劉曉陽，薛純

　?。ㄖ袊Ｑ蟠髮W(xué) 信息科學(xué)與工程學(xué)院，青島 山東 266100）

　　摘要：圖像顯著性檢測在目標識別、目標跟蹤、視覺信息挖掘等研究中具有重要價值，而水下圖像研究又是海洋相關(guān)學(xué)科的基礎(chǔ)。文章針對水下圖像特性，提出一種結(jié)合Retinex圖像增強和超像素分割算法的多尺度顯著性區(qū)域檢測方法，以獲取均勻、清晰的顯著圖。在每個尺度上進行超像素顯著性估計和貝葉斯概率估計，將不同尺度的顯著圖進行加權(quán)求和與導(dǎo)向濾波，得到平滑且邊緣清晰的顯著圖。根據(jù)水下不同倍數(shù)的衰減距離建立數(shù)據(jù)集，驗證了該算法具有較強的魯棒性。

　　關(guān)鍵詞：圖像增強；超像素；貝葉斯估計；顯著性

　　中圖分類號：TP391文獻標識碼：ADOI： 10.19358/j.issn.1674-7720.2017.09.014

　　引用格式：劉曉陽，薛純.基于多尺度的水下圖像顯著性區(qū)域檢測［J］.微型機與應(yīng)用，2017,36（9）：45-48.

0引言

　　視覺注意指人類及其他靈長類動物在面對復(fù)雜場景時能夠快速地找到自己感興趣或比較顯著的區(qū)域，并對其進行優(yōu)先處理，在很大程度上提高了視覺系統(tǒng)的信息處理效率。視覺注意機制是一個多學(xué)科多交叉的領(lǐng)域，受到許多學(xué)科研究者的關(guān)注，如：神經(jīng)科學(xué)、生理學(xué)、心理學(xué)以及計算機科學(xué)等。

　　其中，將視覺注意引入到計算機領(lǐng)域稱為顯著性檢測，即檢測出圖像的顯著性信息，忽略冗余信息。視覺注意計算模型被應(yīng)用到很多計算機視覺領(lǐng)域，如圖像分割、目標識別、視覺信息挖掘及視頻壓縮等［1］。顯著性檢測算法已有很多成型的模型，比如Itti等提出的顯著圖模型［2］、Harel 等提出的基于圖論的圖像顯著性分析算法（GBVS算法）［3］、Achanta等提出的兩種顯著圖模型（AC算法和IG算法）［4-5］以及Hou Xiaodi等提出的基于頻域空間分析的一種剩余譜方法（SR算法）［6］等。它們基于不同的理論基礎(chǔ)，非常具有代表性，且在計算機上易于實現(xiàn)，實驗得到的效果比較好。

　　在水下成像系統(tǒng)中，由于水介質(zhì)對光的吸收作用和水中微粒對光的散射作用，使得水中圖像伴有較強的衰減和分辨率不足的特性。所以，現(xiàn)有的顯著性檢測模型雖然用于陸地上光學(xué)成像的顯著性檢測具有較好的效果，但是并不適用于水下光學(xué)成像的顯著性檢測。本文提出了一種結(jié)合Retinex圖像增強［7］和超像素分割算法［8］的多尺度顯著性區(qū)域檢測方法，使得水下圖像顯著性檢測得到了較好的效果。

1Retinex圖像增強算法

　　由于水體對光的吸收效應(yīng)和散射效應(yīng)使得水下圖像有嚴重的非均勻亮度和細節(jié)模糊、信噪比很低、對比度明顯變差，整體偏藍或者偏綠，顏色深淺不一，而且亮度常常不均勻，所以，研究水下圖像需要先進行圖像增強處理。本文選取基于色彩恒常性的Retinex圖像增強算法進行水下圖像增強。

　　根據(jù)Retinex理論，人眼感知物體的亮度取決于環(huán)境的照明和物體表面對照射光的反射，其數(shù)學(xué)表達式為：

　　S（x,y）=R(x,y)×L(x,y)（1）

　　式中：S（x,y）代表被觀察或照相機接收到的圖像信號；L（x,y）代表環(huán)境光的照射分量；R（x,y）表示攜帶圖像細節(jié)信息的目標物體的反射分量。Retinex理論的目的就是從獲得的圖像中消除照射分量獲得物體的反射分量，即獲得物體的本來面貌。

　　將式(1)兩邊取對數(shù)，即：

　　log［R（x,y）］=log［S（x,y）］-log［L（x,y）］（2）

　　其中，L（x,y）可通過對原始圖像S（x,y）做高斯模糊得到。

　　多尺度Retinex算法是單尺度Retinex算法的加權(quán)求和，既能實現(xiàn)圖像動態(tài)范圍的壓縮，又能保持色感較好的一致性。其數(shù)學(xué)表達式為：

　　log［R（x,y）］=∑Ni=1ωi×{log［Si（x,y）］-log［Li（x,y）］}(3)

