本發(fā)明屬于圖像處理領(lǐng)域，特別涉及自然彩色圖像的顯著性檢測方法。

背景技術(shù)：

隨著移動(dòng)互聯(lián)網(wǎng)的高速發(fā)展，圖像，語音以及視頻等信息每天的產(chǎn)量是數(shù)以萬計(jì)。面對(duì)這些海量數(shù)據(jù)信息的日益增長，利用計(jì)算機(jī)系統(tǒng)來處理和分析顯得尤為重要。針對(duì)圖像及視頻這類信息的處理，如何快速準(zhǔn)確地從大量的視覺信息資源中找到并提取出與任務(wù)相關(guān)的那部分信息，也即視覺顯著性檢測問題，一直是計(jì)算機(jī)視覺和信息處理研究中的熱點(diǎn)之一。圖像顯著性檢測就是檢測出視覺場景中含有最多信息量，最能引起人眼關(guān)注的區(qū)域或目標(biāo)。最近幾年，圖像顯著性檢測在計(jì)算機(jī)視覺中占據(jù)越來越重要的地位，很多數(shù)字圖像處理問題中都會(huì)使用到顯著性檢測。研究表明視覺顯著性檢測與人類的視覺關(guān)注系統(tǒng)有很大的關(guān)系。視覺關(guān)注系統(tǒng)認(rèn)為，當(dāng)人們觀看場景時(shí)，人眼會(huì)先聚焦于關(guān)注焦點(diǎn)，接著會(huì)進(jìn)一步對(duì)關(guān)注焦點(diǎn)周圍的信息進(jìn)行分析和處理，并得到更多有關(guān)顯著性區(qū)域或目標(biāo)的信息，然后視覺關(guān)注系統(tǒng)會(huì)繼續(xù)搜索視覺場景，來判斷是否還有其他的關(guān)注焦點(diǎn)。圖像的顯著性區(qū)域指的是人類視覺系統(tǒng)最關(guān)注的圖像區(qū)域。視覺顯著性跟人類視覺系統(tǒng)如何感知和處理視覺刺激緊密相關(guān)。人類視覺系統(tǒng)通過對(duì)圖像中區(qū)域的顏色、紋理、形狀等特征信息處理，可以很容易地判斷圖像中的顯著性區(qū)域，并關(guān)注到圖像的重要部分。

顯著性檢測于上個(gè)世紀(jì)九十年代被首次提出，到現(xiàn)在已發(fā)展成為計(jì)算機(jī)視覺分析領(lǐng)域中的一個(gè)很重要的分支。最近幾年，越來越多的學(xué)者投入到視覺顯著性檢測的研究工作中來，涌現(xiàn)了大量的顯著性檢測方法，大致分為基于任務(wù)驅(qū)動(dòng)的自頂向下的方法和基于數(shù)據(jù)驅(qū)動(dòng)的自底向上的方法。自頂向下的方法需要一些特殊的先驗(yàn)知識(shí)；自底向上的方法不需要先驗(yàn)知識(shí)，主要通過局部和全局的特征對(duì)比來檢測出圖像的顯著性。由于自頂向下的方法需要一些先驗(yàn)知識(shí)，使得這種類型的顯著性檢測方法的計(jì)算速度通常較慢，而且正確性不高。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的缺點(diǎn)與不足，提供一種基于吸附模型的圖像顯著性檢測方法。該顯著性檢測方法是基于吸附模型的圖像顯著性檢測方法，算法實(shí)現(xiàn)效率高效，參照人工標(biāo)記的顯著性區(qū)域，提取的顯著性區(qū)域精確、完整，具有良好的視覺效果。

