基于视觉显著性的视频偏色检测的应用研究-程奥运.pdf

《基于视觉显著性的视频偏色检测的应用研究-程奥运.pdf》由会员分享，可在线阅读，更多相关《基于视觉显著性的视频偏色检测的应用研究-程奥运.pdf（57页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、分类号I腔2l学校代码!Q48 8学号幽13703018猷f，薹彳砂锉夫晕硕士学位论文基于视觉显著性的视频偏色检测的应用研究学位申请人： 程奥运学科专业： 计算机科学与技术指导教师： 陈黎答辩日期： 2017年5月14日万方数据A Dissertation Submitted in Partial Fulfillment of the Requirementsfor the Degree of Master in EngineeringThe Application and Research of VideoColor Cast Detection Based on VisualSalienc

2、y Master Candidate： Aoyun ChengMajor：Supervisor：Computer Science and TechnologyProfLi ChenWuhan University of Science and TechnologyWuhan，Hubei 430081，PRChinaMay,2017万方数据武汉科技大学研究生学位论文创新性声明本人郑重声明：所呈交的学位论文是本人在导师指导下，独立进行研究所取得的成果。除了文中R经注明引用的内容或属合作研究共同完成的工作外，本论文不包含任垂睁猢蔓个人或集体已经发表或撰写过的作品成果。对本义的研究做出重要贡锬的个人和

3、集体，均ij在文中以明确方式标明。巾清学位论丈J孑资料荟ff夕l-：实之处，本人承：M一切相关责任。涂文鞠；者签名：翌鱼亟一H潮：，垫盟二量I羔一研究生学位沦文版权使用授权声明本涂文的讲：究成：粱归武汉科技大学所有，：共研究内容不得以其它学位的名义发表。本人完全了解武汉科技大学有二，_)t,tlK-I留、使用学位论文的规定，同意学校保留并向有关部门(按照武汉科技大学关于研究生学位论文收录工作的规定执行)送交论：逆的复印件和电予版本，允许沦文被查阅和借阅，同意学校：蟹本论文的全部或部分内容编入学校认可的国家相关数据库逊亍检索和对外服务。论文作者签名：指导教师签名：日 期： 伽1162_万方数据摘

4、要偏色检测是计算机视觉领域的一个热点问题。目前工程应用中常出现的偏色检侧方法包括灰平衡法、直方图统计法、先验知识法和等效圆法等。但这些方法都存在一定程度的局限性。视觉显著性计算模型的研究为视觉计算领域中的难题提供了一种解决的新思路。近年来，许多传统的应用模型渐渐进入了一个瓶颈期，而视觉显著性计算模型却蓬勃发展，己成为一个热门的研究领域。许多研究者希望这种新思路能使得视觉计算领域能够有所突破。基于以上两点本文将显著性用于偏色检测算法中，主要研究工作如下。调研显著模型框架及研究内容过程中，发现显著性研究主要分为“显著性图”及“显著性区域”。对此，提出两种基于视觉显著性的视频偏色检测算法。首先提出一

5、种基于超像素Lab显著性的视频偏色检测算法。该方法利用超像素分割获取位置相邻且颜色、亮度、纹理等特征相似的像素区域，旨在通过超像素特征提取、特征融合及归一化等得到灰度显著图对视频图像偏色程度作初步判断，并通过SVM得到分类回归模型，对偏色正常视频进行分类并对偏色程度评分。其次提出一种基于显著性区域特征的视频偏色检测算法。该算法通过显著性模型得到显著区域对偏色正常视频分类，提取显著区域的特征判断视频偏色类型并估计偏色程度。本文依次对两种方法进行实验测试，相对于等效圆算法以及其他传统算法而言，本文算法不仅提高偏色检测准确率，而且偏色程度更接近人主观判断，同时检测视频偏色类型，为视频偏色检测提供了一

