一種基于積分匹配的快速圖像協(xié)同顯著區(qū)域監(jiān)測方法
【技術(shù)領域】
[0001] 本發(fā)明涉及計算機視覺與圖像處理領域，尤其涉及一種基于積分匹配的快速圖像 協(xié)同顯著區(qū)域監(jiān)測方法，本方法是通過在規(guī)則的超像素網(wǎng)格上使用高維積分匹配算法實現(xiàn) 的。
【背景技術(shù)】
[0002] 本發(fā)明中涉及到的【背景技術(shù)】有：顯著性檢測方法（SaliencyDetectionMethod): 又稱為單一圖像的顯著性檢測方法，旨在從一幅圖像中將顯著的前景目標或區(qū)域提取出 來。近年來，顯著性檢測模型已經(jīng)得到了廣泛的應用圖像分割、目標檢測與識別、圖像 拼接等。常用的方法有：SF[1]、FT[2]、RCm和HC[3]。
[0003] SF的基本思想為：將顯著性看作為一個濾波器，使用濾波器的方法加速。Perazzi 主要對局部和全局兩種顯著特征的公式進行了分析，提出了一種在線性時間內(nèi)計算的方 法。
[0004] FT:Achanta等人從頻率域角度出發(fā)，首次提出了一種基于全局對比的顯著區(qū)域 檢測的方法。該方法將經(jīng)過高斯低通濾波圖像中的每個像素值和整幅圖像的平均像素值之 間的歐幾里得距離作為該點的顯著值。該方法非常簡單，時間消耗非常低，且實驗結(jié)果在查 準率-差全率方面的效果也堪稱優(yōu)良。然而FT在以下兩種情況下會失效：
[0005] 1.顯著區(qū)域的顏色占圖像中的大部分，通過方法[4]計算后，背景會具有更高的顯 著值；
[0006] 2.背景中含有少量突出的顏色，這樣背景中的這部分顏色的顯著值也會非常高。
[0007] HC:基于直方圖對比度的方法，每一個像素的顯著性值是由它與圖像中所有其他 像素的顏色差異來確定，得到全分辨率顯著性圖像；
[0008] RC:基于局部對比度的方法，先將圖像分割成小區(qū)域，采用的分割方法是基于圖的 分割，基本分割思想是將每個像素點作為無向圖的頂點，兩個像素點之間的不相似度作為 邊的權(quán)重，要求連接相同區(qū)域內(nèi)的兩個頂點的邊的最大權(quán)重要小于連接不同區(qū)域的頂點的 邊的最小權(quán)重，在迭代過程中進行頂點歸納與區(qū)域合并；每個區(qū)域的顯著性值由它與其他 所有區(qū)域的空間距離和區(qū)域像素數(shù)加權(quán)的顏色差異來確定；空間距離為兩個區(qū)域重心的歐 氏距離，較遠區(qū)域分配較小權(quán)值；
[0009] 以上四種方法只是檢測單幅圖像的顯著對象，但是大部分情況下都傾向于從視頻 序列中檢測出顯著對象，而運用以上四種方法，則會在忽視視頻幀的前后相關(guān)性的前提下 一幀一幀地去檢測顯著對象，這時準確性不可避免的就會下降。
[0010] 協(xié)同顯著檢測方法（Co-SaliencyDetectionMethod)偏向于從一個圖像對或多 幅圖像中檢測出這些圖像所共有的顯著區(qū)域，而忽視每幅圖像中所獨有的顯著目標。常用 的方法有：PC[5]、MS[6]、CC[7]。本發(fā)明也屬于這一類。
[0011]PC:在前置注意方案（preattentivescheme)下檢測出協(xié)同顯著對象。
[0012] MS:單幅圖像顯著圖SSIM(singleimagesaliencymap)和多幅圖像顯著圖 MISM(multi-imagesaliencymap)的線性組合。
[0013] CC:通過使用對比（contrast)、空間（spatial)和關(guān)聯(lián)（corresponding)的線索 來計算圖像聚類的顯著性的方法檢測出協(xié)同顯著對象。
[0014] 以上三個方法的時間成本較高而準確度低。
[0015] 超像素網(wǎng)格（SuperpixelGrid):圖像經(jīng)過超像素分割后，得到的是不規(guī)則的超像 素結(jié)構(gòu)，在使用其對圖像進行處理時，這種不規(guī)則結(jié)構(gòu)導致效率比較低。為將任意不規(guī)則的 超像素結(jié)構(gòu)進行規(guī)整化排序，近年來，在圖像處理領域，一些研宄人員提出了一個超像素網(wǎng) 格的概念。利用目標圖像的超像素分割結(jié)果，基于每一塊超像素的坐標將其動態(tài)地置于一 個虛擬的矩形網(wǎng)格中：該網(wǎng)格結(jié)構(gòu)應該盡可能地保留原超像素結(jié)構(gòu)的整體連貫性、超像素 之間的連接性、局部以及全局特征；引入偽節(jié)點來保持網(wǎng)格規(guī)整的結(jié)構(gòu)和傳遞能量。近年來 生成超像素網(wǎng)格的一些常用方法有SuperLatice[8]、LatticeCut[9]、TurboPixel[1°]、SEEDS[11] 和SP-Grid[12]。
[0016] 積分圖（IntegralImage):為了快速計算圖像任意一個區(qū)域的特征而在[13]中被 提出來。在積分圖中任意一個像素點（x，y)的值可以表示為：
