本发明专利技术属于图像显著图模型技术领域，具体为一种利用自然场景统计计算图像显著图的方法。本发明专利技术利用自然场景高斯尺度混合统计分布中的乘数随机变量来计算图像显著图，从而建立图像显著图模型。分析表明：本发明专利技术提出的显著图模型与视觉注意力选择机制具有较高的一致性，即能够在抑制重复出现的刺激同时，突出显著性较高的视觉刺激，从而更好地描述了图像对人眼视觉刺激的显著性分布。
【技术实现步骤摘要】
本专利技术属于图像显著图模型
，具体涉及利用自然场景高斯尺度混合统计分布中的乘数随机变量来计算图像显著图的方法。
技术介绍
视觉注意力(Visual Attention, VA)是人类视觉系统(Human Visual System, HVS)的一个重要机制。一般而言，人眼会在一个瞬间受到大量来自外界的视觉刺激，但是由于HVS中的处理资源有限，不同的视觉刺激之间会形成一个对处理资源的竞争关系。最终所有视觉刺激中信息量最大的刺激会赢得竞争，而其他刺激将受到抑制[1_2]。HVS正是利用这样的VA选择机制，充分利用有效的资源来处理大量视觉刺激，从而降低了对场景进行分析的复杂度[3]。在神经学与生物学领域，一些实验通过特定的设备记录观察者面对不同图像场景时的眼睛注视点情况，另一些实验则由观察者主动标示出不同图像场景中他们感兴趣的区域。这些实验的目的都是希望根据实验结果，研究HVS的VA机制。研究结果表明:一方面，图像中灰度变化大的地方会引起HVS更大的注意，包括纹理信息、边缘信息等等。另一方面，HVS对重复出现的冗余信息有一定的抑制作用，新颖的、不与周围重复的信息会引起HVS更多的关注。因此，我们称视觉刺激结构模板的出现次数越少的地方，显著性越大[3]。随着对VA机制研究的不断深入，一些研究结果已经应用到图像处理的问题之中，并带来了一些启发性的结果。但是在图像的实时处理中，通过实验获得人眼对不同图像的注视点分布是不现实的，需要建立可以模拟HVS性质的可计算VA模型，从而实现对视觉刺激显著性的预测。在这些模型中，最基本的为显著图模型，它用显著图(Saliency map)来描述HVS对场景中不同位置的注意程 度[1]。视觉注意力最基本的结论是1980年Treisman&Gelade在实验基础上提出的注意力特征整合理论[5]。1989年，Wolfe等提出了 Guided Search模型te],它用显著度映射图实现场景中目标的搜索。1985年，Koch&Ullman根据神经学理论建立了 VA模型框架[7]。经典的Itti&Koch显著图方法M在Koch&Ullman框架中，采用多尺度多通道来模型VA机制，提取相关特征，并通过融合来得到与HVS —致性较高的显著图。STB(Saliency ToolBox)方法结合视觉认知一致的理论，对Itti&Koch方法进行了改进。另外，文献[16]提出了一种基于图像傅里叶变换相位谱的显著图模型(PFT-based Saliency map, PFTSal),并且得到了广泛的认可[1] [4] [17]o近来，文献[14]提出了一种基于余弦变换的PCT (PulseDiscrete cosine Tranform)模型，该模型后又被文献[15]称为signature的图像描述子，他们的实验结果证实在这种描述子上建立的显著图模型(signature-based Saliencymap, signatureSal)与HVS的一致性较其它现存的显著图模型更高。其它一些工作包括基于信息理论的Bruce方法_，以及基于贝叶斯方法的SUN模型[12]与Surprise模型[13]坐寸ο本专利技术提出了一种自然场景统计显著图模型。它利用自然场景高斯尺度混合(GSM, Gaussian scale mixture)统计分布中的乘数随机变量来计算图像显著图。本专利技术显著图模型与VA机制具有较高的一致性。
技术实现思路
本专利技术的目的在于提供一种与人类视觉系统注意力视觉选择机制相一致的计算图像显著图的方法，从而建立图像显著图模型。本专利技术利用自然场景高斯尺度混合(Gaussian scale mixture, GSM)统计分布中的乘数随机变量来计算图像显著图，具体步骤如下:(I )设图像为灰度图像/m(teel e)，J2、C*别为图像的行、列数，对其进行小波系数变换，得到多个小波系数子带。(2)在每个小波系数子带内，对每个系数C选取合适的小波系数邻域，将小波系数邻域拉成小波系数邻域矢量c e E'其中M为邻域大小；根据自然场景统计(Natural Scene Statistics, NSS)模型的统计性质，自然图像的小波系数邻域矢量e e 能够用高斯尺度混合(Gaussian scale mixture, GSM)分布描述，即C = ffu,其中s为表征邻域矢量协方差变化的随机乘数，tt为零均值、协方差矩阵为Cu的高斯随机变量,因此,邻域矢量e的概率密度函数 ^(￡.〕表示为:本文档来自技高网...
