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(lèi)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(lèi)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(lèi)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(lài)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：

　　（1）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.