以优化分配图像分析时的计算资源，所以计算机检测图像的显著性区域具有重要意义。提取显著图被广泛用在许多计算机视觉应用中，包括对兴趣目标物体图像分割、目标识别、图像的自适应压缩、内容感知图像缩放和图像检索等。显著性源于视觉的独特性、不可预测性、稀缺性以及奇异性，而且它经常被归因于图像属性的变化，比如颜色、纹理和边界等。视觉显著性是通过包括认知心理学、神经生物学和计算机视觉在内的多学科研究出来的，与我们感知和处理视觉刺激密切相关。人类注意力理论假设人类视力系统仅仅详细处理了部分图像，同时保持其他的部分基本未处理。由Treisman和Gelade，Koch和Ullman进行的早期工作，以及随后由Itti，Wolfe等人提出的注意力理论提议将视觉注意力分为两个阶段：快速的、下意识的、自底向上的、数据驱动显著性提取；慢速的、任务依赖的、自顶向下的、目标驱动显著性提取。其中对于下意识的自底向上的显著性检测，其实现方法大多是基于生物学激励或者是纯粹的计算，还有部分方法兼顾上述两方面。这些方法利用低水平的处理来决定图像目标与它们周围的对比度，用到了像亮度、颜色和边缘这样的特征属性。自底向上的显著性检测方法速度快，符合人类视觉系统快速获取显著区域的视觉原理，所以基于纯计算的方法是目前研究比较多的方法。Ma等人于2003年提出一种基于局部对比度的方法获取显著图。Achanta等人于2008年对Ma等人的方法提出改进，提出了一种多尺度对比分析的显著性区域提取方法。然而在纯计算方法中，基于局部对比度的方法生成的显著图只在图像边缘具有较高的显著性，而不能均匀的突显整个目标物。此后Achanta等人于2009年提出了一种频率调谐的显著性方法。但是这种方法不适用于那些显著物体占据太多像素的图像。Achanta等人于2010年对2009年提出的方法进行了改进，提出了最大对称周边的显著性检测方法。该方法尽管解决了此前方法的问题，但是他没有考虑空间信息对显著性的影响。Cheng等人于2011年提出了基于全局对比度的显著性检测方法，该方法在计算对比度过程中考虑了空间信息的影响，取得了较为准确的显著性检测效果。Zhu等人于2014年提出了基于背景强健的显著性检测方法，通过引入不同区域的边界连接程度，提高了显著性区域的对比度，显著提高了显著性检测效果。上面提到的所有方法存在一个共同的问题是：没有考虑图像的纹理信息，而纹理信息则是反映图像内在性质的一个重要特征。Castleman等人认为，纹理是图像中一块区域像素灰度级的空间分布属性，这种空间结构的固有属性可通过邻域像素间的相关性刻画，同时也是一种不依赖于颜色或亮度变化来反映图像中同质现象的视觉特征，体现了物体表面的内在属性，上述方法由于缺失纹理特征，必然导致在处理高纹理图像时的质量下降。
技术实现思路
本专利技术的目的在于针对上述已有技术的不足，提出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，以提高显著性检测的准确率和召回率。为实现上述目的，本专利技术的实现步骤包括如下：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，包括如下步骤：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pi和第j个超像素pj，计算颜色距离dapp(pi,pj)1和空间距离dspa(pi,pj)；4)计算CIE-Lab颜色超像素图像SP3中第i个超像素pi的初步对比度Ctr(pi)，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pi和第j个超像素pj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pi和pj在最短路径的累积权重dgeo(p,q)；6)计算CIE-Lab纹理超像素图像SP4中第i个超像素pi的广度面积Area(pi)和pi边界连接函数为BndCon(pi)，根据这两个参数计算背景概率其中，σBC为比例系数，σBC∈[0.5,2.5]；7)用背景概率作为权值，对初步对比度Ctr(pi)进行加强，得到加强后的对比度ωCtr(pi)，利用该对比度ωCtr(pi)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pi和第j个超像素pj，计算颜色距离dapp(pi,pj)29)将第i个超像素pi和第j个超像素pj分别在CIE-Lab颜色超像素图像SP3中的颜色距离dapp(pi,pj)1在CIE-Lab纹理显著图SM4中的颜色距离dapp(pi,pj)2及背景概率进行线性融合，得到最终对比度ωCtr(pi)*，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。本专利技术与现有的技术相比具有以下优点：1.本专利技术充分利用了图像的纹理特征和颜色特征，提高了对图像基本信息的利用率，得到的显著图更符合人类的视觉注意模型。2.本专利技术充分考虑了应用范围，采用自底向上的图像显著性检测，不需要任何先验知识就能获取显著图；3.本专利技术利用SLIC对图像进行超像素分割，并针对超像素计算对比度，在提高计算效率的同时很好的保持了显著性区域的边缘信息，提高分割准确度。附图说明图1是本专利技术的实现流程图；图2是显著性目标为植物的图像；图3是显著性目标为动物的图像；图4是显著性目标为其它的图像；图5是本专利技术对显著性目标为植物的图像处理后得到的显著图；图6是本专利技术对显著性目标为动物的图像处理后得到的显著图；图7是本专利技术对显著性目标为其它的图像处理后得到的显著图；图8是本专利技术和现有多种显著性检测方法进行显著性检测后的平均错误率结果图；图9是本专利技术和现有多种显著性检测方法进行显著性检测后的准确率、召回率和综合正确率的结果图。具体实施方式参照图1，本专利技术基于纹理特征和颜色特征融合的图像显著性检测方法，其实现如下：步骤1：输入原始图像I，获取包含图像颜色信息的颜色超像素图像SP1。1a)输入原始图像I，本实例的原始图像为3幅，其中第1幅是图2所示的显著性目标为植物的图像，第2幅是图3所示的显著性目标为动物的图像，第3幅是图4所示的显著性目标为其它的图像；1b)用基于总变差模型的滤波器对上述图像进行滤波，得到去纹理图像本文档来自技高网...

【技术保护点】
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SP

【技术特征摘要】
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pi和第j个超像素pj，计算颜色距离dapp(pi,pj)1和空间距离dspa(pi,pj)；4)计算CIE-Lab颜色超像素图像SP3中第i个超像素pi的初步对比度Ctr(pi)，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pi和第j个超像素pj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pi和pj在最短路径的累积权重dgeo(pi,pj)；6)计算CIE-Lab纹理超像素图像SP4中第i个超像素pi的广度面积Area(pi)和pi边界连接函数为BndCon(pi)，根据这两个参数计算背景概率其中，σBC为比例系数，σBC∈[0.5,2.5]；7)用背景概率作为权值，对初步对比度Ctr(pi)进行加强，得到加强后的对比度ωCtr(pi)，利用该对比度ωCtr(pi)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pi和第j个超像素pj，计算颜色距离dapp(pi,pj)29)将第i个超像素pi和第j个超像素pj分别在CIE-Lab颜色超像素图像SP3中的颜色距离dapp(pi,pj)1在CIE-Lab纹理显著图SM4中的颜色距离dapp(pi,pj)2及背景概率进行线性融合，得到最终对比度ωCtr(pi)*，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：，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dapp(pi,pj)1和空间距离dspa(pi,pj)，按...

【专利技术属性】
技术研发人员：冯冬竹，余航，杨旭坤，许多，何晓川，戴浩，刘清华，许录平，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61