摘  要： FT算法是在空間頻域內(nèi)的顯著目標(biāo)檢測(cè)算法,。該算法簡(jiǎn)單,、高效，但是在自然圖像顯著目標(biāo)檢測(cè)中,，存在顯著區(qū)域中心像素抑制,、顯著目標(biāo)不突出等問(wèn)題，故對(duì)FT算法進(jìn)行改進(jìn),。首先,，在特征提取階段，除了提取顏色和亮度信息外,，改進(jìn)的FT算法還提取圖像的邊緣信息,，利用Canny算子檢測(cè)圖像的邊緣并用梯度算子表示邊緣特征，使得顯著區(qū)域的邊界信息更加豐富,；然后,，利用中心優(yōu)先規(guī)則線性處理顯著圖,，提高顯著區(qū)域的中心像素的亮度,，突出顯著區(qū)域，去除冗余信息,。仿真結(jié)果表明改進(jìn)的FT算法是切實(shí)可行的,。

　　關(guān)鍵詞： 顯著目標(biāo)檢測(cè),；Canny算子；梯度,；中心優(yōu)先

0 引言

　　視覺(jué)注意機(jī)制是人類視覺(jué)系統(tǒng)的重要機(jī)制,，它能夠從復(fù)雜的圖像中準(zhǔn)確識(shí)別顯著目標(biāo)。一般來(lái)說(shuō),，顯著區(qū)域包含較多的信息,，顯著目標(biāo)檢測(cè)被廣泛應(yīng)用于許多圖像處理領(lǐng)域，例如感興趣區(qū)域的自適應(yīng)壓縮,、圖像和視頻的質(zhì)量評(píng)估[1],、視頻監(jiān)控[2]、圖像分割和草圖檢索等,。

　　顯著性目標(biāo)檢測(cè)源于視覺(jué)注意模型,，是一種模擬人類視覺(jué)智能的重要模型，它得到圖像中最顯著的區(qū)域,。大量的研究表明視覺(jué)注意模型分為兩種類型：自底向上的數(shù)據(jù)驅(qū)動(dòng)的顯著性提取和自頂向下的目標(biāo)驅(qū)動(dòng)的顯著性提取,。由于視覺(jué)內(nèi)容需要大量的先驗(yàn)知識(shí)，自頂向下的方法應(yīng)用不多,。而自底向上的方法受圖像特征支配,，不依賴任何先驗(yàn)知識(shí)，被廣泛研究和應(yīng)用,。比較經(jīng)典的自底向上的視覺(jué)注意模型是Itti[3]模型,，Itti是在特征整合理論的基礎(chǔ)上，利用高斯金字塔進(jìn)行非均勻采樣得到9個(gè)尺度的圖像,，計(jì)算各尺度的顏色,、亮度和方向特征，由中央周邊差算子計(jì)算各尺度上的顯著圖,，最后把各個(gè)尺度的顯著圖融合得到顯著圖,，但是Itti算法得到的顯著圖的分辨率低，計(jì)算量較大,?；趫D的顯著性算法（Graph-Based Visual Saliency，GBVS[4]）,，在Itti算法的基礎(chǔ)上進(jìn)行了改進(jìn),，在特征提取階段，采用Markov鏈方法計(jì)算顯著值,，顯著目標(biāo)相對(duì)完整,。基于空間頻域分析的算法有兩種，剩余譜方法（Spectral Residual,，SR[5]）和全分辨率方法（FT[6]）,。SR算法運(yùn)算效率高，并且該算法的顯著圖和人眼感知具有一致性,。但是SR算法不能計(jì)算顏色的顯著度,。FT算法是基于空間頻域分析的，比SR算法保留了較多的高頻信息,，顯著目標(biāo)的邊界比SR算法清晰,，但同時(shí)也引入了噪聲。

　　FT算法是基于空間頻域分析的顯著算法,，該算法簡(jiǎn)單高效,，但是顯著區(qū)域中心像素抑制，顯著目標(biāo)不突出,。故本文在提取顏色和亮度特征的基礎(chǔ)上,，加入提取圖像的邊緣特征，提高顯著區(qū)域的輪廓信息的清晰度,，得到顯著圖,，最后利用中心優(yōu)先規(guī)則對(duì)顯著圖做線性處理，優(yōu)化顯著圖,，提高顯著區(qū)域的亮度,。

1 FT算法

　　FT算法是Achanta等在2009年提出的全頻域分析算法，利用顏色和亮度特征來(lái)估計(jì)中央周邊差對(duì)比度,，疊加多個(gè)帶通濾波器得到全分辨率顯著圖,。

