0 引言

    顯著性可以描述為場(chǎng)景中的某一元素相對(duì)于同場(chǎng)景其他元素更加能吸引人的注意力，是人類在視覺(jué)感知的過(guò)程中總結(jié)出來(lái)的，由于人的視覺(jué)共性，使得有些元素對(duì)于不同的人來(lái)講吸引力是共同的，這些區(qū)域往往集中了最重要的信息，因此顯著性檢測(cè)在圖像處理領(lǐng)域顯得十分重要，主要的應(yīng)用領(lǐng)域包括：圖像的檢索、數(shù)據(jù)壓縮、目標(biāo)識(shí)別、導(dǎo)航定位等。目前國(guó)內(nèi)外學(xué)者對(duì)這一領(lǐng)域進(jìn)行了廣泛深入的研究，主要的研究方法有：ITTI L和KOCH C^[1]提出跨尺度周邊算子模型來(lái)進(jìn)行顯著區(qū)域的檢測(cè)，主要原理是通過(guò)計(jì)算小尺度和大尺度特征差別來(lái)計(jì)算顯著性。但是該方法計(jì)算過(guò)程復(fù)雜，并且精確性不高。HARBEL J^[2]提出使用馬爾科夫鏈計(jì)算中心周邊概率，并用基于圖論的概率模型得到顯著圖，此方法的提取精度有提升，但是計(jì)算仍然復(fù)雜。GAO D^[3]通過(guò)最大值法提取中心和周邊區(qū)域中特征分布的相互信息，提取的效果較好。

1 圖像量化

    圖像的顯著性計(jì)算需要對(duì)每個(gè)像素點(diǎn)進(jìn)行計(jì)算，那么在計(jì)算時(shí)就有256³種顏色。顏色變化范圍很小時(shí)人眼是無(wú)法準(zhǔn)確區(qū)分的。如圖1所示，每個(gè)通道的顏色小范圍變化時(shí)，所得到的最終顏色圖的差異是不大的。每個(gè)通道的顏色變化較大時(shí)，最終所得到的圖的顏色可以觀察到明顯的變化。所以，在小范圍減少圖像中顏色數(shù)目，圖像質(zhì)量會(huì)下降，但是對(duì)最終圖像的顯示影響很小，所以可以將相似的顏色量化為相同的顏色。

    定義如下：

    經(jīng)過(guò)量化后的RGB空間有1 728中顏色，也就是123，很顯然自然圖像的色彩只屬于這1 728種顏色的一小部分，同時(shí)人眼也無(wú)法精確辨別這些顏色。所以就需要對(duì)圖像進(jìn)行篩選，為了不影響圖片的質(zhì)量，就要確保篩選出的色值能夠覆蓋大多數(shù)的像素點(diǎn)，對(duì)于少部分沒(méi)有覆蓋到的像素點(diǎn)可以用距離其最近的色值替代。

    根據(jù)式(9)、式(10)可把出現(xiàn)頻率比較低的顏色用最相似的顏色代替。

    經(jīng)過(guò)量化后大大降低了顏色的數(shù)目，以圖2為例，量化前顏色數(shù)目為58 921，量化后的顏色數(shù)目為100，這樣就加快了圖像處理的速度。

    量化后的數(shù)據(jù)集定義為：

2 顏色空間轉(zhuǎn)換

    將圖像從RGB空間轉(zhuǎn)換到XYZ空間，轉(zhuǎn)換矩陣如下：

    轉(zhuǎn)化后得到像素帶點(diǎn)在XYZ空間下每個(gè)通道的色值，接著再轉(zhuǎn)換到Lab顏色空間，經(jīng)過(guò)一系列的顏色空間轉(zhuǎn)換之后，顏色數(shù)據(jù)集定義為：

3 擬人視覺(jué)系統(tǒng)的顯著性計(jì)算

    使用GB分割算法對(duì)圖像進(jìn)行分割，得到每一個(gè)小的圖像塊，相同的圖像塊可認(rèn)為是一個(gè)整體，則可認(rèn)為一個(gè)圖像塊中的像素點(diǎn)具有相同的顯著性。當(dāng)兩個(gè)圖像塊距離較遠(yuǎn)時(shí)，對(duì)人的視覺(jué)影響比較大，同理，較近時(shí)對(duì)人眼的視覺(jué)影響較小。則顯著性計(jì)算公式如下：

