基于颜色差异计算的图像显著性检测算法研究*

邵凯旋 童 林， 吴帮吕 杨文韬 祝 昆

（1.云南大学 昆明 650500）（2.六盘水师范学院 六盘水 553004）

1 引言

为适应复杂的自然环境，灵长类动物经过漫长的岁月洗礼，已经进化出了更加适应生存的视觉特性——视觉注意特性。随着21 世纪移动互联网的兴起，越来越多的视觉图像类信息急需处理，显著性检测技术的研究价值越发凸显。显著性检测即通过模仿灵长类动物的这种视觉特性，快速地提取图像中的显著部分。显著性检测作为计算机视觉的重要组成部分，已经被大量应用于图像的检索、压缩［1～2］等众多领域。

自1998 年，Itti 等［3］受生物学启发，提出较早的显著性模型后，显著性研究逐渐进入人们的视线。文献［4］基于局部对比，计算单个感知在不同邻域上的差值，来得到最终结果。文献［5］首先量化颜色通道，通过计算颜色差值、分配显著度来得到最终的显著图，该算法准确性较高。文献［6］在条件随机场框架下，对多个特征进行融合来得到最终显著图，准确性较高。文献［7］引入元胞思想，提出一种基于元胞自动机的更新机制，检测结果较为理想。文献［8］通过模仿人类视觉系统的抑制特性，对各颜色通道采取除法归一化，生成最终结果图。为提升背景的抑制效果，更加凸显目标区域。本文从前景预测角度分析研究，引入颜色权重思想，在Lab 伪彩色空间域进行差值计算，最后优化来得到最终显著图，通过多个方面的对比实验，充分说明本文算法的准确率更高，效果更好。

2 本文方法

本文主要实验步骤如下所示。

步骤1：首先将输入图像由RGB 颜色空间域转至Lab 伪彩色域，同时考虑计算效率，采用SLIC超像素分割算法对图像进行预处理。

步骤2：依据图像的整体差异性，确定前景预选区域。以该区域内超像素通道值作为参照点，计算各超像素显著值，从而得到初步显著图。

步骤3：确定颜色视觉中心，构建超像素颜色权重信息，增大显著目标与图像整体的差异性，对于部分显著值计算结果较小的超像素予以舍弃，得到最终显著图。

2.1 图像预处理

首先对输入的原始图像进行平滑滤波处理，将原始图像转至Lab 伪彩色域。其次为降低计算复杂度，参考文献［9］依据主要式（1）对图像进行SLIC 超像素分割。

其中D′定义为分割总体距离，dc、ds分别表示颜色、位置的欧式距离。m、n为自适应调节参数。同时记录每一超像素通道信息值为Li,ai,bi，分割效果如下所示。

图1 自然图像和超像素分割图

2.2 确定前景预选区域

对于一幅自然图像来讲，图像颜色对比度越大，区域独特性越高，其相应显著性越高。如何更好地确定前景预选区域是影响最终结果的关键所在。文献［10］通过直接匡取图像中心区域作为前景域选区域的方法，计算结果误差较大，检测结果不理想；文献［11］通过引入适当的凸包区域来确定前景区域，实验结果较好，但计算速度较慢。考虑到上述做法的局限性，这里本文通过均值计算的方法提取前景域选区域，可以在保证计算速度的同时尽可能准确地确定前景域选区域。

在记录各超像素通道信息值后，计算三个通道下的均值作为该通道下的参照值，记为ML,Ma,Mb，根据超像素各通道信息值与参照值的差异性，定义各超像素其显著值为Si，计算公式参考如下：

根据计算公式生成相应结果图如图2（a）所示。同时根据计算结果显示，若任一超像素显著值越大，该超像素越可能为前景区域。这里在计算得到Si后，通过设定阈值，舍去小于均值计算结果的超像素。以剩余部分作为前景预选区域记为G0，得到G0区域如图2（b）所示。