本發(fā)明的目的通過以下技術(shù)方案實(shí)現(xiàn)：一種基于吸附模型的圖像顯著性檢測方法，主要包括以下步驟：

s1、候選顯著性區(qū)域計(jì)算；使用fcm算法分別對(duì)cielab和ciehsv顏色空間上的l,a,b,h,s顏色通道進(jìn)行聚類，然后計(jì)算各個(gè)顏色通道上各個(gè)聚類的聚集度。根據(jù)聚集度的值，將各個(gè)聚類分為候選的顯著性區(qū)域所在的聚類和背景區(qū)域所在的聚類。

s2、確定關(guān)注焦點(diǎn)；計(jì)算候選的顯著性區(qū)域中各區(qū)域的聚集度，顏色差異度，關(guān)注度以及中心偏移度，利用聚集度，顏色差異度，關(guān)注度以及中心偏移度來度量區(qū)域的顯著性，然后根據(jù)各個(gè)候選的顯著性區(qū)域的顯著性構(gòu)建一幅顯著性圖，將此顯著性圖作為基于漏電的積分放電模型的勝者得全(wta)網(wǎng)絡(luò)的輸入，多次運(yùn)用wta網(wǎng)絡(luò)，得到多個(gè)獲勝點(diǎn)。對(duì)獲勝點(diǎn)所在的候選顯著性區(qū)域進(jìn)行投票來確定人眼的關(guān)注焦點(diǎn)。

s3、顯著性區(qū)域吸附過程；對(duì)于候選的顯著性區(qū)域中的每一個(gè)區(qū)域，計(jì)算背景區(qū)域和關(guān)注焦點(diǎn)分別對(duì)其的吸附力，通過判斷兩者對(duì)其吸附力的大小來確定區(qū)域是否是顯著性的。如果視覺場景中有多個(gè)關(guān)注焦點(diǎn)，則進(jìn)行多次吸附過程，最后將多次的吸附結(jié)果合并起來。

s4、顯著性度量。通過背景區(qū)域和顯著性區(qū)域之間的特征差異來度量每一個(gè)像素點(diǎn)顯著性，并通過顯著性傳播和高斯濾波來進(jìn)一步優(yōu)化，得到最終的顯著性圖。

優(yōu)選的，步驟s1中候選顯著性區(qū)域計(jì)算具體步驟為：

s1.1、對(duì)原rgb圖像轉(zhuǎn)換到lab和hsv顏色空間，得到l，a，b，h，s五個(gè)顏色通道，第i個(gè)通道標(biāo)記為cfi；

s1.2、利用模糊c均值聚類算法(fcm)對(duì)步驟s1.1的l，a，b，h，s五個(gè)顏色通道進(jìn)行聚類，設(shè)置分類個(gè)數(shù)n^c，共得到5×n^c個(gè)聚類，第i個(gè)顏色通道上的第j個(gè)聚類標(biāo)記為clusteri^j；

s1.3、計(jì)算步驟s1.2中每個(gè)聚類的聚集度如公式(1)所示，

式子中，|clusteri^j|表示聚類clusteri^j中像素點(diǎn)的個(gè)數(shù)，表示聚類clusteri^j中像素點(diǎn)p的坐標(biāo)，表示聚類clusteri^j的聚類中心坐標(biāo)；

s1.4、將每個(gè)顏色通道上的聚類clusteri^j按照其聚集度由小到大進(jìn)行排序，然后取每個(gè)顏色通道中前個(gè)聚類作為候選的顯著性區(qū)域所在的聚類，得到一個(gè)聚類集合{cs}，其中表示大于的最小整數(shù)，其他的聚類被選擇作為背景區(qū)域所在的聚類集合{bs}；

s1.5、利用形狀濾波和邊界濾除來優(yōu)化步驟s1.4得到的聚類集合{cs}；

所述步驟s1.5包含以下步驟：

s1.5.1、對(duì)每個(gè)顏色通道上的每個(gè)聚類clusteri^j進(jìn)行快速傅里葉變換得到f(clusteri^j)；

s1.5.2、使用靜態(tài)小波變換(swt)來分解對(duì)數(shù)振幅譜log(|f(csk)|)，進(jìn)行完兩級(jí)分解后，得到三個(gè)細(xì)節(jié)子圖和一個(gè)近似子圖。使用中值濾波對(duì)每一級(jí)的細(xì)節(jié)子圖進(jìn)行濾波，然后通過閾值分割，濾除每一級(jí)的細(xì)節(jié)子圖中的噪音信號(hào)。重建去噪的細(xì)節(jié)圖與近似圖得到去了噪聲的圖像as(csk)；

s1.5.3、利用公式(2)，將去噪后的圖像as(csk)和原始的相位頻譜p(csk)結(jié)合在一起求傅里葉變換的逆變換可以得到去噪后的聚類cfa(csk)：

