基于顏色和空間融合的顯著圖算法

陳春紅，張曉林

（中國科學院上海微系統與信息技術研究 所仿生智能微系統實驗室，上海200050）

基于顏色和空間融合的顯著圖算法

陳春紅，張曉林

（中國科學院上海微系統與信息技術研究 所仿生智能微系統實驗室，上海200050）

針對計算機視覺模型中顯著圖求解的問題，本文提出了基于顏色和空間融合的顯著圖算法。首先對圖像進行超像素分割，再根據圖像顏色對比度及空間信息，計算顏色顯著圖和空間顯著圖，最后根據區域連通性和動態閾值自動去除非顯著區域，完成顯著性目標計算。將本文算法在MSRA10K_Imgs_GT數據集上得到的結果和幾種主流算法進行比較，通過人眼觀察以及準確率、召回率、F-measure值指標評判，結果表明本文算法的顯著性目標計算更為準確。

顯著圖；顏色；空間；全局對比；動態閾值；準確率-召回率曲線

近年來，面對計算機技術的迅速發展和視覺數據的迅猛增長，如何從如此大量的圖像、視頻中獲取有效的視覺信息，成為計算機視覺特別是雙目立體視覺的首要任務。視覺顯著圖作為雙目立體視覺的重要研究部分，在非監督性圖像分割、圖像增強、注視點預測、顯著目標檢測和識別等領域發揮越來越大的作用，高質量的顯著圖是很多應用的基礎，如：基于內容的圖像處理[1-2]，非照相寫實主義的三維渲染[3-4]，圖像場景分析[5-7]，自適應圖像壓縮[8]，偽造犯罪檢測[9-10]。

視覺顯著圖的求解模型分為兩種：一種是自底向上的、刺激驅動的模型；另一種是自頂向下的、任務驅動的模型。研究結果[11-12]表明，前者更加符合生物視覺系統對圖像和場景的理解。

目前自底向上的、刺激驅動的模型發展迅速，Itti等人基于紋理、顏色、方向3種特征信息提出經典的Itti-Koch模型[13]，該模型能夠快速得到圖片中的“顯著區域”，但該顯著區域不符合物體的實際形狀。Ko和Nam通過訓練圖像分割特征得到支持向量機從而得到顯著區域，然后合并這些顯著區域提取顯著性目標[14]。Han在馬爾科夫隨機場中建立顏色、紋理、邊緣特征的模型[15]，通過對顯著圖中的種子值得到增長的顯著目標區域。Achanta等通過mean-shift得到的分割圖像的平均顯著值，利用自適應的閾值來找到顯著目標[16]。程明明等人基于區域級別的對比度建立模型得到顯著目標區域[17]。

上述算法雖然能大致描述圖像中顯著性目標，但是所求顯著圖通常是灰度圖，無法準確表達顯著性的目標區域。

1 算法描述

1.1 算法流程

文中提出了基于顏色和空間融合的顯著圖求解算法（CSF-Color and Space Fusion）算法，算法首先采用SLIC超像素分割算法對目標圖像進行分割，計算分割圖像中每塊區域Lab空間的平均顏色值，并根據閾值對相鄰相似區域進行合并；其次在顏色和空間上基于全局對比度分別建立顯著圖，同時進行歸一化處理；然后基于圖像邊緣的非顯著性目標假設，以圖像的邊緣區域作為初始種子區域、以全局特征建立動態閾值，去除顯著圖中的非連通區域；最后以顏色顯著圖為基準，合并空間顯著圖的連通區域，求得最終的二值化顯著圖。算法總體框架如圖1所示。

