当前位置:首页 期刊杂志

基于颜色差异计算的图像显著性检测算法研究*

时间:2024-05-04

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。

免责声明

我们致力于保护作者版权,注重分享,被刊用文章因无法核实真实出处,未能及时与作者取得联系,或有版权异议的,请联系管理员,我们会立即处理! 部分文章是来自各大过期杂志,内容仅供学习参考,不准确地方联系删除处理!