图2 均值计算结果和前景预选区域

2.3 前景差异计算

其中Lj,aj,bj分别表示G0区域内第j 个超像素的通道信息值，这里权重参数α、β、γ取值为1、2.55、2.55。当i=j时，该超像素显著值为其本身通道信息值与其他超像素通道信息差值。根据计算结果生成显著图如图3所示。

图3 初步显著图

2.4 视觉中心及颜色权重优化

在艺术创作领域，视觉中心一般理解为以构图、色彩等画面元素所构成画面的主要元素［13～14］。众多绘画大师除了将绘画中心尽可能地放在显眼的位置上外，还会从色彩元素方面考虑，通过选取明亮、刺激的色彩，以凸显绘画主旨，更加意味深长。本文借鉴“视觉中心”的构画思想，将显著颜色作为视觉中心点，根据颜色权重重新定义显著值。

本文利用前景预选区域内的超像素作为参考指标，以计算各通道颜色均值信息M0作为视觉中心点参考值。高亮M0所在区域。如果任一超像素其通道信息值越接近视觉中心值，则越可能为显著区域，相反地如果差值越大，则越可能为背景，依次构造高亮梯度，得到颜色权重信息值。计算公式如下所示：

图4 最终显著图

3 实验结果对比分析

3.1 主观对比分析

本文实验选取公开数据库MSRA-1000 为测试集［15］，与目前主流算法SR 算法［16］、MZ 算法［17］、MSS算法［18］、SEG算法［19］、SUN算法［20］、HC算法［5］进行比较，随机选取部分实验结果如图5 所示。其中SR算法背景噪声抑制效果较好，但显著目标模糊不清，检测效果较差；MZ算法虽然可以检测出显著区域的轮廓信息，但其目标区域内部效果偏暗，检测效果一般；MSS 算法、SEG 算法其目标区域较为准确，但整体不够高亮，同时伴有不同程度的噪声干扰；SUN算法得到的显著图目标区域与背景的区分度不足，同时存在背景高亮而目标区域较暗的情况，检测效果一般；HC 算法整体效果较好，但同样需要进一步抑制噪声干扰。本算法得到的显著图，其目标区域较为准确、高亮，同时背景噪声更少，整体效果较为理想。

图5 算法对比结果

3.2 客观对比分析

仅由视觉直观对比算法结果的优略，不足以证明本文方法的有效性，这里本文通过引入客观对比实验来进一步证明本文算法的优越性，常见的客观评价指标主要包括PR曲线、F-measure值以及平均绝对误差（MAE）。

1）PR曲线

设定可变参数t，(t∈[0,255])，计算不同阈值下的准确率（Precision）、召回率（Recall），以Recall，Precision为横纵坐标轴依次绘制各算法PR曲线如图6所示。计算公式如下：

图6 PR曲线对比

由图6 可以直观看出，本文算法曲线与HC 算法曲线存在部分交叉，但整体准确性较高，同比高于其他五种算法曲线。

2）F-measure值、平均绝对误差（MAE）

F-measure 常用来反应算法的综合性能，F-measure值（Fβ）计算公式如下：

由表1 结果可以得出本文算法F-measure 计算结果为0.7786，高于其他算法结果；而平均绝对误差（MAE）计算结果为0.1351，同比低于其他算法。

表1 准确率，召回率，Fβ，平均绝对误差，计算结果

3）计算速度比较

表2 计算速度比较

其中Ours400 一栏表示超像素分割数为400时，本文算法计算时间为0.451，由表可以看出本算算法计算速度与HC 算法相差不大，整体计算速度较快。虽然频域SR 算法的计算速度更快，但最终生成的显著图效果较差。综合上述视觉直观对比以及本节各项评价指标分析对比，充分证明了本文算法的有效性。

4 结语

本文提出一种基于颜色信息加权的显著性算法。首先以SLIC 超像素分割对图像进行分割处理，依据全局对比计算确定前景预选区域，以前景预选区域为参考指标，进行各通道差值计算，得到初步显著图，再结合颜色权重思想，构建显著梯度，得到最终结果图。相比于其他主流算法，本文算法可以更好地去除背景干扰，得到显著目标更加高亮、准确。