　　1.1 FT算法原理

　　設(shè)wlc為低頻截止頻率，whc為高頻截止頻率,。為了突出大的顯著對(duì)象,，wlc需盡可能的低。為了得到較好的輪廓信息,，whc選擇較高,。本算法選擇DOG濾波器作為帶通濾波器。DOG公式如下：

　　式中,，1和2是高斯分布的標(biāo)準(zhǔn)差,。DOG帶通濾波器的通頻帶寬是由1與2的比值決定的。多個(gè)DOG濾波器疊加可由濾波器的標(biāo)準(zhǔn)差的比值ρ表示：

　　在計(jì)算顯著圖時(shí),，1和2的取值決定帶通濾波器保留圖像中的頻率范圍,。為了使ρ變大，令1為無(wú)窮大,，這將在截止直流頻率的同時(shí)保留所有的其他頻率,。使用一個(gè)小的高斯核去除高頻率的噪聲以及紋理,。其中小的高斯核選擇二項(xiàng)濾波器代替。使用1/16*[1,，4,，6,，4,，1]二項(xiàng)濾波器，并令whc=π/2.75,。

　　視覺(jué)顯著值的計(jì)算公式為：

　　Iu（x,，y）是圖像在lab空間的像素算術(shù)平均值，Iwhc（x,，y）是圖像的高斯模糊模板（使用5×5二項(xiàng)式濾波器）,，用來(lái)消除紋理細(xì)節(jié)以及噪聲，‖‖是歐式距離,。

　　1.2 FT算法的顯著圖

　　根據(jù)公式（3）,，得出FT算法的仿真結(jié)果如圖1所示。

　　其中,，第一列是原圖像,，第二列是FT算法得到的顯著圖。從FT算法的顯著圖中看出,，前兩幅圖像顯著區(qū)域弱化,，背景對(duì)比度較差，顯著區(qū)域中心像素抑制,，不顯著區(qū)域被突出,。第三幅圖像背景簡(jiǎn)單，顯著圖相對(duì)較好,，背景冗余信息處理較好,，但仍存在部分顯著區(qū)域弱化的問(wèn)題。針對(duì)這些問(wèn)題,，利用改進(jìn)的FT算法進(jìn)行完善,。

2 算法的改進(jìn)

　　算法的改進(jìn)分為兩個(gè)部分：首先在特征提取階段，加入了全局邊緣特征提取處理,，能使顯著區(qū)域邊界更加清晰,；然后利用中心優(yōu)先規(guī)則對(duì)顯著圖做線性處理，解決顯著區(qū)域中心像素抑制和顯著區(qū)域不突出等問(wèn)題,。

　　2.1 基于邊緣特征提取的全局處理

　　FT算法在特征提取上采用的是顏色和亮度的特征,，由于自然圖像內(nèi)容豐富，邊緣信息比較重要,，因此本文在FT算法的顏色和亮度特征提取的基礎(chǔ)上,，加入圖像的邊緣特征,，使得邊緣細(xì)節(jié)更加豐富。

　　由于Canny算子錯(cuò)誤率低,、邊緣點(diǎn)能較好地定位以及單一的邊緣點(diǎn)響應(yīng)等優(yōu)點(diǎn),，故采用Canny算子檢測(cè)圖像的邊緣信息。圖像梯度信息可以有效地表現(xiàn)圖像邊緣的強(qiáng)度和方向,，故采用Sobel模板作為導(dǎo)數(shù)算子,，計(jì)算圖像灰度沿著水平和垂直兩個(gè)方向的偏導(dǎo)數(shù)，進(jìn)而計(jì)算出梯度的大小和方向,。步驟如下：

