基于视觉注意模型的感兴趣区域检测方法技术

本发明专利技术涉及一种基于视觉注意模型的感兴趣区域检测方法，涉及图像处理技术领域。本发明专利技术对Itti视觉模型进行改进，加入了视觉注意机制模拟人的视觉感知过程，增加弹标的运动信息，使得检测结果更符合人的生理特征，对复杂背景下导弹弹标类小目标的检测效果有了明显提高。

【技术实现步骤摘要】
基于视觉注意模型的感兴趣区域检测方法
本专利技术涉及图像处理
，具体涉及一种基于视觉注意模型的感兴趣区域检测方法。
技术介绍
人们往往对感兴趣的对象付诸更多的注意，这是由于视觉注意是有选择性的，称为视觉选择性，或视觉显著性。当面对复杂场景时，视觉系统能迅速将注意力集中在场景中的某些显著区域。感兴趣区(RegionsOfInterest，ROI)是人们观察和理解图像时产生兴趣、关注或注意的区域，即图像中最能引起人们兴趣，最能表现图像内容的区域。它注意机制应用中提出的重要概念。感兴趣区可以认为是图像中最显著(saliency)的像素集合，即显著点或兴趣点的集合。如何从一幅图像中自动的提取出感兴趣区，就是感兴趣区检测技术。感兴趣区检测，即显著性区域检测是利用计算机技术模拟人类视觉系统，使用视觉注意模型，提取图像的一些关键信息作为显著点，以显著点为中心的适当区域作为感兴趣区。感兴趣区域选择不是依靠场景区域的自身特征，而是依靠它与周围区域比较产生的相对特征，即视觉显著性。显著性强，被选为感兴趣区域。如何设计一种图像的感兴趣区检测方法，使得检测结果更符合人的生理特征成为亟待解决的技术问题。
技术实现思路
(一)要解决的技术问题本专利技术要解决的技术问题是：如何设计一种图像的感兴趣区检测方法，使得检测结果更符合人的生理特征。(二)技术方案为了解决上述技术问题，本专利技术提供了一种基于视觉注意模型的感兴趣区域检测方法，包括以下步骤：步骤一、建立多尺度图像结构一幅二维图像，在不同尺度下的尺度空间表示可由输入图像I(x,y)与高斯核G(x,y,σ)卷积得到：L(x,y,σ)＝G(x,y,σ)*I(x,y)(2)式(2)中，(x,y)代表图像的像素位置，σ称为尺度空间因子，其值越小则表征该图像被平滑的越少，相应的尺度也就越小，大尺度对应于图像的概貌特征，小尺度对应于图像的细节特征，L代表了图像的尺度空间；步骤二、初级视觉特征提取1、亮度特征提取如果是彩色视频图像，r、g、b分别表示图像中的红色、绿色和蓝色，则亮度计算公式为：I＝(r+g+b)/3(3)如果是灰度图像，则灰度特征直接选取每个像素的灰度值即可；2、颜色特征提取定义R、G、B、Y分别为红、绿、蓝、黄4个颜色通道，则：R＝r-(g+b)/2G＝g-(r+b)/2(4)B＝b-(r+g)/2Y＝(r+g)/2-(r-g)/2-b则RG和BY通道为：RG＝R-GB，Y＝B-(R+G)/2；3、方向特征提取方向特征用Gabor滤波器来进行提取：一维Gabor函数，即1D-Gabor函数：式中，σ为高斯函数的标准差，w0为复平面波的空间频率，x0为1D-Gabor函数的中心点坐标，其1D-Gabor函数的奇、偶分量的公式分别为：根据3σ原理，取l＝6σ/w0；二维Gabor函数，即2D-Gabor函数是在Gauss包络下的一个沿x轴的复变正弦波，二维Gabor函数表达式为：二维Gabor函数的实部和虚部分别为：θ是方向参数，σ越大能量越分散，越小越集中，有高频σh、低频σl两个中心频率；方向角θ的选择：θ＝0,30,60,90,120,150，滤波器窗口为32*32，共有24个Gabor滤波器；输入图像I(x,y)与Gabor小波核函数的卷积为：r(x,y)＝∫∫I(ε,η)g(x-ε,y-η)dεdη(8)Gabor小波变换后结果是复数，取复数的模||r(x,y)||的均值和方差作为小波变换的结果；选用