基于視覺(jué)注意機(jī)制模型的圖像處理方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像處理領(lǐng)域，特別涉及一種基于視覺(jué)注意機(jī)制模型的圖像處理方 法。
【背景技術(shù)】
[0002] 目前，視覺(jué)注意機(jī)制主要從兩種模型進(jìn)行研究，一種是自底向上的視覺(jué)注意模型， 另一種是自頂向下的視覺(jué)注意模型。
[0003] 自底向上的視覺(jué)注意模型主要由圖像自身驅(qū)動(dòng)，現(xiàn)在的算法主要從四個(gè)方面出 發(fā)。層次性方法、譜分析方法、對(duì)比度方法、基于信息熵的方法。層次性方法主要代表模型 是Itti模型，GBVS模型；譜分析方法主要代表模型是SR模型，F(xiàn)T模型，PQRT模型；對(duì)比度 方法主要代表模型有CA模型；基于信息熵的方法主要代表模型是A頂模型。Itti模型能夠 檢測(cè)到的顯著圖分辨率較低，和圖像分辨率有著很大關(guān)系，不容易檢測(cè)到圖像中主要目標(biāo)。 CA模型有時(shí)會(huì)過(guò)分強(qiáng)調(diào)邊緣，無(wú)法達(dá)到全局對(duì)比度的效果。目前的自底向上的模型沒(méi)有加 入目標(biāo)的先驗(yàn)知識(shí)，在目標(biāo)檢測(cè)時(shí)并沒(méi)有排除非目標(biāo)的干擾。
[0004] 自頂向下的模型加入了目標(biāo)的先驗(yàn)知識(shí)，是高級(jí)認(rèn)知到低級(jí)認(rèn)知的過(guò)程，現(xiàn)有的 研究方法中，有的方法通過(guò)引入低秩結(jié)構(gòu)建立自頂向下的模型，有的方法基于樣本訓(xùn)練分 類器建立自頂向下的模型，但是這些方法都是通過(guò)建立獨(dú)立的模型進(jìn)行圖形處理，方法的 難度和復(fù)雜性較高。

【發(fā)明內(nèi)容】

[0005] 【要解決的技術(shù)問(wèn)題】
[0006] 本發(fā)明的目的是提供一種基于視覺(jué)注意機(jī)制模型的圖像處理方法，以解決目前的 自頂向下的視覺(jué)注意模型的難度和復(fù)雜性較高的問(wèn)題。
[0007] 【技術(shù)方案】
[0008] 本發(fā)明是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的。
[0009] 本發(fā)明涉及一種基于視覺(jué)注意機(jī)制模型的圖像處理方法，該方法包括以下步驟：
[0010] A、分別提取原始圖像的顏色特征、紋理特征和方向特征，將顏色特征的顯著圖、紋 理特征的顯著圖和方向特征的顯著圖進(jìn)行合成得到原始圖像的底層顯著圖；
[0011] B、選擇樣本數(shù)據(jù)庫(kù)，在樣本數(shù)據(jù)庫(kù)中隨機(jī)選擇訓(xùn)練樣本及訓(xùn)練樣本的 Ground-truth圖像，確定訓(xùn)練特征，所述訓(xùn)練樣本包括正樣本和負(fù)樣本；
[0012] C、根據(jù)訓(xùn)練樣本和訓(xùn)練特征得到訓(xùn)練特征矩陣，根據(jù)正樣本的索引、負(fù)樣本的索 引得到標(biāo)簽矩陣，采用SVM訓(xùn)練得到SVM分類器；
[0013]D、將原始圖像通過(guò)SVM分類器進(jìn)行分類得到感興趣區(qū)域。
[0014] 作為一種優(yōu)選的實(shí)施方式，所述訓(xùn)練特征由1個(gè)紋理特征、4個(gè)方向特征、1個(gè)原始 圖像的底層顯著圖、11個(gè)顏色特征、13個(gè)圖像金字塔特征組成。
[0015] 作為另一種優(yōu)選的實(shí)施方式，所述步驟A中顏色特征的顯著圖的計(jì)算方法為：
[0016] 對(duì)原始圖像進(jìn)行DCT變換：i=DCT(I);
[0017]對(duì)J進(jìn)行DCT反變換：X= ._/Z)CT[.s'/g;r?];
[0018] 分別對(duì)HSV顏色空間的三個(gè)波段進(jìn)行重建得到原始圖像的顏色特征的顯著圖：
[0019] 其中，X為原始圖像，g為高斯核函數(shù)，sign為符號(hào)函數(shù)，j為HSV顏色空間的波段。