　　其中，N表示尺度的個數(shù),通常為3；ωi表示加權(quán)系數(shù)，各尺度權(quán)重之和必須為1，經(jīng)典取值為等權(quán)重。

2多尺度水下圖像顯著性區(qū)域檢測

　　在顯著性檢測時，選擇超像素分割與高斯平滑，得到不同尺度下的超像素分割結(jié)果，在每個尺度上進行超像素估計和貝葉斯概率估計，最后將不同尺度下得到的顯著圖進行加權(quán)求和及導(dǎo)向濾波，最終得到平滑且邊緣清晰的顯著圖。

　　2.1高斯濾波與SLIC超像素分割

　　2.1.1高斯濾波

　　高斯濾波是一種線性平滑濾波，用一個模板掃描圖像中的每一個像素，用模板確定的鄰域內(nèi)像素的加權(quán)平均灰度值去替代模板中心像素點的值。其二維表達式為：

　　通過改變參數(shù)σ，可得到不同的平滑結(jié)果， σ越大，高斯濾波器的頻帶就越寬，平滑程度就越好。

　　2.1.2SLIC超像素分割

　　SLIC算法基于像素間顏色相似性和空間位置的接近度對圖像進行聚類產(chǎn)生人們期望數(shù)量的超像素(不超過圖像中像素的個數(shù))，計算量較小。其基本步驟為：

　?。?）初始化聚類中心。按照設(shè)定的超像素個數(shù)，在圖像內(nèi)均勻地分配種子點。假設(shè)圖片總共有N個像素點，預(yù)分割為K個相同尺寸的超像素，那么每個超像素的大小為s=N/K，則相鄰種子點的距離（步長）近似為S=sqrt(N/K)。

　?。?）在種子點的n×n鄰域內(nèi)重新選擇種子點（一般取n=3）。計算該鄰域內(nèi)所有像素點的梯度值，將種子點移到該鄰域內(nèi)梯度最小的地方。

　　(3)在每個種子點周圍的鄰域內(nèi)為每個像素點分配類標簽，即屬于哪個聚類中心。期望的超像素尺寸為S×S ，搜索范圍限制為2S×2S，可以加速算法收斂。

　　(4)距離度量。包括顏色距離和空間距離，對于每個搜索到的像素點，分別計算它與該種子點的距離，將最小值對應(yīng)的種子點作為該像素點的聚類中心。

　?。?）迭代優(yōu)化。不斷迭代直到誤差收斂，一般迭代次數(shù)取10。

　?。?）增強連通性。為避免出現(xiàn)多連通、超像素尺寸過小、單個超像素被切割成多個不連續(xù)超像素等情況，可新建一張標記表，按照“Z”型走向（從左到右，從上到下順序）將不連續(xù)的超像素、尺寸過小超像素重新分配給鄰近的超像素，遍歷過的像素點分配給相應(yīng)的標簽，直到所有點遍歷完畢。

　　2.2超像素顯著度估計

　　針對每一個尺度下的分割圖，都通過三種顯著性策略來判斷某一塊超像素是否具有顯著性［9］。局部對比度：通過計算每塊超像素之間的歐氏距離來表示。中心偏離：通過計算超像素幾何中心與圖像幾何中心的空間距離來表示，靠近圖像中心的超像素更有可能具有顯著性。超像素完整性：通過計算某一塊超像素內(nèi)包含的圖像邊緣像素來表示，含有圖像邊緣像素越多的超像素區(qū)域越有可能不完整。具體公式如下：

　　其中，cmi表示某一塊超像素，nmj表示與cmi相鄰的超像素區(qū)域，Nmi表示相鄰區(qū)域的數(shù)量，wmij表示nmj與全部相鄰超像素集合{nmj}的比；d(cmi,nmj)表示歐氏距離；h（φ）=-log(1-φ)函數(shù)保證輸出為正；g(x,y)表示超像素cmi的幾何中心（x，y）與全圖幾何中心（x0,y0）的空間距離，δx、δy分別為全圖的寬與高的1/3，進而可得靠近圖像中心的超像素更有可能具有顯著性；q(u)表示cmi的完整性，u表示cmi中包含的邊緣像素數(shù)量，E表示邊緣像素總數(shù)量，u越大，在邊緣處的像素越多，q(u)越小，該超像素區(qū)域越不完整。因此，通過上述計算，可以獲取具有顯著性的超像素區(qū)域。

　　2.3計算觀測似然函數(shù)

　　運用Harris角點檢測提取出圖像的顯著點，用凸包將邊緣顯著點之外的所有顯著點包圍進來，若某一超像素區(qū)域與凸包的重疊部分大于設(shè)定的閾值，則將其標記為前景，進而將前景與背景分離；分別計算L、a、b三通道的觀測似然函數(shù)，進行乘法運算；最后，與上一步中得到的超像素顯著性函數(shù)相結(jié)合，得到最終顯著性函數(shù)。