　?。?）用一個(gè)高斯濾波器平滑輸入圖像。高斯函數(shù)定義為：

　　設(shè)輸入圖像為f（x,，y）,，平滑后的圖像為fs（x，y）,，公式為：

　　fs（x,，y）=G（x，y）*f（x,，y）（5）

　?。?）邊緣提取。選擇Sobel模板計(jì)算梯度的大小,。gx代表橫向檢測(cè)的圖像灰度值,，gy為縱向邊緣檢測(cè)的圖像灰度值。其具體公式如下：

　　梯度的幅值為：

　　|g|=|gx|+|gy|（7）

　　那么公式（3）的顯著值定義更改為：

　　2.2 基于中心優(yōu)先規(guī)則的局部處理

　　一般來(lái)說(shuō),，圖像像素的中心分布常被用于顯著區(qū)域定位和估計(jì),，這是因?yàn)槿藗兣恼諘r(shí)往往把感興趣的目標(biāo)定位在圖像的中心位置。結(jié)果表明每個(gè)像素到圖像中心的距離能夠較好地預(yù)測(cè)顯著目標(biāo),。根據(jù)格式塔法則,，視覺(jué)形式可能具有一個(gè)或幾個(gè)中心的圖形。這表明接近注意焦點(diǎn)的部分被認(rèn)為顯著,，遠(yuǎn)離注意焦點(diǎn)的部分被認(rèn)為是背景,。故本文提出中心優(yōu)先[7]的概念，這能使顯著的邊緣更加顯著,，有效地去除背景中的小補(bǔ)丁,，更好地評(píng)估顯著圖的性能。

　　使用一個(gè)二維的高斯函數(shù)確定圖像的中心,，定義圖像的高度為H,，寬度為W，高斯函數(shù)在二維空間定義為：

　　圖像中任意像素點(diǎn)（x,，y）的最終顯著值為：

　　S（x,，y）=S′FT（x,，y）G（x，y）（10）

　　其中G（x,，y）為像素點(diǎn)（x,，y）在中心優(yōu)先圖中的像素值。

3 仿真結(jié)果分析

　　本實(shí)驗(yàn)是在MATLAB 2012a平臺(tái)中實(shí)現(xiàn)上述算法,，采用的圖像來(lái)自MSRA-1000數(shù)據(jù)庫(kù),，本數(shù)據(jù)庫(kù)包含1 000幅自然圖像和所對(duì)應(yīng)的人工分割圖。FT算法和改進(jìn)的FT算法的顯著圖如圖3所示,。

　　從顯著圖的對(duì)比結(jié)果看出,，改進(jìn)的FT算法提取的顯著圖邊界信息豐富,，顯著區(qū)域亮度提高,，顯著區(qū)域中心對(duì)比度提高。該算法提取的效果更加符合生物的視覺(jué)感知,，比FT算法效果好,，準(zhǔn)確度較高，顯著性更明顯,。

4 結(jié)論

　　本文在視覺(jué)注意模型的基礎(chǔ)上,，對(duì)FT算法進(jìn)行了改進(jìn)。仿真結(jié)果表明該算法在自然圖像數(shù)據(jù)庫(kù)中能夠較好地檢測(cè)顯著目標(biāo),，此算法的原理是在特征提取階段,，加入了邊緣特征提取處理，使得邊緣細(xì)節(jié)更加豐富,，然后利用中心優(yōu)先線性處理顯著圖,，得到最終的顯著圖，提高了顯著區(qū)域和顯著區(qū)域中心像素的亮度,，顯著目標(biāo)得到了更好的檢測(cè),。改進(jìn)的算法簡(jiǎn)單、高效,，明顯優(yōu)于FT算法,。但該算法仍存在一些不足，例如顯著目標(biāo)內(nèi)部的細(xì)節(jié)不明顯,，仍需進(jìn)一步完善,。

　　參考文獻(xiàn)

　　[1] WANG Z， LI Q. Information content weighting for perceptual image quality assessment[J]. IEEE Trans. Image Process,， 2011,，20（5）：1185-1198.

　　[2] LOPEZ M T， FERNANDEZ-CABALLERO A,， FERNANDEZ M A,， et al. Visual surveillance by dynamic visual attention method[J]. Pattern Recognition,， 2006， 39 （11）：2194-2211.

　　[3] ITTI L,， KOCH C,， NIEBUR E. A model of saliency-based visual attention for rapid scene analysis[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1998,， 20（11）：1254-1259.

　　[4] HAREL J,， KOCH C， PERONA P. Graph-based visual saliency[J]. Neural Information Processing Systems,， 2007,， 19（1）： 545–552.

　　[5] Hou Xiaodi， Zhang Liqing. Saliency detection： a spectral residual approach[C]. IEEE Conference on Computer Vision and Pattern Recognition,， Shanghai,， 2007：2280-2287.

　　[6] RADHAKRISHNA A， SHEILA H,， FRANCISCO E,， et al. Frequency-tuned salient region detection[C]. Los Alamitos： IEEE Computer Society Press， 2009： 1597-1604.

　　[7] GOFERMAN S,， ZELNIK-MANOR L,， TAL A. Context-aware saliency detection[C]. Proceedings of IEEE Conference on Computer Vision and Pattern Recognition， San Francisco： IEEE Computer Society Press,， 2012： 2376-2383.