其中，f(c_k，j)表示圖像塊s_k中第j種顏色出現(xiàn)的次數(shù)。

    視覺(jué)角度來(lái)講，人眼在觀察圖像的時(shí)候首先是會(huì)集中在圖像的中心，然后再移動(dòng)到顯著性區(qū)域，所以本文提出一種擬人視覺(jué)系統(tǒng)的顯著性計(jì)算方法，顯著性計(jì)算公式改寫(xiě)如下：

其中，D_s(s_k，VF_n)表示圖像塊s_k和視覺(jué)點(diǎn)VF_n之間的距離。

    分割后不同的圖像塊對(duì)人眼的吸引是不同的，人在觀察圖像時(shí)最先會(huì)被中心吸引，然后才會(huì)被顯著性區(qū)域吸引，這種吸引稱為視覺(jué)引力。視覺(jué)引力的大小與像素點(diǎn)的顯著性和視覺(jué)點(diǎn)之間的距離有關(guān)，這里定義每個(gè)像素對(duì)視覺(jué)點(diǎn)的引力如下：

    想要獲得最終視覺(jué)點(diǎn)的位置，就需要計(jì)算初始的視覺(jué)點(diǎn)的位移偏量，由式(18)得出每個(gè)像素點(diǎn)在水平和垂直方向上的分力：

其中，p_x和p_y表示像素點(diǎn)在水平和垂直方向的坐標(biāo)，VF_x、VF_y表示視覺(jué)點(diǎn)在水平和垂直方向的坐標(biāo)。

    這里參考力學(xué)模型，所以可以理解，視覺(jué)點(diǎn)在視覺(jué)引力的作用下，移動(dòng)的規(guī)則與力學(xué)中的規(guī)則是一致的。

    例如，如圖3 F₂的值比F₁的值大，但是他們的方向是相反的，因此視覺(jué)點(diǎn)就從L₁移到L₂。

    所有像素點(diǎn)在水平和垂直方向上分力的合力為：

    則根據(jù)式(16)可得最終的視覺(jué)點(diǎn)。

    算法流程如下：(1)輸入圖像，并分割得到其圖像塊集；(2)計(jì)算圖像塊集中每一個(gè)圖像塊的顯著值；(3)計(jì)算每一個(gè)像素對(duì)上一個(gè)視覺(jué)點(diǎn)的引力；(4)計(jì)算引力在橫坐標(biāo)和縱坐標(biāo)上的分力；(5)計(jì)算所有像素在橫坐標(biāo)和縱坐標(biāo)上分力的合力；(6)計(jì)算出視覺(jué)點(diǎn)移動(dòng)的距離；(7)計(jì)算出新視覺(jué)點(diǎn)的位置；(8)重復(fù)步驟(2～7)，直到兩個(gè)視覺(jué)點(diǎn)的距離小于一個(gè)閾值，則可認(rèn)為最終計(jì)算的視覺(jué)點(diǎn)為顯著性區(qū)域。

4 實(shí)驗(yàn)與分析

    采用achanta圖像集，選用該圖像集的好處就是每一張圖像都對(duì)顯著區(qū)域進(jìn)行了標(biāo)注，有利于確認(rèn)算法最終結(jié)果的準(zhǔn)確性。對(duì)其中的圖像進(jìn)行分類，選取200張顯著區(qū)域在中心的圖片，記為數(shù)據(jù)集A；選取200張顯著區(qū)域不在中心的圖片，記為數(shù)據(jù)集B。

    評(píng)價(jià)指標(biāo)選用準(zhǔn)確率和召回率，并選用目前常用的區(qū)域?qū)Ρ蕊@著性檢測(cè)方法^[4]和多尺度顯著性檢測(cè)方法^[5]同時(shí)來(lái)處理圖片，與本文方法進(jìn)行對(duì)比。實(shí)驗(yàn)中分別檢測(cè)數(shù)據(jù)集A和數(shù)據(jù)集B中的顯著性區(qū)域，并與人工標(biāo)準(zhǔn)的結(jié)果進(jìn)行對(duì)比計(jì)算，獲得每一副圖像的準(zhǔn)確率和召回率。

