基于多特征的巴文化圖像顯著性目標檢測研究

袁小艷

（四川文理學院智能制造學院，四川達州 635000）

十幾年來，巴文化的研究取得了可喜的進展，主要集中于巴文化區域（川東地區）的考古研究以及巴地民歌、舞蹈、樂器、服裝、銅器、紋飾的研究等。研究中出現了大量的符號、圖騰、紋飾、兵器、樂器、服裝和建筑，這些多半都是以圖像的方式展示出來的。重慶的三峽博物館、巴國城博物館和達州的巴文化館均大量采用了圖像，但這些圖像僅僅是簡單的使用，并沒有更深層次的應用[3]，如圖像聯系、人物聯系、圖像分割、圖像分類[4]等。為了后期更進一步的研究、開發和宣傳巴文化，需要對圖像進行預處理，即圖像顯著性檢測。顯著性目標檢測是包括圖像分割、目標識別等在內的許多計算機視覺任務的重要步驟，有著重要的理論和應用價值。

1 圖像顯著性目標檢測

顯著性目標檢測在圖像理解和分析中有重要的作用，它的目標就是通過顯著圖得到顯著區域，即能夠第一眼就吸引人們注意力的區域[5]。顯著性目標區域的檢測通常受人類視覺感知觀念所影響，其中一個觀念就是顯著性區域和其他區域在一定程度上是不同的，如顏色、邊框、紋理等，因此很多顯著性目標檢測技術都是根據各種特征來檢測的[6]。

陳蕾等融合了圖像級別和像素級別的顏色特征檢測顯著圖像[7]，王豪聰等采用邊界特征和顏色特征檢測顯著性[8]，劉亞寧使用流行排序對前景和背景特征進行檢測[9]，劉松濤等融合鄰域對比度特征和全局灰度特征檢測紅外圖像的顯著性[10]，逄銘雪等提出顏色與梯度布爾特征相融合的顯著性檢測算法[11]，崔麗群等提取了圖像的顏色、亮度、方向和紋理等特征，并進行DWT 分解，得到多種特征圖[12]，柴小雲等提取了顏色、亮度、邊緣等特征檢測肺結點[13]。袁小艷等提取了顏色、紋理、Objectness、輪廓等特征并進行比較[14]。

2 巴文化圖像顯著性檢測

當今研究的巴文化有廣義和狹義之分[15]，廣義的巴文化是指和“巴”有關的所有痕跡，包括物質和精神兩方面的，如青銅器和印章上經常使用的巴文化符號、獨特的巫文化圈[15]、發達的巴文化舞、崇拜的白虎信仰等，狹義的巴文化是指巴文化遺跡與遺物的考古文化，如船棺、柳葉短劍、虎紋、印章、圜底罐等，該文研究的是廣義巴文化。

廣義巴文化的圖像較多，多在巴文化數字博物館中。數字博物館中的圖像僅僅是簡單的展示，沒有對巴文化圖像進行識別和分類。顯著性目標檢測是研究巴文化圖像識別、分類的基礎。

從過去十幾年的發展歷程來看，視覺特征的不同決定了顯著性檢測模型的優劣程度。顯著性檢測模型的特征眾多，如顏色、紋理、形狀、結構、Objectness[14]、Focusness[14]、邊框連接性、上下文、空間分布等，根據袁小艷等[14]的研究表明，顏色、紋理、邊框、Objectness這4 種特征最適合進行顯著性目標檢測，但由于巴文化圖像多為線條，前景和背景差別不是很大，所以該文選擇提取顏色、邊框和紋理特征，其算法流程如圖1 所示。

圖1 該文算法流程圖

2.1 超像素分割

超像素分割的算法有多種，常用的算法有均勻分割和SLIC[16]分割算法。巴文化圖像中的物體有規則的和不規則的，采用均勻分割的方式容易引入亮度、紋理和顏色完全不相似的像素點，為了避免這種情況，該文采用SLIC 算法進行超像素分割。

SLIC，即簡單線性迭代聚類[16]，是在K-means 算法的基礎上進行改進的。它將彩色圖像轉換為CIELAB 顏色空間的圖像，得到L、A、B分量。為了兼顧位置信息，加入X、Y坐標，構成了5 維特征向量，即[L,A,B,X,Y]。在該5 維特征向量中計算距離，并進行局部聚類。這樣得到的超像素一般比較緊湊整齊，鄰域特征也比較容易表達。SLIC 算法相較于其他超像素分割方法速度更快、超像素更緊湊，邊界保持得也較理想。