式子中，csk表示第k個(gè)聚類集合；

s1.5.4、利用大津算法(ostu)二值化方法對(duì)cfa(csk)進(jìn)行二值化得到bcfa(csk)，濾除csk中與bcfa(csk)交集為零的區(qū)域，得到優(yōu)化后的聚類集合{cs}。

s1.5.5、對(duì)于聚類中每一個(gè)聯(lián)通區(qū)域，求其邊界像素點(diǎn)，當(dāng)其邊界像素點(diǎn)在整個(gè)區(qū)域中所占的比重大于一定的值時(shí)，這樣的區(qū)域被認(rèn)為是背景噪音，如公式(3)所示：

式中，bnd表示圖像邊界像素點(diǎn)的集合，p是區(qū)域的像素點(diǎn)，r是待判斷的區(qū)域，|·|表示滿足條件的像素點(diǎn)的個(gè)數(shù)。

s1.5.6、對(duì)于聚類集合中每個(gè)聚類的聯(lián)通區(qū)域r，根據(jù)步驟s1.5.5計(jì)算的bc值，當(dāng)如果bc(r)大于2％時(shí)，r被認(rèn)為是背景噪音，將其從聚類集合{cs}中刪除，并將其添加到背景聚類集合{bs}中，這樣得到最終的候選顯著性區(qū)域集合{csrj(1≤j≤n^s)}和背景區(qū)域集合{bgrj(1≤j≤n^b)}，n^s和n^b表示對(duì)應(yīng)的個(gè)數(shù)。

優(yōu)選的，步驟s2中確定關(guān)注焦點(diǎn)具體如下：

s2.1、計(jì)算每個(gè)候選的顯著性區(qū)域csrj與步驟s1得到的背景區(qū)域集合{bgrj(1≤j≤n^b)}之間的顏色差異性differences(csrj)，如公式(4)所示：

式中，color(bgri)和color(csrj)分別表示bgri和csrj區(qū)域內(nèi)像素點(diǎn)顏色特征的均值，n^b表示背景區(qū)域的個(gè)數(shù)。

s2.2、計(jì)算候選的顯著性區(qū)csrj的關(guān)注度；

所述步驟s2.2包括以下步驟：

s2.2.1，利用公式(5)計(jì)算得到圖像的像素級(jí)的關(guān)注度fp(q)；

s2.2.2、根據(jù)上述步驟s1得到的像素級(jí)的關(guān)注度計(jì)算得到圖像區(qū)域級(jí)別的關(guān)注度fr(ri)，得到區(qū)域關(guān)注圖fm，如公式(6)所示

式中，ri表示區(qū)域，bi表示區(qū)域ri中的mi個(gè)邊界像素；ei表示區(qū)域ri中的ni個(gè)內(nèi)部邊界像素點(diǎn)；表示像素點(diǎn)p的梯度值。

s2.2.3、取出區(qū)域級(jí)關(guān)注圖fm中的靠近圖像邊界的區(qū)域，利用公式(3)計(jì)算其邊界比例，如果得到的邊界比例大于2％，且其本身關(guān)注度小于整幅圖像的均值關(guān)注度，認(rèn)為其是關(guān)注圖中的背景區(qū)域bfr，不屬于背景區(qū)域bfr的區(qū)域被標(biāo)記為前景區(qū)域fr。

s2.2.4、對(duì)上述步驟s2.2.3的關(guān)注圖利用公式(7)進(jìn)行優(yōu)化得到優(yōu)化后的關(guān)注圖fmo；

式中，|bfrj|表示背景區(qū)域bfrj中像素點(diǎn)的個(gè)數(shù)，color(fri),color(bfrj)分別表示前景區(qū)域fr和背景區(qū)域bfr的顏色特征；

s2.2.5、根據(jù)步驟s1得到的候選顯著性區(qū)域集合{csrj(1≤j≤n^s)}和上述步驟的到的關(guān)注圖fmo，利用公式(8)，計(jì)算每個(gè)候選顯著性區(qū)域csrj的關(guān)注度focusness(csrj)；