1.2 SLIC分割及基于動態閾值的相似區域合并

1.2.1 SLIC分割

SLIC算法[18]是一種超像素分割算法，其本質是K-means聚類算法，該算法可以良好的保持圖像的邊緣特征，是目前使用十分廣泛的圖像分割算法。

圖1 算法的總體框架圖

算法的基本步驟[18]如下：

1）將RGB圖像轉換為LAB圖像；

2）均勻分布種子點，將種子點的5維特征值LABXY作為分類的中心點特征值存入種子向量中；

3）對整張圖像進行局部的K-Means聚類，生成超像素；

4）對生成的初步超像素圖像，合并孤立超像素。

1.2.2 基于動態閾值的相似區域合并

對圖像進行SLIC分割后，如果相鄰區域的顏色值的差值小于閾值，則合并該區域，即：

其中ri表示第i個分割區域，ri和rk是兩個相鄰的區域。

確定動態閾值Ta采用如公式（1）的方式對相鄰的相似區域進行合并。

其中Ta為相似區域合并閾值，Ns為分割區域個數，分別為第i個分割區域ri的平均L、a、b值。

對于每個合并之后的區域ri，對應的圖像的像素個數為Nm（i），其中i=1…Nm，Nm為合并之后的區域個數，其區域的顏色值為所有待合并的區域的顏色值的平均值，即：

其中，Ni為與第i個區域ri合并的區域個數，labeli表示需要與第i個區域ri合并的區域的原始標號。

對輸入圖像進行SLIC分割以及相似區域合并平均的結果圖如圖2所示：

1.3 基于顏色對比度的顏色顯著圖求解

測為表示圖像中顯著性目標的顏色稀缺性信息，文中基于顏色特征的全局對比度確定顏色顯著圖，對于每個合并之后的分割區域ri，對應的圖像的像素個數為Nm（i），其中i=1…Nm，Nm為合并之后的區域個數，每個區域的全局顏色對比度特征C（ri）按公式（4）計算。

圖2 SLIC分割及相似區域合并結果圖

其中Dc（ri，rk）表示每個圖像區域中的顏色值與所有其他區域的圖像顏色值的加權平均距離，W是圖像寬度，H為圖像高度。

對每個區域的全局顏色對比度特征歸一化到[0，1]，然后基于圖像邊界非顯著的假設，利用連通圖的合并算法，將邊界點處的相似區域合并為非顯著區域，獲得每個區域ri對應的顏色特征C0（ri），即顏色顯著圖。

1.4 基于空間信息的空間顯著圖求解

文中根據圖像中顯著性目標的空間位置信息確定空間顯著圖，對于每個合并之后的分割區域ri，i=1…Nm，每個區域的空間特征S（ri）按公式（6）計算。

其中Ds（ri，rk）表示每個圖像區域中的空間位置值與所有其他區域的圖像空間位置的加權平均距離，W是圖像寬度，H為圖像高度，表示區域ri的平均位置坐標。

將每個區域的全局空間信息特征歸一化到[0，1]，基于圖像邊界非顯著的假設，利用連通圖的合并算法將邊界點處的相似區域合并為非顯著區域，進而獲得每一區域ri對應的空間位置特征Sn（ri），最終按公式（8）計算空間顯著圖S0（ri）：

1.5 顏色顯著圖及空間顯著圖合并算法

由于人眼對于顏色特征的對比度比較敏感，本文提出了一種基于顏色顯著圖，融合空間位置特征的顯著圖求解算法，算法的具體實現方法如下：

1）基于顯著區域的連通特性，去除顏色顯著圖以及空間顯著圖的非連通區域；

2）以顏色顯著圖為基準，合并空間顯著圖中的顯著區域，即：

顏色顯著圖中非顯著，但空間顯著圖中顯著的區域ri，若在顏色顯著圖中，其鄰域范圍中有顯著區域rj，并且其顏色距離滿足公式（1），則增加該區域為顯著區域。

按照上述算法，求解最終的二值顯著圖。

2 算法結果及分析

文中在MSRA10K_Imgs_GT數據集[17]上測試結果的性能，MSRA10K_Imgs_GT數據集是程明明等人針對顯著性目標檢測提出的具有代表性的數據集，該數據集中的每幅圖像均包含一個非模糊的顯著目標，并且在相應的顯著目標區域周圍均有像素大小的標準顯著圖標號。利用文中算法在該數據集上測試出的有代表性的結果如圖3所示：

圖3 顯著圖測試結果圖

將文中算法的顯著圖求解結果與目前其他相應算法做比較，結果如圖4所示：

圖4中（h）是利用本文提出算法計算出來的結果，（i）是顯著圖的標準結果，從圖4中可以看出本文的算法能夠很好地描述圖像中的顯著區域，與圖4中其他算法比較優勢明顯，并且與標準結果相差不多。

圖4 各種算法的顯著圖結果比較圖

根據參考文獻[16，17]，文中通過計算準確率-召回率曲線以及F-measure值，來比較算法的優劣。準確率Pr公式（9）用來反映被分類器正確分類的樣本的比重；召回率Rr公式（10）用來反映分類器分成的正樣本中被正確分類的樣本的比重。F-measure值Fβ按照公式（11）來計算：

其中設置β2=0.3，來保證對精確度更高的要求。

在數據集上測試的結果如圖5：

圖5 不同算法的準確率比較

從圖5（a）中可以看出，本文提出的算法（CSF）的準確率-召回率曲線更趨近于（1，1）點，表明本文算法具有明顯優勢。從圖5（b）中可以看出在固定閾值下準確率、召回率、F-measure值的取值，文中算法（CSF）均有明顯的優勢。

3 結 論

文中研究了視覺顯著性模型，并基于顏色、空間的全局對比度的方法，提出了基于顏色和空間融合的顯著圖算法，實驗結果表明該算法效果良好，可以較準確的提取圖像中的顯著性目標。

[1]Panozzo D，Weber O，Sorkine O.Robust Image Retargeting via Axis-Aligned Deformation[C]//Computer Graphics Forum. 2012:229-236.