　　在（L，a，b）三個通道上分別計算某一像素點z的觀測似然函數(shù)：

　　其中，NS1、NS0分別表示前景S1和背景S0的所有像素值，N1(zr)、N0(zr)分別表示r(z)=(l,a,b)在顏色空間統(tǒng)計直方圖上的值。進而計算出每個像素點是前景還是背景的概率。

　　綜合上一步，將超像素顯著性估計與像素觀測似然函數(shù)相結(jié)合，得某一尺度下的像素顯著性函數(shù)：

　　2.4尺度加權(quán)求和

　　將多尺度下得到的顯著圖進行加權(quán)求和，假設(shè)M個尺度，則對于像素點z的最終顯著性函數(shù)V(z)為：

　　其中，Wm(z)表示每一個尺度的權(quán)重，cm(z)表示z所在的超像素區(qū)域，cm(z)表示這些超像素區(qū)域內(nèi)的像素平均值，γ（z）表示進行歸一化。

3實驗結(jié)果與分析

　　在能見度為2.5 m的海水中獲取圖片，根據(jù)海水中能見度與衰減距離的關(guān)系，即能見度為3.5倍衰減距離，建立3組數(shù)據(jù)集，分別為目標距CCD 1.5倍衰減距離、2.0倍衰減距離、2.5倍衰減距離，每組約80幅圖像，在數(shù)據(jù)集上驗證算法的有效性。圖1為1.5倍衰減距離（約1.5×0.7 m）下獲得的水下圖像。

　　3.1水下圖像增強

　　本文選擇幾種經(jīng)典的圖像增強算法進行比較，結(jié)果如圖2所示。

　　如圖2所示，多尺度Retinex增強算法得到的增強效果對比度更強，對之后的顯著性檢測更有幫助，因此本文選擇多尺度Retinex增強算法對水下圖像進行圖像增強。最大尺度為300，尺度數(shù)為3。

　　3.2多尺度超像素分割

　　將增強后的圖像進行多尺度超像素分割，通過改變SLIC尺度參數(shù)s和高斯平滑參數(shù)σ，得到不同尺度下的超像素分割結(jié)果。在超像素的小區(qū)域內(nèi)的像素具有極為相似的顏色和紋理信息，最大程度地保持了圖像中目標原有的邊界結(jié)構(gòu)信息。圖3為一幅多尺度分割圖案。

　　3.3顯著區(qū)域檢測結(jié)果

　　在每一尺度上進行超像素顯著性估計和貝葉斯顯著概率估計，進行加權(quán)求和得到最終的顯著圖，最后再進行導(dǎo)向濾波，最終得到平滑且邊緣清晰的顯著圖。圖4~圖6為幾組實驗結(jié)果。

　?。?）圖4為1.5倍衰減距離（約1.5×0.7 m）時水下圖像顯著性檢測結(jié)果。

　?。?）圖5為2倍衰減距離（約2×0.7 m）時水下圖像顯著性檢測結(jié)果。

　?。?）圖6為2.5倍衰減距離（約2.5×0.7 m）時水下圖像顯著性檢測結(jié)果。

　　實驗結(jié)果表明，本文算法在不同數(shù)據(jù)集上都取得了較好效果，進而驗證了其處理水下圖像顯著性檢測的有效性和魯棒性。

4結(jié)論

　　本文主要研究水下圖像顯著性區(qū)域檢測，根據(jù)水下圖像特性結(jié)合圖像增強算法，獲取均勻、清晰的顯著圖；根據(jù)不同倍數(shù)的衰減距離，建立相應(yīng)數(shù)據(jù)集，驗證了算法的有效性和魯棒性，為水下目標識別、目標跟蹤、視覺信息挖掘等研究奠定了基礎(chǔ)。

　　參考文獻

　?。?］ 吳世東. 一種基于目標先驗信息的視覺跟蹤算法［J］. 微型機與應(yīng)用, 2016, 35(4):46-49.

　?。?］ 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.

　?。?］ HAREL J, KOCH C, PERONA P. Graphbased visual saliency［J］.  Advances in Neural Information Processing Systems, 2007（19）:545-552.

　　［4］ ACHANTA R, ESTRADA F, WILS P, et al. Salient region detection and segmentation［C］. International Conference on Computer Vision Systems, 2008:66-75.

　?。?］ ACHANTA R, HEMAMI S, ESTRADA F, et al. Frequencytuned salient region detection［C］. IEEE International Conference on Computer Vision and Pattern Recognition, 2009:1597-1604.

　　［6］ Hou Xiaodi, Zhang Liqing. Saliency detection: a spectral residual approach［C］. IEEE Conference on Computer Vision and Pattern Recognition, 2007:1-8.

　?。?］ 肖燕峰．基于Retinex理論的圖像增強恢復(fù)算法研究 ［D］．上海：上海交通大學(xué)，2007.

　　［8］ 阮士峰．基于超像素的圖像顯著性研究［D］．西安：西安電子科技大學(xué)，2014.

　　［9］ Tong Na, Lu Huchuan, Zhang Lihe, et al. Saliency detection with multiscale superpixels［J］. IEEE Signal Processing Letters, 2014, 21(9):1035-1039.