式中|csrj|表示候選的顯著性區(qū)域csrj中像素點(diǎn)的個(gè)數(shù),fmo(csrj(p))表示csrj中像素點(diǎn)p的優(yōu)化后的關(guān)注度。

s2.3、利用候選的顯著性區(qū)域csrj中每個(gè)像素點(diǎn)與圖像中心的距離均值來計(jì)算每個(gè)候選的顯著性區(qū)域的中心偏移center(csrj)，如公式(9)所示；

式中c(p)是csrj中像素點(diǎn)p的坐標(biāo)，center是圖像中心的坐標(biāo)。

s2.4、度量每個(gè)候選顯著區(qū)域csrj的顯著性ms(csrj)，如公式(10)所示；

式中，juv(csrj)表示候選的顯著性區(qū)域csrj所在的聚類的聚集度，differences(csrj)表示csrj的顏色差異性，focusness(csrj)表示候選顯著性區(qū)域csrj的關(guān)注度，center(csrj)表示每個(gè)候選的顯著性區(qū)域的中心偏移；

s2.5、根據(jù)步驟s2.4得到的每個(gè)候選的顯著性區(qū)域的ms構(gòu)造出顯著圖，將此顯著性圖作為基于漏電的積分放電模型的勝者得全(wta)網(wǎng)絡(luò)的突觸輸入，通過迭代勝者得全(wta)網(wǎng)絡(luò)直到確定獲勝點(diǎn)，記錄多次的獲勝點(diǎn)winnerlocaton(i)，(1≤i≤10)；

s2.6、對(duì)獲勝點(diǎn)進(jìn)行投票，根據(jù)候選顯著性區(qū)域的投票數(shù)來確定關(guān)注焦點(diǎn)foa,如公式(11)所示；

優(yōu)選的，所述步驟s3包括以下步驟：

s3.1、對(duì)步驟s1中得到的候選顯著性區(qū)域中的每個(gè)區(qū)域r，利用公式(12)計(jì)算其來自關(guān)注焦點(diǎn)虛擬吸附力ff(r)，利用公式(13)計(jì)算其來自背景區(qū)域的吸附力bf(r)；

式子中，foak和bgri分別表示關(guān)注焦點(diǎn)和背景區(qū)域；|·|表示區(qū)域集合的基線；feature(r)表示區(qū)域r的均值特征，其特征形式是[l,a,b,h,s,focusness]，l，a，b，h，s表示五個(gè)顏色特征，focusness為步驟s3計(jì)算的關(guān)注度特征；spatial(·,·)表示兩個(gè)區(qū)域之間的空間距離，變量σ用來調(diào)整特征與空間之間的重要性。

s3.2、根據(jù)步驟s3.1計(jì)算得到的ff(r)和bf(r)，如果ff(r)≥bf(r)，則區(qū)域r是顯著性區(qū)域，將r從候選顯著區(qū)域集合{csr}中刪除，將其加入到關(guān)注焦點(diǎn)集合{foa}中；如果ff(r)＜bf(r)，則r是背景區(qū)域，將r從候選顯著區(qū)域集合{csr}中刪除，將其加入到背景區(qū)域集合{bgr}中。當(dāng)處理完所有的候選顯著性區(qū)域時(shí)，吸附過程結(jié)束。