6、个新的研究方向。关键词：偏色检测；视觉显著性；超像素；SVM；显著区域；偏色程度万方数据AbstractColor cast detection is a hot issue in the field of computer visionNowthe c010rcast detection methods which often used are gray balance，histogramstatistics，priorknowledge and SO onBut，these methods have a certain degree of limitationTheresearch of

7、visual saliency put forward a novel thought for the domain of computerVISIOnIn recent years，many traditional application models have meta boRleneckperiod gradually，and the visual saliency model is boomingThen many investigatorswish that the new thought can make big progress in computer visualBased o

8、n the twopoints above，this paper will apply saliency to color cast detection，the main researchwork iS as followsAccording to the research found in the process of learning the model of saliency，two kind of color cast detection methods based on visual saliency are put forward inthis papenFirst，a video

9、 color cast algorithm based on super-pixel and Lab saliencv isproposedThis paper extract features of super-pixel，features fusion and nonnalizationto obtain saliency map which can judge the degree of color cast tentativelyThen，usingSVM to class and gradeSecondly,an algorithm based on saliency regiona

10、lcharacteristics is proposed in this paperThis method aims to obtain salient region toclassify for the normal and color cast videosThen，judge the type and degree of videocolor castCompared with the equivalent circle method and other traditional algorithmthemethod in this paper not only improve the a

11、ccuracy of color cast detection，the degree ofpartial color is also more close to the subjective judgmentBeside，the method in thispaper judge the type of the color castIn short，this paper put forward a new researchdirectionKeywords：color cast detection；Visual saliency；superpixels；SVM；salient region；d

12、egree of color castII万方数据目 录摘要IABSTRACTII第l章绪论111研究背景和意义112国内外研究现状l121偏色检测研究现状2122显著性研究应用现状313研究内容414论文章节安排5第2章显著性模型框架综述621引言62。2预处理723显著性特征82。4显著性生成策略1025显著性融合策略1 226结论17第3章基于超像素LAB显著性视频偏色检测l 831超像素分块1832显著性特征提取20321颜色空间选择20322亮度显著特征20323颜色显著特征23324特征融合2333 SVM训练24331 SVM原理一24332实验过程2534实验结果与分析25II

13、I万方数据341偏色显著图26342视频偏色检测26343偏色程度主观一致性2735结论一29第4章基于显著性区域特征的视频偏色检测算法一3041视频偏色显著性区域检测31411图像特征提取32412显著性区域确定33413偏色正常视频判断34414显著区域结果与分析3442基于HSV的视频偏色类型检测37421 HSV颜色空间37422显著区域特征提取38423视频偏色类型结果与分析。3943偏色程度检测40431显著区域特征提取4043。2主观一致性实验4l44结j沧41第5章总结与展望4351本文工作总结4352后续工作展望43致谢44参考文献45附录l攻读硕士学位期间发表的论文49附录

14、2攻读硕士学位期间参加的科研项目50IV万方数据第1章绪论11研究背景和意义近几年，随着多媒体以及互联网等技术的日益普及，视频的应用也越发广泛，视频图像作为一种简单、直观和高效的信息载体，并且相对于其他形式的信息更形象、更丰富。此外，人们主要是通过视觉获取信息，所以视频图像在视觉感知媒介中的重要程度不言而喻，人们对视频质量的要求也越来越高。在数字成像设备成像阶段，视频图像被拍摄出来的颜色与其自身真实颜色存在某种程度的差异从而形成偏色，这是由外界因素及拍摄设备的物体特性造成的。这不仅给追求良好视觉效果的人们带来极大的不便，更严重的会妨碍人们对后续问题以及其他领域问题的解决。作为视频图像其中两个最

15、首要的特性，颜色和亮度具有大量最直观的可视讯息。偏色检测在机器视觉领域具有重要意义：(1)在科学研究方面，肤色检测、人脸检测、图像检索、视频处理、视频检索、目标跟踪等诸多关于图像和视频分析处理的算法研究中，图像中所包含的颜色特征往往是其中专研的关键线索。但是，对于偏色图像而言，以上算法的效果将显著降低，乃至失效。(2)在安防保障中，社会的发展推动监控系统规模扩大，从而使得摄像头数量逐渐增加。同时，视频效果必须保证清楚且正常，因为人们对监控设备系统的工作状况的要求也越来越严格。当监控设备中的若干摄像头所拍摄出的效果呈现出偏色异常时，假如无法及时察觉并给予处理的话，极有可能将导致社会产生巨大的损失

