[發明專利]一種模擬視網膜濾波的視覺顯著性檢測方法

有效

• 申請號: 201210560879.6
• 申請日: 2012-12-20
• 公開（公告）號: CN103065298A
• 公開（公告）日: 2013-04-24
• 發明（設計）人: 周文暉;宋騰;孫志海;吳以凡;徐翀
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/60
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 杜軍

技術領域

本發明屬于計算機視覺領域，具體來說是一種受生物視網膜特性啟發的基于尺度空間和中心-周圍環繞機制的視覺顯著性檢測方法。

背景技術

人類視覺注意機制使人能夠從復雜場景中快速選擇視覺顯著目標，這可以大大減少高層視覺處理所需的視覺信息量。神經生理學研究表明視覺顯著檢測最初出現在早期視覺通路。它與任何高層視覺任務無關，僅依賴于視覺場景中“至下而上”的激勵因子，如亮度、顏色、視覺對比度、大小和運動等。這些生物學成果為實現和優化計算機視覺分析和應用提供了一種新的仿生思路。在計算機視覺領域中，視覺顯著性建模在近年來已成為一個非常活躍的研究方向。

當前至下而上的顯著性檢測可粗略分為截然不同的兩類：生物啟發方法和純計算方法。前者關注于模擬和解釋人眼的神經活動，如凝視和掃視。受人類早期視覺通路（從視網膜到V1區）的啟發，已提出了許多仿生算子和生物學假設，包括特征整合理論，中央-周圍環繞算子，對比度敏感函數，視覺尺度選擇性等等。然而生物啟發方法通常過于強調與生物學依據的一致性，且采用人眼注視點數據庫，通過比較模型預測點與人眼行為來評估這些算法的性能。這些方法往往旨在獲取一些小的凝視點，而非尋找顯著目標區域，因此它們通常不適于大多數計算機視覺任務和應用，如圖像分割，目標識別等。

純計算方法更受計算機視覺科學家感興趣，因為它們通常都是以目標為顯著單元，這與大多數的計算機視覺任務的目標更為一致。在大多數的計算模型中，顯著目標通常定義為“相對于周圍背景有充分的獨特性、稀有性和不可預計性”。該定義隱含了對比度先驗、背景先驗，或某些高階假設。這些方法通常是目標導向的顯著性檢測模型，且它們的評估是基于手工標注的目標（目標框或前景掩模）。近期這類研究已取得實質性進展并已提出了許多成功應用。雖然它們在顯著性定義中采用了生物學概念，但它們的算法實現缺少生物學依據，因而所選擇特征的意義和作用不明確。

純計算方法的另一點明顯不足在于它們對目標內部紋理、目標輪廓和背景紋理具有相同的敏感度。因而所提取的顯著目標內部往往存在許多空洞，且目標區域的顯著性非均勻分布。此外，很多方法由于粗略尺度層會模糊顯著目標的邊界，因而忽略了在生物視覺中非常重要的尺度特性。事實上，當前顯著目標檢測的真值數據庫都是將目標作為一個整體而非關注其內部細節，這也符合人眼尺度選擇過程中的整體優先效應。雖然已提出了許多基于多尺度的顯著性計算方法，但很顯然目標邊界模糊一直是它們的一個主要局限。

發明內容

本發明針對現有技術的不足，受生物視網膜中尺度特性、對數特性和中央-周圍環繞特性的啟發，提供了一種模擬視網膜濾波的視覺顯著性檢測。

本發明方法的具體步驟如下：

步驟(1)：采用彩色變換方法，提取輸入圖像在CIELAB空間的l彩色分量圖、a彩色分量圖和b彩色分量圖，具體為：

對于輸入圖像采用sRGB彩色空間到線性RGB彩色空間的彩色變換方法，將輸入圖像轉換為線性RGB彩色空間圖像采用線性RGB彩色空間到CIELAB空間的彩色變換方法，提取線性RGB彩色空間圖像的l彩色分量圖a彩色分量圖和b彩色分量圖

步驟(2)：根據步驟(1)結果，提取輸入圖像在CIELAB空間的6層高斯尺度圖像，具體為：

對于輸入圖像在CIELAB空間的l彩色分量圖a彩色分量圖和b彩色分量圖其第n層高斯尺度圖像表示為：

其中高斯函數的方差為σ，均值為0；表示卷積運算。通常取σ＝1.0。

步驟(3)：采用SLIC超像素聚類方法，提取每層高斯尺度圖像中的顯著基元。具體為：