    使用實(shí)驗(yàn)集A去評(píng)估3種方法的顯著性檢測(cè)結(jié)果，并計(jì)算出準(zhǔn)確率和召回率的平均值，繪制出直方圖進(jìn)行對(duì)比。

    如圖4所示，使用本文方法和區(qū)域?qū)Ρ确ㄓ?jì)算出的準(zhǔn)確率和召回率要高于多尺度法，這是由于選取的數(shù)據(jù)集A中的圖片顯著性區(qū)域都位于圖片的中心，使用本文算法和區(qū)域?qū)Ρ确ǚ椒ㄟM(jìn)行視覺(jué)焦點(diǎn)加權(quán)時(shí)，顯著性檢測(cè)的效果會(huì)更好，使得圖片中的顯著性區(qū)域會(huì)被準(zhǔn)確地檢測(cè)出來(lái)。

    再使用實(shí)驗(yàn)集B來(lái)評(píng)估本文算法、區(qū)域?qū)Ρ确?、多尺度法?duì)于顯著性區(qū)域的檢測(cè)效果。

    如圖5所示，本文算法和多尺度法的準(zhǔn)確率和召回率比區(qū)域?qū)Ρ确ǜ?，這是由于數(shù)據(jù)集B中的圖片的顯著區(qū)域沒(méi)有位于圖像的中心。區(qū)域?qū)Ρ确椒ǖ男Ч^差是因?yàn)榧訌?qiáng)了中心區(qū)域，也就是非顯著性區(qū)域，而使用本文算法，由于是模擬人眼的視覺(jué)機(jī)制，可以正確找到視覺(jué)顯著區(qū)域，所以在數(shù)據(jù)集B上使用本文算法方法可以更加準(zhǔn)確地檢測(cè)出顯著性區(qū)域。

    圖6分別表示顯著性區(qū)域在中心和不在中心的檢測(cè)結(jié)果?？梢钥闯?，區(qū)域?qū)Ρ确椒▽?duì)顯著區(qū)域不在中心的檢測(cè)效果不理想，因?yàn)槠鋾?huì)分割出不屬于顯著區(qū)域的部分并對(duì)其效果進(jìn)行增強(qiáng)。多尺度法對(duì)于顯著區(qū)域在中心的圖片檢測(cè)效果不理想，是因?yàn)槠鋾?huì)導(dǎo)致周圍的區(qū)域顯著值過(guò)大，從而影響中心區(qū)域的顯著值。

5 結(jié)束語(yǔ)

    本文從人眼視覺(jué)機(jī)制角度提出了擬人視覺(jué)系統(tǒng)的顯著性檢測(cè)方法，首先概述了目前常見(jiàn)的顯著性檢測(cè)的研究方法，然后詳細(xì)闡述了本文所提算法的前提條件，也就是圖像量化和顏色篩選。從人眼視覺(jué)機(jī)制出發(fā)，提出了視覺(jué)引力的概念，并給出了詳細(xì)的計(jì)算方法，通過(guò)視覺(jué)引力計(jì)算出人眼對(duì)于圖像中的視覺(jué)點(diǎn)，并最終獲取到顯著性區(qū)域。通過(guò)實(shí)驗(yàn)構(gòu)建了兩個(gè)不同類型的數(shù)據(jù)集，通過(guò)與其他常見(jiàn)算法的對(duì)比證明本文所提算法的準(zhǔn)確性要高，并證明了算法的可行性。

參考文獻(xiàn)

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

[2] HAREL J，KOCH C，PERONA P.Graph-based visual saliency[C].Advances in Neural Information Processing Systems，2006：545-552.

[3] GAO D，MAHADEVAN V，VASCONCELOS N.The discriminant center-surround hypothesis for bottom-up saliency[C].Advances in Neural Information Processing Systems，2007：497-504.

[4] 敖歡歡.視覺(jué)顯著性應(yīng)用研究[D].合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2013.

[5] 李勇.多尺度特征檢測(cè)：方法和應(yīng)用研究[D].合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2010.