16、。(3)在生活娱乐中，随着生活质量的提高，人们的用户体验需求也越来越高，娱乐视频等一旦出现偏色情况，会给人们感官享受造成一定影响。综上所述，视频偏色检测越来越受到人们的关注，使其成为科学研究、安防保障和生活娱乐等领域不可或缺的一步。12国内外研究现状偏色检测在实际应用中具有不可忽视的价值，因此，国内外研究学者在这方面做了许多研究。迄今为止，偏色检测算法主要可分为主观判断和客观分类度量两类。其中主观判断是观察者根据已有的经验或预先制定的评价标准对视频偏色进行判断，虽然结果较好，但是需要大量人工操作，很不方便，耗时长，代价大，使得主观评测方法对大量视频无法实施且不切实际。这便使得客观分类度量应运万

17、方数据武汉科教大学硕士学位论文而生，而客观方法是利用机器视觉模拟人主观认知对视频进行偏色情况检测，该方法不仅省时省力，成本低，代价小，且不受观察者经验知识、外部环境等因素的影响。121偏色检测研究现状至今，国内外用于检测偏色异常的算法有很多，其中最经典的算法是灰平衡法【lj和直方图统计法【21。Forsythtl】等人提出了一个满足“灰度世界”的前提假设，该方法为得到客观匀称的坐标，因此使用Lab颜色空间。然后通过与中心点的色度距离确定图像是否包含偏色异常。而在图像状况处于过亮或过暗或图像色彩相对单调等条件下时，“灰度世界法”这一假设前提将不再成立，此时，灰度世界法差不多全盘作废。Zheng2

18、】等人主要以RGB三通道的平均亮度来确定图像是否包含偏色。其方法主要是依据图像所呈现的全局色彩，统计RGB三通道的颜色直方图。但图像发生偏色的起因众横交错，直方图统计这一方法基本很难周到且无误地判别不同图像的偏色情况。基于以上算法的局限性，研究者们又提出了新的算法用于检测偏色异常。胡【3 J等人的先验知识法根据人脸肤色的色差分量聚合在一个相对较小的范围这一实践结果，对人脸数字图像进行白平衡处理时，无需参照物即可主动完成白平衡操作。Ebner4】等人通过神经网络训练学习图像中光照色度的关系，使得训练后的神经网络可以确定图像的亮度，从而相对于标准光源校正图像颜色。Huang5-6等用摄像机得到相同

19、图片在标准光照和其他不同色温光照下的样例，建立一个颜色参照系统，然后将其与待检测的图像比较。该方法所建立的偏色库过程繁琐，自动化程度低。徐晓昭【71等人引进“等效圆”这一观点，提出了基于图像分析的偏色检测方法，使用偏色因子评价图像是否偏色以及其偏色情况。其中，偏色因子是通过计算平均色度和色度中心距的比值得到的。但对于偏色程度较小的图像，文献【7】方法就会失效。此后，不少研究者对等效圆算法进行改进【11】。刘齐【81等在舌诊图像偏色检测中，将舌诊图像中的平均色度和色度半径和标准光照下图像的该值对比，计算偏色误差，用于定量评价图像的偏色程度。Lu【9J等提出的基于AB色度直方图的偏色检测方法，将图

