[0004] 本发明的目的是针对现有技术的不足,提出一种利用超像素分割与聚类分割结合计算图像颜色对比度和颜色空间分布性的显著性检测方法。该方法能够有效地抑制背景区域的显著性,检测出图像准确的显著性区域,特别是一些以往仅以颜色为特征的检测方法只能检测出错误区域的特殊图像,该方法可以根据颜色空间分布信息改正偶然错误的颜色对比图而得到最终准确的显著图。
[0005] 本发明的具体步骤如下:
[0006] 步骤1、将输入图像进行平滑处理,得到平滑图像。
[0007] 步骤2、利用SLIC超像素分割算法将平滑图像分割成超像素图,并计算每个超像素的平均颜色和平均位置:
[0008]
[0009] 其中,Ri表示第i个超像素,像素Ii∈Ri, 为像素Ii的颜色向量, 为像素Ii的位置向量,ci为Ri中所有像素的平均颜色向量,pi为Ri中所有像素的平均位置向量,|Ri|表示Ri中像素的个数。
[0010] 步骤3、利用中心-周围原则计算超像素图中每个超像素的颜色对比值Fi,得到颜色对比图。
[0011]
[0012]
[0013] 其中,C(ci,cj)=||ci-cj||表示ci与cj的欧氏距离,Wp(pi,pj)是调节对比值的空间权重,P(pi,pj)=||pi-pj||表示pi与pj的欧氏距离。1/Zi是使得 的归一化因子,σp取值0.5,exp为指数运算,N=|Ri|-1,cj为Rj中所有像素的平均颜色向量,pj为Rj中所有像素的平均位置向量,Rj表示第j个超像素。
[0014] 步骤4、利用K-Means聚类算法把平滑图像按照颜色聚类分割为M个类,M≤10,得到聚类图,类又称为颜色分量。按下式计算每个颜色分量的平均颜色和平均位置。
[0015]
[0016] 其中,Gi表示第i个颜色分量,像素Pi∈Gi, 为像素Pi的颜色向量,颜色向量采用l分量、a分量和b分量表达, 为像素Pi的位置向量;cgi为颜色分量Gi的平均颜色向量,即颜色分量Gi在颜色上的聚类中心;pgi为颜色分量Gi的平均位置向量,即颜色分量Gi在空间上的聚类中心,|Gi|表示颜色分量Gi中像素的个数。
[0017] 步骤5、计算聚类图中的类间空间方差、类内空间方差以及类内颜色方差。
[0018]
[0019]
[0020]
[0021] 其中,Viin和Viout分别表示颜色分量Gi的类内空间方差和类间空间方差, 表示颜色分量Gi的类内颜色方差, 表示颜色分量Gj在空间上的聚类中心。
[0022] 步骤6、将步骤5求得的类间空间方差、类内空间方差以及类内颜色方差非线性组合成初步的颜色空间分布值。
[0023]
[0024] 采用高斯权值为类内颜色方差分配权重,即 取5。
[0025] 步骤7、由聚类图得出每个类初步的颜色空间分布值之后,映射到超像素图上进行优化,得到优化的颜色空间分布值Di′,并进行归一化处理,得到优化的颜色空间分布图:
[0026]
[0027]
[0028] 其中,Ui是指超像素Ri的邻接超像素个数;Ki和Kj分别是超像素Ri和超像素Rj的初步的颜色空间分布值,vi指超像素Ri中每个像素点初步的颜色空间分布值。
[0029] 步骤8、融合颜色对比图和优化的颜色空间分布图,得到显著图。
[0030] Si=Fi·Di′ (11)
[0031] 由于Fi和Di′都与显著图成正比,所以,若某一处超像素的灰度值为零,从公式(11)得出最后的显著图中相应的Si也为零。
[0032] C(ci,cj)表达了超像素Ri与超像素Rj的颜色差,颜色差计算时只取a分量和b分量两个通道的差异。
[0033] 本发明的有益效果:
[0034] 本发明得到的显著图结合了颜色空间分布性,特别地对于颜色高对比度区域并非显著区域的图像,能够高效地检测出准确的显著性目标区域,同时,降低了背景区域的显著性。