[2]Mai L，Le H，Niu Y，et al.Rule of Thirds Detection from Photograph.[C]//2013 IEEE International Symposium on Multimedia.IEEE，2011:91-96.

[3]Rosin P L，Lai Y K.Artistic minimal rendering with lines and blocks[J].Graphical Models，2013，75（4）:208–229.

[4]Han J，Pauwels E J，Zeeuw P D.Fast saliency-aware multimodality image fusion[J].Neurocomputing，2013，111（6）: 70-80.

[5]Borji A，Sihite D N，Itti L.What stands out in a scene?A study of human explicitsaliencyjudgment.[J].Vision Research，2013，91（15）:62-77.

[6]Zhang C，Li X，Ruan X，et al.Discriminative generative contour detection[C]//British Machine Vision（BMVC）.2013: 74.1-74.11.

[7]Zheng S，Cheng M M，Warrell J，et al.Dense Semantic Image Segmentation with Objects and Attributes[C]// Computer Vision and Pattern Recognition（CVPR），2014 IEEE Conference on.IEEE，2014:3214-3221.

[8]Deng C，Lin W，Cai J.Content-Based Image Compression for Arbitrary-Resolution Display Devices[C]//Communications（ICC），2011 IEEE International Conference on.IEEE，2011:1-5.

[9]Fu H，Cao X.Forgery Authentication in Extreme Wide-Angle Lens Using Distortion Cue and Fake Saliency Map[J]. IEEE Transactions on Information Forensics&Security，2012，7（4）:1301-1314.

[10]Li-Qian M，Kun X，Tien-Tsin W，et al.Change blindness images[J].IEEE Transactions on Visualization&Computer Graphics，2013，19（11）:1808-1819.

[11]Itti L，Baldi P.Bayesian surprise attracts human attention [J].Vision Research，2009，49（10）:1295–1306.

[12]Koch C，Ullman S.Shifts in Selective Visual Attention:Towards the Underlying Neural Circuitry[J].Human Neurobiology，1987，4（4）:219-227.

[13]Itti L，Koch C，Niebur E.A Model of Saliency-Based Visual Attention for Rapid Scene Analysis[J].IEEE Transactions on Pattern Analysis&Machine Intelligence，1998，20（11）:1254-1259.

[14]Ko B C，Nam J Y.Object-of-interest image segmentation based on human attention and semantic region clustering[J]. Journal of the Optical Society of America A，2006，23（10）: 2462-2470.

[15]Han J，Ngan K N，Li M，et al.Unsupervised extraction of visual attention objects in color images[J].IEEE Trans. circuits Syst.video Technol，2006，16（1）:141-145.

[16]Achanta R，Hemami S，Estrada F，et al.Frequency-tuned Salient Region Detection[C]//IEEE International Conference on Computer Vision and Pattern Recognition（CVPR 2009）. 2009:1597-1604.

[17]Cheng M，Mitra N J，Huang X，et al.Global contrast based salient region detection[C]//Computer Vision and Pattern Recognition（CVPR），2011 IEEE Conference on.IEEE，2011:409-416.

[18]Achanta R，Shaji A，Smith K，et al.SLIC Superpixels Compared to State-of-the-Art Superpixel Methods[J].Intelligence IEEE Transactions on，Pattern Analysis&Machine 2012，34（11）:2274-2282.

A saliency map algorithm based on color contrast and region connectivity

CHEN Chun-hong，ZHANG Xiao-lin
（Chinese Academy of Sciences Shanghai Institute of Microsystem and Information Technology，Shanghai 200050，China）

This paper researched on the problem of saliency map in computer vision model，we proposed an automatic saliency region detection algorithm based on Color and Space Fusion.Firstly，the image is segmented，then according to the image color contrast and spatial information，the color saliency map and spatial saliency map are calculated.Finally，the non-salient regions are automatically removed based on regional connectivity and dynamic threshold.The results obtained from the MSRA10K_Imgs_GT data set and several main algorithms are compared.The results show that the proposed algorithm is more accurate and more accurate.

color；spatial；global contrast；saliency map；precision-recall curve

TN919.82

A

1674－6236（2016）24-0154-04

2015-12-08 稿件編號：201512079

上海張江國家資助創新示范區專項發展資金（ZJ2015-ZD-001）

陳春紅（1989—），女，河北衡水人，碩士。研究方向：雙目視覺、顯著圖分析。