[0018]其中，S(x，y)表示積分圖中點（x，y)的值，i(x'，y'）表示原圖像中像素點（x'，y'） 的值。使用公式：
[0019] r(x,y) =r(x,y-1)+i(x,y)
[0020] S(x,y) =S(x-1,y)+r(x,y)
[0021] 進行迭代運算即可得到原圖像的積分圖。
[0022] 其中，r(x，y)表示第x行的從第一個元素到第y個元素的和，定義迭代下限 r(x, -1) =S(_l,y) = 0(對于r(x,y-1)，相當于y取值為 0 ;
[0023] 對于S(x_l，y)，相當于x取值為0) ;r(x，y_l)的定義與r(x，y)類似，S(x_l，y)的 定義與S(x,y)類似。

【發(fā)明內(nèi)容】

[0024] 本發(fā)明提供了一種基于積分匹配的快速圖像協(xié)同顯著區(qū)域監(jiān)測方法，本發(fā)明通過 建立一個顯著懲罰圖、一個魯棒的色彩模型和高維積分匹配方法以及利用這個方法來從多 幅圖像中提取出最大協(xié)同顯著對象，詳見下文描述：
[0025] -種基于積分匹配的快速圖像協(xié)同顯著區(qū)域監(jiān)測方法，其特征在于，所述快速圖 像協(xié)同顯著區(qū)域監(jiān)測方法包括以下步驟：
[0026] 生成顯著圖，在所述顯著圖的基礎上建立顯著懲罰圖；
[0027] 建立魯棒的色彩模型，通過所述色彩模型獲取圖像對中兩個區(qū)域的余弦相似度；
[0028] 構(gòu)建高維積分匹配方法，通過所述高維積分匹配方法對最大協(xié)同顯著區(qū)域進行檢 測。
[0029] 其中，所述建立魯棒的色彩模型，通過所述色彩模型獲取圖像對中兩個區(qū)域的余 弦相似度的步驟具體為：
[0030]i' = (ir/ 0，ig/ 0，ib/ 0)，其中 0 =max(ir，ig，ib)
[0031] i'為魯棒的色彩模型中的每一個像素，Uig，ib為像素點的三個值；
[0032] 兩個區(qū)域的余弦相似度為：
[0034] 兩個區(qū)域?qū)闹狈綀D分別為匕和h2。
[0035] 其中，所述構(gòu)建高維積分匹配方法，通過所述高維積分匹配方法對最大協(xié)同顯著 區(qū)域
[0036] 進行檢測的步驟具體為：
[0037] 1)二維積分圖的快速構(gòu)造以及矩形區(qū)域值的快速計算；
[0038] 2)在二維積分圖的基礎上進行高維積分表的快速構(gòu)造以及高位矩形區(qū)域值的快 速計算；
[0039] 3)計算兩個高維區(qū)域的相似度，實現(xiàn)高維區(qū)域的積分匹配，獲取最大的協(xié)同顯著 區(qū)域。
[0040] 本發(fā)明提供的技術(shù)方案的有益效果是：相比于其它協(xié)同顯著性檢測方法 (Co-saliencyDetectionMethod)，本發(fā)明所提出的協(xié)同顯著性檢測方法更快速、更準確。
【附圖說明】
[0041] 圖1為基于積分匹配的快速圖像協(xié)同顯著區(qū)域監(jiān)測方法的流程圖；
[0042] 圖2為標準（R，G，B)色彩模型與魯棒的色彩模型的實驗結(jié)果對比圖；
[0043] 圖3為二維積分圖中S(X，y)的表示圖；
[0044] 圖4為原圖像中任意矩形區(qū)域（pQ，Pl)的值R(p。，Pl)表示圖；
[0045] 圖5為基于公開數(shù)據(jù)集[6]的檢測結(jié)果比較圖；
[0046] 圖6為基于公開數(shù)據(jù)集[6]的性能比較圖；
[0047] 圖7為基于康奈爾大學的數(shù)據(jù)集（CMU-CornelliCoseg數(shù)據(jù)集[14])的檢測結(jié)果對 比圖；
[0048] 圖8為基于康奈爾大學的數(shù)據(jù)集（CMU-CornelliCoseg數(shù)據(jù)集[14])的性能比較 圖。
【具體實施方式】
[0049] 為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚，下面對本發(fā)明實施方式作進一步 地詳細描述。
[0050] 本發(fā)明旨在從多幅圖像中快速準確地提取出共有的顯著對象。首先，對于每一幅 圖像，該監(jiān)測方法都會得到對應的顯著懲罰圖土M，圖中正值表示該像素點是顯著的，應該 得到鼓勵；而負值表示該像素點是非顯著的，應該得到懲罰。其次，該方法提出了一個可以 去除或減少光照影響的魯棒的色彩模型，在該色彩模型中，還可以簡單而高效地得到圖像 對中兩個區(qū)域的余弦相似度。最后，通過在規(guī)則的超像素網(wǎng)格上使用高維積分匹配算法，最 終從圖像對中提取出最大的協(xié)同顯著區(qū)域。
[0051] 實施例1
[0052] 101 :生成顯著圖，在所述顯著圖的基礎上建立顯著懲罰圖；
[0053] 102 :建立魯棒的色彩模型，通過所述色彩模型獲取圖像對中兩個區(qū)域的余弦相似 度；
[0054] 103 :構(gòu)建高維積分匹配方法，通過所述高維積分匹配方法對最大協(xié)同顯著區(qū)域進 行檢測。
[0055] 其中，所述建立魯棒的色彩模型，通過所述色彩模型獲取