摘 要： 基于Itti模型，提出了一種改進(jìn)的模型來提取圖像顯著區(qū)域,，采用Itti方法提取圖像的亮度,、朝向特征顯著圖，在此基礎(chǔ)上,，將圖像的頻域特征融入到圖像的顏色特征提取中,，并且加入圖像的輪廊特征提取，避免了Itti模型提取特征時沒有明顯的輪廊邊界的現(xiàn)象,。在顯著圖的合并階段,，采用局部迭代法取代直接相加的合并方式。此模型與Itti模型相比,，提取的顯著圖效果更加明顯,。
關(guān)鍵詞： Itti模型；顯著圖,；頻域特征,；局部迭代法
0 引言
當(dāng)人們看到一副圖像時，首先將注意力集中在視覺上感興趣的區(qū)域,，其中圖片的主要信息最能引起人們的注意,，這樣的區(qū)域就被稱為顯著區(qū)域,。顯著特征圖是一個表征圖像視覺關(guān)注區(qū)域的二維分布，如果也將它看成圖像,，那么灰度值越大則表示該區(qū)域的顯著性越強(qiáng),，灰度的局部最大值即為圖像的顯著特征點(diǎn)[1]。
視覺注意機(jī)制[2]是依據(jù)視覺心理學(xué)等領(lǐng)域的研究結(jié)果,，仿照人的視覺生理結(jié)構(gòu)建立起計算模型,，模擬自底向上（bottom-up）的低級視覺方式找出圖像中容易吸引人注意的區(qū)域。目前在這方面比較有代表性的是Itti模型[3],。
本文提出一種改進(jìn)的模型,，在提取顏色、亮度,、朝向特征基礎(chǔ)上,，提取圖像的輪廊特征，共同融合為最終的圖像顯著圖,；特征顯著圖[4]的合并采用局部迭代取代直接的線性相加,，能夠更好地抑制目標(biāo)之外區(qū)域。
1 Itti模型
Itti模型首先對輸入的圖像在9個尺度上進(jìn)行非均勻采樣,，然后通過高斯金字塔和center-surround算子進(jìn)行局部視覺反差的計算,，提取出亮度,、顏色和朝向特征,，通過多尺度的合并以及歸一化得到三個特征的顯著圖，再對得到的三幅特征顯著圖進(jìn)行線性融合,，得到綜合的視覺顯著圖[5],。Itti模型的基本框圖如圖1所示。
1.1 初級視覺特征的提取
在Itti模型中,，用I表示輸入的圖像,，r、g,、b表示紅綠藍(lán)三種顏色,，紅、綠,、藍(lán),、黃四個顏色通道分別用R、G,、B,、Y來表示。
R=r-（b+g）/2（1）
G=g-（r+b）/2（2）
B=b-（r+g）/2（3）
Y=（r+g）/2-|r-g|/2-b（4）
計算紅色對抗對RG和藍(lán)黃色對抗對BY這兩組顏色對：
RG=|R-G|（5）
BY=|B-Y|（6）
Itti模型提取亮度特征：
I=（r+g+b）/3（7）
Gabor函數(shù)有很好的方向選擇性,，對自然圖像中朝向特征的提取采用Gabor濾波器較為合適,。
1.2 顯著圖的生成
顯著圖計算方法如下：
利用中心c和周邊s的高斯差分DOG計算圖像的特征顯著度,。
用符號表示中央c和周邊s差計算，亮度特征圖,、顏色特征圖和朝向特征圖分別用I,、C和O來表示。
亮度特征圖：I（c,，s）=|I（c）I（s）|（10）
顏色特征圖：
RG（c,，s）=|（R（c）-G（c））（G（s）-R（s））|（11）
BY（c，s）=|（B（c）-Y（c））（Y（s）-B（s））|（12）
朝向特征圖：
將得到的特征圖通過歸一化,、降采樣和層間相加操作可以得到三個特征顯著圖,，最終線性加權(quán)融合這三個特征的顯著圖而生成總的顯著圖。
2 算法的改進(jìn)
2.1 融合輪廊特征
由于Itti模型提取的圖像特征是顏色,、亮度,、朝向特征，因此Itti模型提取出來的顯著圖邊緣信息不明顯,，而一幅圖像最能吸引人類視覺注意的是其邊緣信息,，本文在Itti模型的特征部分加入了圖像的輪廊特征。圖像梯度信息可以有效地表現(xiàn)圖像邊緣情況[6],，Sobel算子可以檢測水平和垂直方向的梯度,，本文采用Sobel算子進(jìn)行邊緣提取，那么輪廊特征可以表示為：