優(yōu)選的，所述步驟s4包括以下步驟：

s4.1、使用超像素塊分割方法slic(simplelineariterativeclustering)來進(jìn)行圖像超像素塊分割，輸入的自然圖像過分割為m個(gè)超像素塊spi(1≤i≤m)。為了區(qū)分顯著性區(qū)域和背景區(qū)域，將超像素塊分為顯著性超像素塊和背景超像素塊，如果|spi∩sr|＝|spi|，spi被設(shè)為顯著性的超像素塊ssp；如果|spi∩sr|＝0，spi被設(shè)為背景超像素塊bsp；否則，如果0＜|spi∩sr|＜|spi|，將spi一分為二，屬于顯著性區(qū)域的那一部分歸為顯著性超像素塊，屬于背景區(qū)域的那一部分被歸為背景超像素塊。對(duì)于背景超像素塊，直接將其的顯著性值設(shè)為0，即s(bspi)＝0；

s4.2、利用顏色差異來度量的每個(gè)顯著性超像素塊sspi的顯著性值，如公式(14)所示；

式子中，|bsp|是背景超像素塊集合bsp的個(gè)數(shù)，color(sspi)和cen(sspi)分別表示顯著性超像素塊sspi的均值顏色特征和中心坐標(biāo)，color(bspb)和cen(bspb)分別表示背景超像素塊bspb的均值顏色特征和中心坐標(biāo)。當(dāng)計(jì)算完所有的顯著超像素塊后，得到顯著性圖s；

s4.3、為保證顯著性圖中兩個(gè)相似超像素塊的顯著性一致性，采用顯著性傳播的方法計(jì)算每個(gè)超像素塊的傳播顯著性。

所述步驟s4.3包括以下步驟：

s4.3.1、使用k-means算法將圖像的超像素塊分為k個(gè)聚類，在聚類k(k＝1,2,...,k)中有m^k個(gè)超像素塊，步驟s4.2中得到的屬于聚類k的超像素塊i(i＝1,2,...,m^k)的顯著性被表示為s^k(i)，利用公式(15)來計(jì)算超像素塊i(i＝1,2,...,m^k)的傳播顯著性

式中；s^k(i)，s^k(j)分別表示超像素塊i，j的原始的顯著性值，μ1和μ2是前后兩個(gè)項(xiàng)之間的權(quán)值，color(i)和color(j)分別表示超像素塊i，j的均值顏色特征，σc表示權(quán)值變量；

s4.3.2、計(jì)算完每個(gè)聚類的超像素塊的傳播顯著性后得到傳播后的顯著性圖將每一個(gè)超像素塊的顯著性值分配給每一個(gè)內(nèi)部的像素點(diǎn)，可以得到像素級(jí)別的顯著性圖其中(x,y)表示像素點(diǎn)的坐標(biāo)；

s4.4、對(duì)像素級(jí)別的顯著性圖結(jié)果進(jìn)行高斯濾波，得到最終顯著圖sal(x,y)；

本發(fā)明的原理：

本發(fā)明對(duì)自然彩色圖像提取顯著性區(qū)域，具有良好的視覺效果和整體精確性和完整性；先提取自然圖像的顏色特征，對(duì)每個(gè)顏色通道進(jìn)行fcm聚類，利用聚集度來確定候選的顯著性區(qū)域和背景區(qū)域，并通過形狀濾波和邊界濾除來優(yōu)化候選的顯著性區(qū)域和背景區(qū)域；接著通過基于漏電的積分放電模型的勝者得全網(wǎng)絡(luò)(wta)來確定視覺場景中的關(guān)注焦點(diǎn)；模擬視覺關(guān)注機(jī)制,設(shè)計(jì)吸附過程，使用來自關(guān)注焦點(diǎn)和背景區(qū)域的吸附力來判斷候選的顯著性區(qū)域是否顯著；最后通過度量顯著性區(qū)域和背景區(qū)域的顏色差異和空間距離來度量顯著性區(qū)域中每個(gè)像素點(diǎn)的顯著性值，并通過顯著性傳播和高斯濾波優(yōu)化顯著性圖，保證了顯著圖的完整性和精確性。

本發(fā)明與現(xiàn)有技術(shù)相比，具有如下優(yōu)點(diǎn)和有益效果：

1、本發(fā)明將傳統(tǒng)的三階段顯著性檢測模型轉(zhuǎn)換為基于吸附模型的檢測方法，避免了傳統(tǒng)方法選擇采用何種融合方式的問題，將顯著性檢測轉(zhuǎn)換為一種區(qū)域的不斷吸附的過程，更符合人眼的視覺關(guān)注機(jī)制。