20、像全局的色度中心和色度半径与该图像区域灰度中心的值相比较，该方法克服了图像偏色程度较小而检测失效的局限性，但区域灰度中心的选取过于主观化，不利于实现自动化的图像偏色检测。Li101等提出的偏色检测方法在等效圆的基础上加入图像纹理丰富度的修正参数，能够避免单一色调图像的误检。这些算法大体上都是利用图像在Lab空间的色度平均值与中心的差异来考察偏色图像，该方法过程简练，对偏色图像的检测效果较好，但当应用在一些正常图像时，容易出现误报的现象，且其结果准确率相对偏低。巢J等人在等效圆万方数据武汉科技大学硕士学位论文的偏色检测和偏色划分的基础上，提出了一种基于图像偏色检测的自动白平衡算法研究算法。以偏色

21、级别判定的尺度因子为依据来检测偏色图像，将灰度世界和完美反射的白平衡算法结合起来从而提出了一种自动白平衡算法。祝【12J等人的加减性色彩系统盲估计方法通过贝叶斯融合三通道的颜色比率和能量差得到的偏色因子来确定图像是否属于偏色，并利用颜色比率判定图像的偏色类型。李Il 3J等人的基于方差因子的偏色算法运用统计学的知识探讨图像的色偏情况，统计了某种拍照设备在五种不同情景多种模式下的图像的偏色因子及其之间的方差值。以任何情景下多种模式下拍摄的图像不偏色这一原则，比较统计的偏色因子及其方差值，在图像的三个偏色因子满足差值小于01且其方差值小于0Ol这一条件时，图像不属于偏色。上述偏色检测算法在某种程度

22、上有一定局限性，且无法对偏色类型和偏色程度进行判断。对此，本文提出将目前机器视觉中发展热点显著性用于偏色检测，欲为偏色检测研究领域遇到的困扰提供一个新的方向。122显著性研究应用现状1980年，美国普林斯顿大学的Treisman和Gelade提出了注意的特征集成理论(Feature Integration Theory)，而图像显著性最早起源于20世纪80年代由Koch和Ullman提出。在计算机视觉领域内，作为降低计算复杂度的预处理步骤，显著性吸引了大量学者的兴趣。目前，显著性检测应用非常广泛，几乎已经渗透到人们生活当中，总体可分为四个领域：工业、军事、民用以及科学研究。图11所示为显著性具

23、体所用之处。显著性研究应用于各个领域，己渗透到人们生活的各个方面，尤其在科学研究方面，其主要是依靠显著性在图像处理与机器视觉中的研究。以下主要讨论显著性在机器视觉和图像处理方面的科学研究。比如目标检测【14J和识别Il 5I，图像分割【16】，图像分类【1 71，图像质量评价【1引，图像检索和目标重定位20-211等。图11显著性应用3万方数据武汉科-技大学硕士学位论文TorralbaIl4J等人利用光谱组件的空间布局表示全局上下文信息，并根据概率框架建模环境和对象属性之间的关系，从简单的整体场景中推断目标对象的位置和尺度。Rutishausertl5l等人提取图像位置、大小和形状等特征，利用

24、这些特征实现无监督学习的对象标记图像以识别显著性目标。Rother16】等人通过提取颜色信息和边界纹理信息，再加上少量用户交互操作对图像进行分割，其关键在于目标和背景的概率密度函数模型和交替迭代优化过程。Yang07】等人提出将显著性编码和特定类别的码本结合，通过显著性模型检测出显著性区域，然后根据图像显著区域的特征对图像分类。Ma18】等人考虑物体的运动轨迹，提出基于显著性的方法检测视频序列，利用图像空间内容和时间的运动特性等新的四元数描述视频序列的帧，并通过傅立叶变换四元数来构造视频序列的视觉显著性，最后将检测到的显著性作为视频评价指标。Chen!四】等人利用显著性模型得到手绘素描场景的显

25、著区域并标记为文本标签，同时得到在线搜索的场景和背景的显著区域并使用文本标签标记，最后匹配达到将手绘素描转换为逼真图像的目的。Dingt20】等人提出新颖的基于滤波技术对目标重定位。首先引导图像结构特性过滤图像，并使用加权滤波器构造光滑映射改变图像梯度最后呈现目标图像的重定位。言而总之，视觉显著性在图像处理与机器视觉方向有巨大的潜力和应用价值，同时指导图像处理方向的探索任务。而目前国内外对于将显著性这一模型应用于偏色检测这方面没有相关研究著作，因此本文将对显著性开展深刻的研究学习，从而使显著性解决视频偏色检测的问题，这将成为本文最主要的创新点。13研究内容本文的主要工作如下：(1)对偏色检测算

