基于顏色差異計算的圖像顯著性檢測算法研究*

邵凱旋 童 林， 吳幫呂 楊文韜 祝 昆

（1.云南大學 昆明 650500）（2.六盤水師范學院 六盤水 553004）

1 引言

為適應復雜的自然環境，靈長類動物經過漫長的歲月洗禮，已經進化出了更加適應生存的視覺特性——視覺注意特性。隨著21 世紀移動互聯網的興起，越來越多的視覺圖像類信息急需處理，顯著性檢測技術的研究價值越發凸顯。顯著性檢測即通過模仿靈長類動物的這種視覺特性，快速地提取圖像中的顯著部分。顯著性檢測作為計算機視覺的重要組成部分，已經被大量應用于圖像的檢索、壓縮［1～2］等眾多領域。

自1998 年，Itti 等［3］受生物學啟發，提出較早的顯著性模型后，顯著性研究逐漸進入人們的視線。文獻［4］基于局部對比，計算單個感知在不同鄰域上的差值，來得到最終結果。文獻［5］首先量化顏色通道，通過計算顏色差值、分配顯著度來得到最終的顯著圖，該算法準確性較高。文獻［6］在條件隨機場框架下，對多個特征進行融合來得到最終顯著圖，準確性較高。文獻［7］引入元胞思想，提出一種基于元胞自動機的更新機制，檢測結果較為理想。文獻［8］通過模仿人類視覺系統的抑制特性，對各顏色通道采取除法歸一化，生成最終結果圖。為提升背景的抑制效果，更加凸顯目標區域。本文從前景預測角度分析研究，引入顏色權重思想，在Lab 偽彩色空間域進行差值計算，最后優化來得到最終顯著圖，通過多個方面的對比實驗，充分說明本文算法的準確率更高，效果更好。

2 本文方法

本文主要實驗步驟如下所示。

步驟1：首先將輸入圖像由RGB 顏色空間域轉至Lab 偽彩色域，同時考慮計算效率，采用SLIC超像素分割算法對圖像進行預處理。

步驟2：依據圖像的整體差異性，確定前景預選區域。以該區域內超像素通道值作為參照點，計算各超像素顯著值，從而得到初步顯著圖。

步驟3：確定顏色視覺中心，構建超像素顏色權重信息，增大顯著目標與圖像整體的差異性，對于部分顯著值計算結果較小的超像素予以舍棄，得到最終顯著圖。

2.1 圖像預處理

首先對輸入的原始圖像進行平滑濾波處理，將原始圖像轉至Lab 偽彩色域。其次為降低計算復雜度，參考文獻［9］依據主要式（1）對圖像進行SLIC 超像素分割。

其中D′定義為分割總體距離，dc、ds分別表示顏色、位置的歐式距離。m、n為自適應調節參數。同時記錄每一超像素通道信息值為Li,ai,bi，分割效果如下所示。

圖1 自然圖像和超像素分割圖

2.2 確定前景預選區域

對于一幅自然圖像來講，圖像顏色對比度越大，區域獨特性越高，其相應顯著性越高。如何更好地確定前景預選區域是影響最終結果的關鍵所在。文獻［10］通過直接匡取圖像中心區域作為前景域選區域的方法，計算結果誤差較大，檢測結果不理想；文獻［11］通過引入適當的凸包區域來確定前景區域，實驗結果較好，但計算速度較慢?？紤]到上述做法的局限性，這里本文通過均值計算的方法提取前景域選區域，可以在保證計算速度的同時盡可能準確地確定前景域選區域。

在記錄各超像素通道信息值后，計算三個通道下的均值作為該通道下的參照值，記為ML,Ma,Mb，根據超像素各通道信息值與參照值的差異性，定義各超像素其顯著值為Si，計算公式參考如下：

根據計算公式生成相應結果圖如圖2（a）所示。同時根據計算結果顯示，若任一超像素顯著值越大，該超像素越可能為前景區域。這里在計算得到Si后，通過設定閾值，舍去小于均值計算結果的超像素。以剩余部分作為前景預選區域記為G0，得到G0區域如圖2（b）所示。