SLIC 算法中比較關鍵的地方是每個超像素中心點的計算與像素點的聚類。超像素中心點的計算步驟如下：

1）假設圖像大小為M×N，超像素數量為k個，將此圖像均勻分為k個超像素塊，因此每個超像素塊的長和寬均是SL=，中心點是(SL/2,SL/2)；

2）每個超像素塊的中心點有可能在噪音點或者像素突變處，為了降低這個概率，采用差分方式進行梯度計算，計算中心點的8 鄰域像素點，梯度值最小的點就是新的中心點。差分梯度計算公式如下：

最后，我國的環保政策對我國磷肥出口的影響較大，環保政策使得我國磷礦石產量下降、磷肥生產環保成本上漲，從而導致我國磷肥產量下降、磷肥生產成本上漲，最終導致國際磷肥供應緊張，這才助推了我國磷肥出口價格的上漲。

其中，I(i,j)是位置為(i,j)的像素點的值，G(x,y)是位置為(i,j)的像素點的梯度值。

像素點聚類的步驟如下：

1）在每個中心點周圍的鄰域內為每個像素點分配聚類標簽，這個鄰域范圍是2SL×2SL，即是期望超像素尺寸的2 倍；

2）計算搜索范圍內像素點與中心點的顏色距離和空間距離，公式如下：

其中，dc是第j個超像素塊中心點和相應搜索范圍內的第i個像素點的顏色距離，ds是是相應的空間距離，D是最終距離，m是LAB 空間距離的可能最大值，取值范圍是[1,40]，一般取10；

3）每個像素點對應多個超像素塊中心，當然就有多個距離，取最小值對應的中心點為該像素的中心；

4）完成一次迭代后，重新計算每個超像素塊的中心點坐標，并再次進行迭代，一般迭代10次就可以了。

在巴文化圖像的分割過程中，經多次實驗可知，k取值為300 最合適，其分割效果如圖2 所示。

圖2 超像素圖

2.2 特征提取

巴文化歷史悠久，其物質文化大多是青銅器，文物也多是兵器、禮器等[17]，其上的線條都比較簡單?？偟貋碚f，巴文化圖像的特點就是符號簡單、顏色單調、紋理多樣、形狀清晰、邊界分明，因此巴文化圖像顯著性檢測算法可以只計算簡單的特征即可，如顏色、邊框、紋理特征等。

2.2.1 顏色特征

顏色特征，顧名思義就是圖像的顏色。圖像有多種顏色空間，如RGB、HSV、LAB 等。RGB 顏色空間是原始圖像常用的模型，顏色由3 個分量R（紅）、G（綠）、B（藍）組成，三維向量構成三維空間。HSV顏色空間是根據顏色的直觀特性創建的一種顏色空間，由H（色調）、S（飽和度）、V（亮度）來表示顏色。LAB 顏色空間與人眼感知顏色最相似，與設備無關，由L（亮度）、A（紅綠色）、B（黃藍色）組成。RGB顏色空間主要面向設備，HSV、LAB 顏色空間主要面向用戶，HSV 常用于數字圖像處理。巴文化圖像的顏色單調，圖像大多是灰色的，所以其超像素分割采用LAB 顏色空間，提取顏色特征時使用HSV 顏色空間。

顏色特征的提取方法有多種，如顏色局部對比度、顏色全局對比度、局部直方圖、顏色頻譜、顏色矩、顏色聚合向量、顏色分布等。顏色特征屬于全局特征，該文選擇局部對比度、局部直方圖和顏色分布來描述顏色特征。