26、法及显著性应用现状调研并进行归纳总结。(2)提出一种基于超像素Lab显著性算法用于偏色检测。该算法对视频图像超像素分块，然后根据亮度、颜色对偏色的影响计算出亮度显著信息和颜色显著信息，融合亮度显著信息和颜色显著信息，最后通过SVM训练得到参数模型评价视频图像的偏色情况。(3)提出一种基于显著性区域特征的显著性视频偏色检测算法。该方法首先将不同特征组合成特征向量，使用SVM训练得到视频图像的显著区域并进行对比实验。然后提取显著区域的特征对视频偏色类型分类并对视频偏色程度评分。本论文的创新点就是将显著性研究应用到偏色检测上，提出两种不同思路的显著性偏色研究。一种是得到显著灰度图，根据显著图可判断偏

27、色及偏色程度。另一种是提取得到的二值显著区域再对其偏色类型及程度进行判断。万方数据武汉科教大学硕士学位论文14论文章节安排第l章：绪论。本文首先阐述了论文开展的背景及意义，偏色检测现状、显著性研究的应用现状，并指出本文的关键内容、创新点和具体实验过程。第2章：显著性模型综述。本文主要对显著性模型总结，提出显著性研究内容的两大方向，并指出显著模型主要由预处理、显著特征提取、特征显著图生成、显著图融合四个基本过程形成， 同时对这基础框架进行描述。第3章：基于超像素Lab显著性视频偏色检测方法。本文主要提取超高像素块的亮度、颜色等特征并进行特征融合，归一化得到灰度显著图对视频图像偏色程度作初步判断，

28、再通过SVM分类回归对偏色正常视频分类并评分。第4章：基于显著性区域特征的视频偏色检测算法。针对视频图像，本文首先提取视频图像不同特征进行对比试验得到显著区域并判断视频是否偏色，然后提取显著区域特征判断偏色视频类型以及偏色程度。第5章：总结和展望。总结分析本文的研究学习工作及相关实验经验，并归纳算法的不足之处及后续工作安排。万方数据武汉科教大学硕士学位论文第2章21引言在人类面对复杂的生活场景的时候，视觉机制总能帮助我们快速、准确的找到目标位置。随着神经生物学、认知心理学以及计算机视觉科学的不断发展，视觉显著性的研究也在快速发展中。就目前的显著性研究模型一般能归纳为两个方向：自底向上(bott

29、omup)基于数据驱动的显著性区域突现，以及自顶向下(topdown)任务驱动的目标突现。显著性研究模型的两大类框架各有优缺，自底向上的模型这一过程基于数据驱动实现，它是下意识的、快速的，它引导我们迅速注意到某些特定的区域，但是对全局形状信息的的检测能力不足；而自顶向下的模型的过程是以目标驱动的，它是依赖任务的、慢速的，它主要是在复杂的视觉识别任务重，对全局信息进行检测生成显著图，因而某些细节信息可能会被忽视。目前，自顶向下的研究模型相对较少，且相对自底向上模型而言，自顶向下模型的复杂度较高。从不同的角度出发，总体而言，视觉显著性的研究方向主要有“显著性图”检测和“显著性区域”检测两大类。其中