2、本發(fā)明利用fcm算法在各個(gè)顏色通道上進(jìn)行聚類，使用聚類的聚集度確定背景區(qū)域集合和候選的顯著性區(qū)域集合，采用形狀濾波的方法去除小的區(qū)域，得到更加準(zhǔn)確的聚類。

3、本發(fā)明采用基于漏電的積分放電模型的勝者得全(wta)網(wǎng)絡(luò)，可以得到比較精確的關(guān)注點(diǎn)。將候選的顯著性區(qū)域的顏色差異度、關(guān)注度、中心偏移度以及聚集度融合在一起的得到的顯著性圖作為勝者得全網(wǎng)絡(luò)的輸入，并引入返回抑制機(jī)制。通過對(duì)多次的獲勝者進(jìn)行投票來確定關(guān)注焦點(diǎn)。

4、本發(fā)明通過計(jì)算顯著性區(qū)域和背景區(qū)域的顏色差異來度量顯著性值，并使用顯著性傳播和高斯濾波來優(yōu)化顯著性圖。

5、本發(fā)明在asd數(shù)據(jù)庫上對(duì)本文提出的方法進(jìn)行實(shí)驗(yàn)，通過實(shí)驗(yàn)結(jié)果圖發(fā)現(xiàn)，在多數(shù)自然圖像上，本發(fā)明的方法都能得到完整并精確的區(qū)域。

附圖說明

圖1是本發(fā)明的總體流程圖；

圖2是本發(fā)明的確定候選顯著性區(qū)域的流程圖。

具體實(shí)施方式

下面結(jié)合實(shí)施例及附圖對(duì)本發(fā)明作進(jìn)一步詳細(xì)的描述，但本發(fā)明的實(shí)施方式不限于此。

實(shí)施例

如圖1所示，一種基于吸附模型的圖像顯著性檢測方法，具體實(shí)現(xiàn)方式如下：

1、候選顯著性區(qū)域計(jì)算：如圖2所示為本發(fā)明確定候選顯著性區(qū)域的流程圖，具體實(shí)現(xiàn)如下：

(1)對(duì)原rgb圖像轉(zhuǎn)換到lab和hsv顏色空間，得到l，a，b，h，s五個(gè)顏色通道，第i個(gè)通道標(biāo)記為cfi；

(2)利用模糊c均值聚類算法(fcm)對(duì)步驟11的l，a，b，h，s五個(gè)顏色通道進(jìn)行聚類，設(shè)置分類個(gè)數(shù)n^c＝5，共得到25個(gè)聚類，第i個(gè)顏色通道上的第j個(gè)聚類標(biāo)記為clusteri^j；

(3)計(jì)算步驟(2)中每個(gè)聚類的聚集度

(4)將每個(gè)顏色通道上的聚類clusteri^j按照其聚集度由小到大進(jìn)行排序，然后取每個(gè)顏色通道中前個(gè)聚類作為候選的顯著性區(qū)域所在的聚類，得到一個(gè)聚類集合{cs}，其中表示大于的最小整數(shù)，其他的聚類被選擇作為背景區(qū)域所在的聚類集合{bs}；

(5)利用形狀濾波和邊界濾除來優(yōu)化步驟(4)得到的聚類集合{cs}，得到最終的候選顯著性區(qū)域集合{csrj(1≤j≤n^s)}和背景區(qū)域集合{bgrj(1≤j≤n^b)}，n^s和n^b表示對(duì)應(yīng)的個(gè)數(shù)。

2、確定關(guān)注焦點(diǎn)，包括如下步驟：

(1)對(duì)計(jì)算每個(gè)候選的顯著性區(qū)域csrj與步驟1得到的背景區(qū)域集合{bgrj(1≤j≤n^b)}之間的顏色差異性differences(csrj)；

(2)計(jì)算每個(gè)候選的顯著性區(qū)csrj的關(guān)注度focusness(csrj)；

(3)利用候選的顯著性區(qū)域csrj中每個(gè)像素點(diǎn)與圖像中心的距離均值來計(jì)算每個(gè)候選的顯著性區(qū)域的中心偏移center(csrj)；