S（c,，s）=|S（c）·S（s）|（14）
把特征圖合并得到輪廊顯著圖：
2.2 顏色特征的提取
本文提取圖像中的高頻部分作為圖像的顯著區(qū)域,，采取提取高頻、濾掉低頻作為顏色顯著圖的提取方法[7],。利用顏色特征的中央-周邊算子來得到顯著圖,，用W、H來表示輸入圖像I的寬度和高度,，則顯著圖S可表示為：
S（x,，y）=‖I-Iwhc（x，y）‖（16）
其中,，I為圖像像素值的算術(shù)平均,；Iwhc為原始圖像經(jīng)過高斯模糊得到的，高斯模糊的目的是為了避免噪音的影響,，‖‖代表歐式距離,。圖2為顏色顯著圖對比。
由圖2可見,，采用頻域信息提取的顏色顯著圖亮度更明顯,，更加清晰。
2.3 多特征顯著圖的合并
本文采用局部迭代法代替Itti中的直接相加的合并方式，局部迭代法是引入高斯差分函數(shù)和偏置常量進(jìn)行迭代,，迭代過程是先將各個顯著圖歸一化到同一個范圍內(nèi),，再與高斯差分函數(shù)進(jìn)行卷積，采用局部迭代法產(chǎn)生的最終顯著圖更接近稀疏分布,，這樣目標(biāo)之外的背景區(qū)域得到了更好的抑制,。
局部迭代的具體計算如下：
M=?M+M*DOG-C」（17）
其中，*表示卷積運(yùn)算,，M是歸一化后的各顯著圖,，C是一個偏置。
3 實(shí)驗(yàn)結(jié)果分析
本文采用MATLAB 2010a實(shí)現(xiàn)上述算法,，采用的原圖片是網(wǎng)上下載的圖像處理常用圖片庫的圖片,，得到的Itti模型最終顯著圖和本文算法的顯著圖如圖3所示。
由實(shí)驗(yàn)結(jié)果看出,，本文算法提取的顯著圖有明顯的邊界,，克服了Itti模型容易丟失邊緣信息的缺點(diǎn)。從運(yùn)行時間上來看,，本文算法在顏色特征提取處提高了效率,，本文的方法平均耗時2.624 00 s，Itti算法平均耗時2.687 00 s,，本文算法的運(yùn)行效率與Itti算法相比有所提高,。
4 結(jié)論
本文在視覺注意模型的基礎(chǔ)上，對Itti模型方法進(jìn)行了改進(jìn),，生成各特征顯著圖時加入了輪廊特征,，顏色顯著圖生成時采用了頻域特性取代Itti模型，減少了計算的復(fù)雜度,。在特征顯著圖的合并過程中,，采用局部迭代法代替直接線性相加的方式,，這樣避免了不同特征圖之間顯著性互相抵消的情況,，具有更強(qiáng)的魯棒性。實(shí)驗(yàn)表明,，本文算法能夠較好地實(shí)現(xiàn)顯著圖的提取,。
參考文獻(xiàn)
[1] Hou Xiaodi， Zhang Liqing. Saliency detection： a spectral residual approach[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition,， Minneapolis,， Minnesota， USA,， 2007： 1-8.
[2] 陳嘉威.視覺注意的研究及其應(yīng)用[D].廈門：廈門大學(xué),，2009.
[3] ITTI L， KOCH C. Computational modeling of visual attention[J]. Nature Reviews Neuroscience，2001,，2（3）：194-203.
[4] 李毅泉.基于注意力機(jī)制的顯著區(qū)域提取研究和實(shí)現(xiàn)[D].北京：北京交通大學(xué),，2007.
[5] 單列.視覺注意機(jī)制的若干關(guān)鍵技術(shù)及其應(yīng)用研究[D].合肥：中國科學(xué)技術(shù)大學(xué)，2008.
[6] 彭素靜.基于視覺感知機(jī)理的顯著區(qū)域研究[D].重慶：重慶大學(xué),，2009.
[7] 付榮.基于活動輪廓模型和顯著圖的自然圖像分割研究[D].上海：復(fù)旦大學(xué),，2010.