θ＝0,30,60,90,120,150六个方向的Gabor滤波器输出作为方向特征，通过(7)式获得六个方向的Gaobr滤波器，然后用这些滤波器对高斯金字塔结构的每一层图像滤波，得到对应的六个方向上的特征映射图；4、运动特征提取运动特征包括运动速度与运动方向两类特征；1)运动矢量提取：采用背景减法来提取目标的运动矢量，通过计算图像中各像素点间的时域或空域上的关联性，以前一帧的背景为参考，计算当前帧的背景，然后将当前帧图像与其背景相减，得到差分图像，设第t帧图像为I(x,y,t)，对应的背景图像为B(x,y,t)，则差分图像为：2)运动特征提取：根据所述差分图像，得到相邻两帧图像中每个像素点的运动距离Dij(x,y)，将各像素的运动距离在0°、45°、90°和135°四个方向上投影，则得到各像素在四个运动方向上的运动距离，进而得到0°、45°、90°和135°四个方向的运动速度依次为：D0°(i,j)＝像素在x方向的分量D90°(i,j)＝像素在y方向的分量步骤三、特征图与显著图计算视觉注意模型的中央-周边操作是对中央层和周边层进行层间相减操作，即计算不同分辨率对应的大、小尺度的差，特征图E的数学表达式为：E(c,s)＝|E(c)ΘE(s)|(11)其中，Θ表示两个不同尺度图像的插值相减，即先对周边层进行插值，将像素数增至对应的中央层像素数后进行中央层和周边层的差操作，c代表中心尺度，s代表周边区域尺度，c∈{2,3,4}，即2、3、4层为中央层，s＝c+δ，尺度差δ∈{3,4}，即每个中央层对应的周边层为中央层的层数加3或4；根据式(11)求得灰度、颜色、方向和运动特征的特征图：灰度特征图：I(c,s)＝|I(c)ΘI(s)|(12)颜色特征图：RG(c,s)＝|(R(c)-G(c))Θ(G(s)-R(s))|BY(c,s)＝|(B(c)-Y(c))Θ(Y(s)-B(s))|(13)方向特征图：O(c,s,θ)＝|O(c,θ)ΘO(s,θ)|(14)运动特征图：Ds(c,s)＝|Ds(c)ΘDs(s)|D0°(c,s)＝|D0°(c)ΘD0°(s)|D45°(c,s)＝|D45°(c)ΘD45°(s)|(15)D90°(c,s)＝|D90°(c)ΘD90°(s)|D135°(c,s)＝|D135°(c)ΘD135°(s)|利用预设规格化算子N(·)将各类特征图进行融合，得到各类特征的显著图。灰度显著图：颜色显著图：方向显著图：运动速度显著图：运动方向显著图：⊕为预设融合算法，特征显著图进一步归一化，相加得到综合显著图：得到图像的综合显著图后，综合显著图中各位置互相竞争，获胜的位置成为注意焦点，构成感兴趣区域。优选地，步骤三中，将综合显著图输入Itti视觉模型中的胜者为王网络中，依次选择显著图中显著性最大的区域作为感兴趣区域。优选地，步骤三之后还包括通过Itti视觉模型中的返回抑制机制实现注意焦点的转移的步骤。优选地，w0＝1。(三)有益效果本专利技术对Itti视觉模型进行改进，加入了视觉注意机制模拟人的视觉感知过程，增加弹标的运动信息，使得检测结果更符合人的生理特征，对复杂背景下导弹弹标类小目标的检测效果有了明显提高。附图说明图1是基于Itti视觉注意模型的复杂地面图像检测结果图；其中(a)是原图，(b)是视觉注意模型的综合显著图，(c)是视觉注意检测结果；图2是本专利技术采用的改进视觉注意模型示意图；图3是本专利技术采用的多尺度图像结构示意图；图4是本专利技术的一维Gabor函数图形；图5是本专利技术的二维Gabor函数图形；图6是本专利技术的尺寸为4×6的Gabor滤波器组。具体实施方式为使本专利技术的目的、内容、和优点更加清楚，下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。本文档来自技高网...

