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(shí)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(shí),，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(gè)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(jì)算模型,，模擬自底向上（bottom-up）的低級(jí)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(gè)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(jì)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(gè)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(jí)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(gè)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(jì)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(jì)算方法如下：

　　利用中心c和周邊s的高斯差分DOG計(jì)算圖像的特征顯著度,。

　　用符號(hào)表示中央c和周邊s差計(jì)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(gè)特征顯著圖，最終線性加權(quán)融合這三個(gè)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(gè)顯著圖歸一化到同一個(gè)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(jì)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(gè)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(shí)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(shí)2.624 00 s,，Itti算法平均耗時(shí)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(shí)加入了輪廊特征，顏色顯著圖生成時(shí)采用了頻域特性取代Itti模型,，減少了計(jì)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(dòng)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.