(4)利用每個(gè)區(qū)域的聚集度、差異度，關(guān)注度以及中心偏移等四個(gè)指標(biāo)度量每個(gè)候選顯著區(qū)域csrj的顯著性值ms(csrj)；

(5)根據(jù)步驟(4)得到的每個(gè)候選的顯著性區(qū)域的ms構(gòu)造出顯著圖，將此顯著性圖作為基于漏電的積分放電模型的勝者得全(wta)網(wǎng)絡(luò)的突觸輸入，通過迭代勝者得全(wta)網(wǎng)絡(luò)直到確定獲勝點(diǎn)，迭代次數(shù)設(shè)置為10，記錄多次的獲勝點(diǎn)winnerlocaton(i)，其中1≤i≤10；

(6)對(duì)獲勝點(diǎn)進(jìn)行投票，根據(jù)候選顯著性區(qū)域的投票數(shù)來確定關(guān)注焦點(diǎn)foa。

3、顯著性區(qū)域吸附過程，包括如下步驟：

(1)對(duì)步驟1中得到的候選顯著性區(qū)域中的每個(gè)區(qū)域r，計(jì)算其來自關(guān)注焦點(diǎn)虛擬吸附力ff(r)和其來自背景區(qū)域的吸附力bf(r)；

(2)根據(jù)(1)計(jì)算得到的ff(r)和bf(r)，如果ff(r)≥bf(r)，則區(qū)域r是顯著性區(qū)域，將r從候選顯著區(qū)域集合{csr}中刪除，將其加入到關(guān)注焦點(diǎn)集合{foa}中；如果ff(r)＜bf(r)，則r是背景區(qū)域，將r從候選顯著區(qū)域集合{csr}中刪除，將其加入到背景區(qū)域集合{bgr}中。當(dāng)處理完所有的候選顯著性區(qū)域時(shí)，吸附過程結(jié)束。

4、顯著性度量，包括如下步驟：

(1)使用超像素塊分割方法slic(simplelineariterativeclustering)來進(jìn)行圖像超像素塊分割，為m個(gè)超像素塊spi(1≤i≤m)，m設(shè)置為200，并將超像素塊分為顯著性超像素塊和背景超像素塊，如果|spi∩sr|＝|spi|，spi被設(shè)位顯著性的超像素塊ssp；如果|spi∩sr|＝0，spi被設(shè)為背景超像素塊bsp；否則，如果0＜|spi∩sr|＜|spi|，將spi一分為二，屬于顯著性區(qū)域的那一部分歸為顯著性超像素塊，屬于背景區(qū)域的那一部分被歸為背景超像素塊。對(duì)于背景超像素塊，直接將其的顯著性值設(shè)為0，即s(bspi)＝0；

(2)利用顏色差異來度量的每個(gè)顯著性超像素塊sspi的顯著性值s(sspi)，當(dāng)計(jì)算完所有的顯著超像素塊后，得到顯著性圖s；

(3)計(jì)算每個(gè)超像素塊的傳播顯著性

(4)計(jì)算完每個(gè)聚類的超像素塊的傳播顯著性后得到傳播后的顯著性圖將每一個(gè)超像素塊的顯著性值分配給每一個(gè)內(nèi)部的像素點(diǎn)，可以得到像素級(jí)別的顯著性圖其中(x,y)表示像素點(diǎn)的坐標(biāo)；

(5)對(duì)像素級(jí)別的顯著性圖結(jié)果進(jìn)行高斯濾波，得到最終顯著圖sal(x,y)。

上述實(shí)施例為本發(fā)明較佳的實(shí)施方式，但本發(fā)明的實(shí)施方式并不受上述實(shí)施例的限制，其他的任何未背離本發(fā)明的精神實(shí)質(zhì)與原理下所作的改變、修飾、替代、組合、簡化，均應(yīng)為等效的置換方式，都包含在本發(fā)明的保護(hù)范圍之內(nèi)。