【技术保护点】
一种基于视觉注意模型的感兴趣区域检测方法，其特征在于，包括以下步骤：步骤一、建立多尺度图像结构一幅二维图像，在不同尺度下的尺度空间表示可由输入图像I(x,y)与高斯核G(x,y,σ)卷积得到：L(x,y,σ)＝G(x,y,σ)*I(x,y)   (2)式(2)中，(x,y)代表图像的像素位置，σ称为尺度空间因子，其值越小则表征该图像被平滑的越少，相应的尺度也就越小，大尺度对应于图像的概貌特征，小尺度对应于图像的细节特征，L代表了图像的尺度空间；步骤二、初级视觉特征提取1、亮度特征提取如果是彩色视频图像，r、g、b分别表示图像中的红色、绿色和蓝色，则亮度计算公式为：I＝(r+g+b)/3   (3)如果是灰度图像，则灰度特征直接选取每个像素的灰度值即可；2、颜色特征提取定义R、G、B、Y分别为红、绿、蓝、黄4个颜色通道，则：

【技术特征摘要】
1.一种基于视觉注意模型的感兴趣区域检测方法，其特征在于，包括以下步骤：步骤一、建立多尺度图像结构一幅二维图像，在不同尺度下的尺度空间表示可由输入图像I(x,y)与高斯核G(x,y,σ)卷积得到：L(x,y,σ)＝G(x,y,σ)*I(x,y)(2)式(2)中，(x,y)代表图像的像素位置，σ称为尺度空间因子，其值越小则表征该图像被平滑的越少，相应的尺度也就越小，大尺度对应于图像的概貌特征，小尺度对应于图像的细节特征，L代表了图像的尺度空间；步骤二、初级视觉特征提取1、亮度特征提取如果是彩色视频图像，r、g、b分别表示图像中的红色、绿色和蓝色，则亮度计算公式为：I＝(r+g+b)/3(3)如果是灰度图像，则灰度特征直接选取每个像素的灰度值即可；2、颜色特征提取定义R、G、B、Y分别为红、绿、蓝、黄4个颜色通道，则：Y＝(r+g)/2-(r-g)/2-b则RG和BY通道为：RG＝R-GB，Y＝B-(R+G)/2；3、方向特征提取方向特征用Gabor滤波器来进行提取：一维Gabor函数，即1D-Gabor函数：式中，σ为高斯函数的标准差，w0为复平面波的空间频率，x0为1D-Gabor函数的中心点坐标，其1D-Gabor函数的奇、偶分量的公式分别为：根据3σ原理，取l＝6σ/w0；二维Gabor函数，即2D-Gabor函数是在Gauss包络下的一个沿x轴的复变正弦波，二维Gabor函数表达式为：二维Gabor函数的实部和虚部分别为：θ是方向参数，σ越大能量越分散，越小越集中，有高频σh、低频σl两个中心频率；方向角θ的选择：θ＝0,30,60,90,120,150，滤波器窗口为32*32，共有24个Gabor滤波器；输入图像I(x,y)与Gabor小波核函数的卷积为：r(x,y)＝∫∫I(ε,η)g(x-ε,y-η)dεdη(8)Gabor小波变换后结果是复数，取复数的模||r(x,y)||的均值和方差作为小波变换的结果；选用θ＝0,30,60,90,120,150六个方向的Gabor滤波器输出作为方向特征，通过(7)式获得六个方向的Gaobr滤波器，然后用这些滤波器对高斯金字塔结构的每一层图像滤波，得到对应的六个方向上的特征映射图；4、运动特征提取运动特征包括运动速度与运动方向两类特征；1)运动矢量提取：采用...

【专利技术属性】
技术研发人员：徐振辉，毛保全，朱守瑞，白向华，杨雨迎，韩小平，吴东亚，冯帅，李程，张天意，辛学敏，郑博文，王之千，李俊，朱锐，李晓刚，兰图，
申请(专利权)人：中国人民解放军陆军装甲兵学院，
类型：发明
国别省市：北京,11