30、，显著图(Saliency Map，SM)是一幅大小与原图像相同的灰度图。显著结果图可在模型的基础上预测人视觉注意焦点的位置，可以形容图像各个部位的显著程度，其像素值即体现原图像相应位置的显著程度强弱。而显著区域则表示整幅画面中最能突出图像内容、吸引用户眼球的部位。将使用显著模型计算出的显著性区域，与人工标注的显著区域对比可判断模型检测效果。在两类显著性模型研究过程中，显著图检测着重点是测验模型估计结果与视觉注意集的匹配度，显著区域检测着重点在于探索更接近图像正确的显著区域。迄今为止，相关科研人员提出了各种不同的计算视频显著性的模型，本章所介绍的，是采用不同策略的自底向上的模型。因为视觉显示模

31、型是模拟生物体视觉注意机制而建立，整体而言各类模型具有相同的基本特质，无论何种模型均要解决这样的四个基本问题，分别是：对输入的图像做预处理、提取图像的显著性特征、找到特征显著图的生成策略、根据特征显著图融合得到最终的显著图。由此，我们可以将上述四个核心问题转化得到一个基本流程图，其具体情况如图21所示。值得注意的是，流程图中的四个阶段既不需要全部执行，也不需要全部分离。如在某种特定的情况下，显著图融合过程中所生成的特征显著图，就已经能够表示最终显著图，那么最后的融合步骤也就无需执行了。本章将就流程图所述6万方数据武汉科技大学硕士学位论文的四个研究步骤进行具体阐述。预处理!：说精魂著模型流程图2

32、2预处理现有的显著性-i模型算法主要：鉴于图像像素、图像块以及超像素块等单元计算图像显著图。因此，本节主要讲解超像素央分割二2003年，Renl22j等人引入超像素这一观点，并指出超像素依据像素问的相关性将图像进行分臾，超像素块是位盈相邻目特征相似的像素区域组成的，其特征包括颜色、亮度和纹理等。相对丁直接分块i面言，超像素块研以减少边缘信息破坏，得到图像的有效局部结构信息，极可zH,匕l-1地减少后续图像处理过程的复杂度。当今常见的超像素分割算法大体可分为以F两类：基于图论的算法和基于梯度下降的算法。基于图论的超像素分割算法主要包括Ncut(nonnalized cuts)方法【7川、Grap

33、hbased力法【24J、Superpixel lattice方法【25】和基于熵率方法【261等。基于梯度下降的超像素分割尊法主要包括Turbopixels方法f271、MeanShift方法【281、分水岭(Watersheds)j法和SLIC(Simple Linear Iterative clustering)算法等。Achanta等人130】的SLIC算法思想简单，：埒颜色和距离等特征相似的像素点通过聚类的思想，生成的超像素块尺寸均匀且形状规则。以下主要介绍基于SLIC的算法。SLIC超像素分块方法是由Achanta等人【301提出的。该算法对5维特征向量建立衡量尺度，这5维特征向量

34、是通过将彩色图像生成Lab和XY坐标得到的。该算法不仅具有运行速率快的优点，且可得到分布紧密、大小相对匀称的超像素块，详细方法如下所示：a)初始化种子点。对于某图像，假如将有个像素点的该图像切分为K个大万方数据武汉科技大学硕士学位论文小均匀的超像素图像块，即其尺寸分别是K，那么每个种子点的间隔大概是S=K。为防止种子点即聚类中心位于图像边沿部位，也为预防对接下来聚类过程形成困扰。SLIC算法主要是在33的矩形块内将种子点即聚类中心移动到梯度值最小的区域，并分别给对应种子给予独自的标签。b)相似度衡量。逐个计算图像中每个像素点及与之间隔相对最近的种子点的相关性。然后，该像素即被赋予相对类似的种子

35、点的标签。不断循环该过程，直至收敛为止。此时，像素间相似度的权衡关系如下： 叱：厄刁可i了而如：瓜iF而了(2-1)D=小专d9其中：像素点间的相关性用口来表示，像素间的颜色区别用屯。表示，像素间的欧氏距离用d。，来表示，而种子点的距离则用S表示，衡量变量值用m来表示，其主要用于权衡欧氏距离与颜色信息在相关性中的比例分配。其中，D，结果值与像素间的相关性呈正比。当种子点作聚类操作时，为提升算法的运行速率，本算法将以种子点为中心的2Sx2S区域代替整张图，搜寻相似像素点。23显著性特征视觉显著模型是模拟生物体的视觉注意的一种机制，显然图像中所显示出来的颜色、形状，亮度等特质更能抓住人的眼球。那么