【技术保护点】
一种计算图像显著图的方法，其特征在于利用自然场景高斯尺度混合统计分布中的乘数随机变量来计算图像显著图，具体步骤如下：?(1)?设图像为灰度图像????????????????????????????????????????????????，、分别为图像的行、列数，对其进行小波系数变换，得到多个小波系数子带；(2)?在每个小波系数子带内，对每个系数选取合适的小波系数邻域，将小波系数邻域拉成小波系数邻域矢量，其中为邻域大小；根据自然场景统计模型的统计性质，用高斯尺度混合分布描述自然图像的小波系数邻域矢量，即，其中，为表征邻域矢量协方差变化的随机乘数，为零均值、协方差矩阵为的高斯随机变量；(3)?计算高斯尺度混合分布乘数变量的最大似然估计结果为：???(1)假设，用的协方差矩阵代替，得到：??????(2)假设小波矢量为一个特征样本，那么的集合构成了图像的特征空间；与的Mahalanobis距离存在正比关系，即：???(3)是样本在特征空间显著性的有效描述，特征样本显著性越高，对应的值越大；相反，特征样本显著性越低，对应的值越小；?(4)?将所有小波系数子带所对应的显著性进行融合，能够得到完备的自然场景统计显著图NSSSal模型：?????(4)式中，表示尺度上不同方向的显著性描述的迭加；表示不同尺度的加，将所有尺度上的显著性描述插值到后相加，其中为高斯模糊核函数，它用于对显著图进行一定的平滑作用；(5)?将式(4)对灰度动态范围调整到，值越接近1的位置，就表示图像中对应区域显著性越大，比其他值小的地方更加容易吸引到人眼的注意；(6)?如果图像为RGB调制的彩色图像，对图像的灰度通道、红绿拮抗对通道与黄蓝拮抗对按照步骤(1)?(5)计算得到分别记为、与的显著图，则将这三者的加权平均作为该彩色图像的显著图，即：??(5)其中，、与分别为3个通道的权重，且有。2013101357628100001dest_path_image001.jpg,806136dest_path_image002.jpg,2013101357628100001dest_path_image003.jpg,313340dest_path_image004.jpg,2013101357628100001dest_path_image005.jpg,791726dest_path_image006.jpg,435197dest_path_image005.jpg,2013101357628100001dest_path_image007.jpg,366768dest_path_image008.jpg,2013101357628100001dest_path_image009.jpg,361269dest_path_image010.jpg,2013101357628100001dest_path_image011.jpg,440084dest_path_image012.jpg,2013101357628100001dest_path_image013.jpg,141324dest_path_image014.jpg,178550dest_path_image010.jpg,2013101357628100001dest_path_image015.jpg,722663dest_path_image013.jpg,605169dest_path_image013.jpg,957653dest_path_image016.jpg,103463dest_path_image013.jpg,2013101357628100001dest_path_image017.jpg,806977dest_path_image018.jpg,227594dest_path_image016.jpg,293639dest_path_image016.jpg,407089dest_path_image016.jpg,2013101357628100001dest_path_image019.jpg,535582dest_path_image020.jpg,759890dest_path_image008.jpg,2013101357628100001dest_path_image021.jpg,86966dest_path_image022.jpg,2013101357628100001dest_path_image023.jpg,699213dest_path_image024.jpg,...
【技术特征摘要】
1.一种计算图像显著图的方法，其特征在于利用自然场景高斯尺度混合统计分布中的乘数随机变量来计算图像显著图，具体步骤如下:(I )设图像为灰度图像GJKC分别为图像的行、列数，对其进行小波系数变换，得到多个小波系数子带； (2)在每个小波系数子带内，对每个系数f选取合适的小波系数邻域，将小波系数邻域拉成小波系数邻域矢量e E Mm，其中M为邻域大小；根据自然场景统计模型的统计性质，用高斯尺度混合分布描述自然图像的小波系数邻域矢量e E Rm ,即e = 5M ,其中。力表征邻域矢量协方差变化的随机乘数，m为零均值、协方差矩阵为匕的高斯随机变量； (3)计算高斯尺度混合分布乘数变量的最大似然估计结果为: I = C...
【专利技术属性】
技术研发人员：黄虹，张建秋，
申请(专利权)人：复旦大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。