顏色局部對比度是從圖像的局部出發，將局部區域和周圍區域比較，這使輪廓周圍有高顯著值，適合于局部差異大的圖像[7]，其計算公式如下：

其中，n是區域數量，dis(ci,cj)是區域i和區域j的顏色距離（歐幾里得距離）,是區域i和區域j的平均位置距離。

局部直方圖是對局部區域顏色的量化和統計，用于描述顏色的組成分布和所占比例，具有平移旋轉不變性，其計算公式如下：

其中，n是區域數量，dis(bi,bj)是區域i和區域j的顏色直方圖距離（卡方距離）,是區域i和區域j的平均位置距離。

顏色分布主要用于測量圖像前景和背景對象的緊湊型差異[7]，其計算公式如下：

其中，locj是第j個區域的位置，sim(ci,cj)是區域i和區域j的顏色相似性，γi=是顏色ci的權重平均位置[11]。

多顏色特征如圖3 所示。

圖3 多種顏色特征

2.2.2 紋理特征

紋理是圖像非常重要的一種視覺特征，它表現為物體表面緩慢、周期性的變化，通過像素點和周圍鄰域的灰度分布[14]來表示，即局部紋理，局部紋理的重復就是全局紋理。提取紋理特征的方法有灰度共生矩陣、LBP 局部二值模型、Gabor 濾波器、傅里葉變換等方法，該文采用Gabor 濾波器來提取紋理特征。

Gabor 濾波器的頻率和方向都類似于人類的視覺，可以在不同尺度、不同方向提取特征。Riche 等[18]在3 個尺度和8 個方向上使用高斯Gabor 濾波器計算，得到24 張中間圖。這24 張圖的邊界衰減如式（10）所示：

其中，x′=xcosβ+ysinβ，y′=-xsinβ+ycosβ，α是正弦波長，β是方向，φ是位移，δ是長度縱橫比，σ是高斯函數的標準差[14]。

2.2.3 BonC特征

BonC 特征，即邊框連接性，表示每塊區域與邊界的緊密連接程度，主要用來檢測背景。每個超像素區域的特征值是超像素塊周長和整個圖像周長或面積開方的比例[14]，其公式定義如下：

其中，super 塊既屬于r區域，又屬于該區域的邊框塊的集合bnd[14]。

3 種特征效果如圖4 所示。

圖4 巴文化圖像特征圖

2.3 多特征融合

該文選擇了3種顏色特征，顏色特征融合公式為：

其中，LC是顏色局部對比度，LH是顏色局部直方圖，D是顏色分布。

得到顏色特征后，還需和紋理、BonC 特征融合，融合公式如下：

其中，C是顏色，B是BonC(邊框連接性)，顏色和BonC 采用貝葉斯算法進行融合，得到salCB顯著圖，然后將此顯著圖和Gabor 紋理salG顯著圖進行線性融合，得到最終顯著圖。

3 實驗結果與分析

該文實驗主要有兩類，一類實驗是各種特征的提取和融合，特別是顏色特征。顏色特征多種多樣，該文提取了局部對比度、局部直方圖和全局直方圖，如圖5 所示。文中進行多方面比較，發現因為巴文化圖像的顏色全局差異性不大，所以全局特征效果是最差的，因此最終選擇使用局部特征。

圖5 顏色特征比較

另一類實驗是CA 算法（上下文感知算法）、FT算法（頻率調諧算法）與該文算法的比較，如圖6所示。

從圖6 中可以看出，FT 算法主要提取的是輪廓，沒有從顯著性整體出發，計算的是像素點的顯著值，不是區域的。CA 算法的效果優于FT 算法，從物體的整體出發，背景處理得很干凈，這也導致有些圖像的顯著性不完整。該文算法要優于前兩者，因為它既考慮了細節又考慮了整體，還結合了背景特征。文中的巴文化圖像顯著性檢測，需要快速進行，所以計算區域的顯著值更好。根據結果顯示，該文檢測方法更適用于巴文化圖像的顯著性檢測。

圖6 各種算法比較

4 結論

巴文化歷史悠久，其文物隨著考古的開發越來越多，由此延伸的精神文明產物也比比皆是，這就使得巴文化的數字化保護[19]刻不容緩。但巴文化圖像眾多，其包含的信息量也是龐大且冗余的，所以需要對巴文化圖像進行處理，提取出圖像的顯著區域。該文圍繞著巴文化圖像的顯著性目標檢測進行研究，首先使用SLIC 算法對圖像進行超像素分割，然后分別提取顏色、紋理、BonC 特征，最后進行特征融合，得到最終顯著圖[20-21]。圖像顯著性目標檢測是一個極具挑戰的課題，將其應用到巴文化圖像中，是對巴文化保護的初步研究，后期還需繼續研究，如巴文化圖像的多方獲取形成數據集、巴文化圖像的采集等。