36、，在建立视觉显著模型的过程中，首先要考虑的问题就是如何选取上述这样能够刺激视觉系统的特征。除上述特征之外，还有例如纹理特征、部对比度特征、全局对比度特征等也能刺激视觉系统，而这些特征在其他领域也被广泛使用，本文对此不作过多论述。近年来，先验信息在显著模型中运用广泛，本文将着重介绍中心先验信息、背景先验信息这两种。先验信息是指在获得样本及测试前，先获得一些历史信息。如果图像的显著目标位于中心，那么我们采用中心先验信息31-32】即可获得良好的效果，可用如下式的高斯模型表示：即卜卅掣+掣其中从、u。为图像的中心坐标，Ox、Oy为x与Y坐标的方差。但是正如前文万方数据武汉科技大学硕士学位论文提到，中

37、心先验信息能获得较好的效果，有一个前提条件是图像的显著性目标位于图像的中心，反之，如果这种假设不成立，继续使用这种方法得到的结果就会与实际情况出现较大的误差，因此这种方法具有较大的局限性。有鉴于此，Yangt33】等针对中心先验信息鲁棒性不强的特点，提出一种基于凸包的中心先验方法。这种方法的特点是，首先对给定的图像检测Harris点得到Harris角点，其次将之连接成为最小的凸多边形，然后剔除最小凸多边以外的区域，最后找到最小凸多边形的中心作为中心显著图的中心。最小凸包的显著区域表示如下：即一坤(-掣一掣龅 p3，Z(i) f诺最小凸包除了上述的中心先验信息之外，背景先验信息的研究也是视觉显著

38、性研究的热点方向。对那些背景区分度比较大的图片，通过数学公式将之建模，然后分离出显著性目标，在这一核心思路下的显著性研究称之为背景先验信息。这种方法是基于已有的显著性算法检测结果，高度依赖于当前的检测结果Wei【34】等已经在这方面展开了相关的研究工作。图像的边界大多为背景，在对大量的图片进行观察后，Yang351和Lil36J等发现并做出这一假设。基于这样的一种假设，我们可以通过其他图像块与边界的差异性来确定该图像块的显著性，差异性越大表示显著性也越大。Yang”】和Lil36J等采用了不同的方法来验证他们的假设，前者将获取前景的可靠性估计作为显著性，而使用流形排序的方法扩散并增加此背景模板

39、；后者将重构误差当作初始显著图，而采取从图像边缘处提取背景模版，并通过稀疏分析和主成份分析的方法。尽管Yang35】和Lit361通过实验证明了他们的假设是有效的，不过，按照他们的方法设想一下，如果图像的背景比较杂乱时，那么他们最后得到的显著图就会有比较强的噪声。由于他们所观察的样本具有先天的偏见性，从而也导致这种方式的鲁棒性也就大打则扣。针对“图像的边缘大多为背景”这一前提的局限，ZhuI”J等为增强鲁棒性，界定将边缘的连通性当作背景进行测量。Han【38J等精炼显著图，利用基于目标显著中心，并利用重构误差的方式衡量背景先验信息。尽管这些算法弥补了上述假设的一些缺陷，但是它们仍然具有很大的不

40、确定性，因为他们还是基于图像边界为背景的假设。先验信息中，无论是“中心先验信息”或者是“背景先验信息”均有一定的万方数据武汉科教大学硕士学位论文限制性，同时他们又具有一定的互补性，因而现在已经有许多研究根据两者的此种特性，提出了融合两者优势的方法。24显著性生成策略在选取有效的特征后，所有视觉显著模型中都需要解决的问题是，如何在提取的各个特征的条件下，使用适合的显著图生成策略。显著图融合的最终效果如何，取决于选取的显著性生成策略。其中，区域比较、全局比较以及多尺度多分辨率分析，这三种策略，是最常用的显著图生成策略。这三类方法各有优缺，为了优化最终显著图的结果，我们往往结合运用多种方法。以下对这