圖2 均值計算結果和前景預選區域

2.3 前景差異計算

其中Lj,aj,bj分別表示G0區域內第j 個超像素的通道信息值，這里權重參數α、β、γ取值為1、2.55、2.55。當i=j時，該超像素顯著值為其本身通道信息值與其他超像素通道信息差值。根據計算結果生成顯著圖如圖3所示。

圖3 初步顯著圖

2.4 視覺中心及顏色權重優化

在藝術創作領域，視覺中心一般理解為以構圖、色彩等畫面元素所構成畫面的主要元素［13～14］。眾多繪畫大師除了將繪畫中心盡可能地放在顯眼的位置上外，還會從色彩元素方面考慮，通過選取明亮、刺激的色彩，以凸顯繪畫主旨，更加意味深長。本文借鑒“視覺中心”的構畫思想，將顯著顏色作為視覺中心點，根據顏色權重重新定義顯著值。

本文利用前景預選區域內的超像素作為參考指標，以計算各通道顏色均值信息M0作為視覺中心點參考值。高亮M0所在區域。如果任一超像素其通道信息值越接近視覺中心值，則越可能為顯著區域，相反地如果差值越大，則越可能為背景，依次構造高亮梯度，得到顏色權重信息值。計算公式如下所示：

圖4 最終顯著圖

3 實驗結果對比分析

3.1 主觀對比分析

本文實驗選取公開數據庫MSRA-1000 為測試集［15］，與目前主流算法SR 算法［16］、MZ 算法［17］、MSS算法［18］、SEG算法［19］、SUN算法［20］、HC算法［5］進行比較，隨機選取部分實驗結果如圖5 所示。其中SR算法背景噪聲抑制效果較好，但顯著目標模糊不清，檢測效果較差；MZ算法雖然可以檢測出顯著區域的輪廓信息，但其目標區域內部效果偏暗，檢測效果一般；MSS 算法、SEG 算法其目標區域較為準確，但整體不夠高亮，同時伴有不同程度的噪聲干擾；SUN算法得到的顯著圖目標區域與背景的區分度不足，同時存在背景高亮而目標區域較暗的情況，檢測效果一般；HC 算法整體效果較好，但同樣需要進一步抑制噪聲干擾。本算法得到的顯著圖，其目標區域較為準確、高亮，同時背景噪聲更少，整體效果較為理想。

圖5 算法對比結果

3.2 客觀對比分析

僅由視覺直觀對比算法結果的優略，不足以證明本文方法的有效性，這里本文通過引入客觀對比實驗來進一步證明本文算法的優越性，常見的客觀評價指標主要包括PR曲線、F-measure值以及平均絕對誤差（MAE）。

1）PR曲線

設定可變參數t，(t∈[0,255])，計算不同閾值下的準確率（Precision）、召回率（Recall），以Recall，Precision為橫縱坐標軸依次繪制各算法PR曲線如圖6所示。計算公式如下：

圖6 PR曲線對比

由圖6 可以直觀看出，本文算法曲線與HC 算法曲線存在部分交叉，但整體準確性較高，同比高于其他五種算法曲線。

2）F-measure值、平均絕對誤差（MAE）

F-measure 常用來反應算法的綜合性能，F-measure值（Fβ）計算公式如下：

由表1 結果可以得出本文算法F-measure 計算結果為0.7786，高于其他算法結果；而平均絕對誤差（MAE）計算結果為0.1351，同比低于其他算法。

表1 準確率，召回率，Fβ，平均絕對誤差，計算結果

3）計算速度比較

表2 計算速度比較

其中Ours400 一欄表示超像素分割數為400時，本文算法計算時間為0.451，由表可以看出本算算法計算速度與HC 算法相差不大，整體計算速度較快。雖然頻域SR 算法的計算速度更快，但最終生成的顯著圖效果較差。綜合上述視覺直觀對比以及本節各項評價指標分析對比，充分證明了本文算法的有效性。

4 結語

本文提出一種基于顏色信息加權的顯著性算法。首先以SLIC 超像素分割對圖像進行分割處理，依據全局對比計算確定前景預選區域，以前景預選區域為參考指標，進行各通道差值計算，得到初步顯著圖，再結合顏色權重思想，構建顯著梯度，得到最終結果圖。相比于其他主流算法，本文算法可以更好地去除背景干擾，得到顯著目標更加高亮、準確。