41、三种不同的生成策略，分别简要说明。(1)区域比较根据视觉系统感知事物的一般规律，不难发现，人眼对图像中不同区域的感知存在较大的差异，尤其是当图像的某个区域较之于周边对比明显，这种差异更为明显。区域比较方法通过在同一分辨率、单一的尺度等条件下，选取图像中颜色、亮度等不同于其他区域的局部图像块进行比较，从而达到模拟视觉系统侧抑制机制的目的。该类方法常常采用这样两类策略表示显著性强弱，一是：利用单一的特征比较，比如前面提到的颜色、亮度等；二是，使用一定的模型将图像进行切割，然后得到具有特定含义的高层语义特征。所谓单一特征比较，我们可以理解为在进行区域特性显著性计算之前，直接提取能区分显著性的底层特征

42、。如基于区域的信息度量方法，是Brucel391等提出的经典区域比较方法。度量信息量方法如下，直方图M(i，)表示局部点(i，J)及其领域，信息量计算彳(j，J)=一log(p(，)，其中p(i，J)=Pr(M(i，j)lneighb)为(f，J)中的概率，信息量的值代表了(i，1在局部区域的显著度。除了这样几种区域比较方法之外，K一三散度也是十分优秀的区域比较方法，他由Harelt40】等提出一种更加接近视觉机制的、基于图的概率模型的方法，如式(24)所示：娟“)g)乩g黜 (2-4)另一种区域比较策略是，先使用适合的方式对图像进行分割，再提取拥有特定含义的高层语义特征的区域，以此来表示显著

43、性程度。这种区域比较方法建立了中层视觉特征，从而可以体现更为丰富的信息，它在一定程度上脱离了低级特征。同时，中层特征能灵活的适应于后续处理，如为实现显著目标计算，能使用KlO万方数据武汉科-技大学硕士学位论文均值聚类算法来表现图像的超像素。在RGB空间中计算空间间隔，可以利用基于中层视觉线索方法【411。通过区域比较的方法获得显著性特征，此种策略优势比较明显：比较容易理解，计算量也不大。同时我们也发现，这种策略在检查尺寸不一的显著性目标时，鲁棒性不强，检测结果准确性不高，因而与多尺度多分辨率方法结合应用，是研究工作中的常见现象。(2)全局比较对于某个目标图像，图像从全局分析的平均值很容易获取，

44、显著性的目标必然在频域及空域等方面高于该均值。基于此种认知，只要将全局平均值与单个显著性目标进行比较，便能获得最终的显著性特征。这种生成显著性特征的策略，被称之为全局均值比较策略，其计算方法如式(25)所示。(x)=妒(x)一伊(；) (2-5)其中，各个子图的显著性特征用妒(x1来表示，而整个图像的显著特征的均值用妒fxl来表示，最后经过上式的计算，得到最终的显著性结果。、 ，该方法实现容易，计算也比较简单，傅里叶系数、纹理、颜色等都是用于描述特征的方法。如基于频域的SR算法【421，在进行计算之前，需要对图像亮度进行二维离散傅里叶变换，这样一来就将图像从空间域变换到频率域，然后进行相应的计算。先计算图像幅值对数谱，紧接着将对数谱做均值滤波处理，再将两者的对数谱作差运算操作。最后，将频率域逆操作至空间域中获得的最终结果，即为显著性特征的图像。基于中央周边差的FT算法14列中，首先分别获得Lab中的L、a、b通道值，再作高斯平滑滤波处理得到对应通道平滑后的特征图，同时计算所有滤波后图像的均值，最后对两者进行差运算，从而计算得到显著度。值得一提的是，以上算法中的阈值较为单一，对于许多自然图像适应性不强，且鲁棒性相对较差。所以为了提高