[0020] 作為另一種優(yōu)選的實(shí)施方式，所述紋理特征和方向特征的特征圖的計(jì)算方法為：
[0021] 對(duì)原始圖像的紋理特征和方向特征進(jìn)行DOG濾波得到方向特征和紋理特征的濾
征的顯著圖的維數(shù)，const為不依賴圖像特征的常數(shù)。
[0027] 作為另一種優(yōu)選的實(shí)施方式，所述步驟A中通過(guò)將顏色特征的顯著圖、方向特征 的顯著圖、紋理特征的顯著圖線性相加得到總的顯著圖。
[0028] 作為另一種優(yōu)選的實(shí)施方式，所述圖像金字塔為高斯金字塔。
[0029] 作為另一種優(yōu)選的實(shí)施方式，所述樣本數(shù)據(jù)庫(kù)為Judd數(shù)據(jù)庫(kù)。
[0030]【有益效果】
[0031] 本發(fā)明提出的技術(shù)方案具有以下有益效果：
[0032] (1)本發(fā)明分別建立了自頂向下的視覺(jué)注意模型和自底向上的視覺(jué)注意模型，自 底向上的模型主要從圖像本身特征出發(fā)，自頂向下的模型加入了顯著性目標(biāo)的先驗(yàn)知識(shí)， 本發(fā)明通過(guò)將兩個(gè)模型進(jìn)行結(jié)合，將自底向上的視覺(jué)注意模型的顯著圖應(yīng)用于自頂向下的 視覺(jué)注意模型，降低了自頂向下的視覺(jué)注意模型的復(fù)雜度，提高了整個(gè)方法的檢測(cè)精度，最 終得到的顯著圖更接近人眼視覺(jué)注意。
[0033] (2)本發(fā)明主要針對(duì)視覺(jué)注意模型，能夠快速發(fā)現(xiàn)目標(biāo)的位置并增強(qiáng)目標(biāo)的位置， 可以應(yīng)用于目標(biāo)檢測(cè)、圖像分割、目標(biāo)檢測(cè)、目標(biāo)識(shí)別預(yù)處理階段，減少了全圖處理的復(fù)雜 度和時(shí)間。
【附圖說(shuō)明】
[0034] 圖1為實(shí)施例一中的底層顯著圖與Itti模型、CA模型、rgb-signature模型、GBVS 模型、A頂模型的顯著圖的PR曲線。
[0035] 圖2為實(shí)施例一中不同特征組合下的PR曲線。
【具體實(shí)施方式】
[0036] 為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合附圖，對(duì)本發(fā)明的具體 實(shí)施方式進(jìn)行清楚、完整的描述，顯然，所描述的實(shí)施例是本發(fā)明的一部分實(shí)施例，而不是 全部實(shí)施例，也不是對(duì)本發(fā)明的限制?；诒景l(fā)明的實(shí)施例，本領(lǐng)域普通技術(shù)人員在不付出 創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明的保護(hù)范圍。
[0037] 實(shí)施例一
[0038] 實(shí)施例一提供一種基于視覺(jué)注意機(jī)制模型的圖像處理方法。該方法包括以下步 驟：
[0039]( -）通過(guò)自底向上的視覺(jué)注意模型得到原始圖像的底層顯著圖
[0040]自底向上的視覺(jué)注意模型從待處理的原始圖像的底層特征出發(fā)，首先提取圖像的 顏色特征、紋理特征、方向特征，采用DCT獲得顏色特征的顯著圖，采用DOG濾波和song算 法獲得方向特征和紋理特征的顯著圖，最后將各個(gè)特征的顯著圖進(jìn)行線性相加得到總的顯 著圖，得到的總的顯著圖記為原始圖像的底層顯著圖。
[0041] (1)顏色特征的顯著圖
[0042] 待處理的原始圖像可以表示為：
[0043] X = f+b,
[0044] f?代表前景圖像，b代表背景。通常只對(duì)圖像前景感興趣，對(duì)于一個(gè)可以分解為上 述式子的圖像，可以通過(guò)對(duì)圖像進(jìn)行DCT變換然后反變換到空間上，計(jì)算重建后的圖像的 顯著性。假設(shè)圖像的前景和背景相關(guān)，通過(guò)平滑重建圖像生成顯著圖。
[0045] 圖像顯著性定義為：
[0046] saliency(X)= sign(DCT(X))
[0047] 圖像顯著圖表示為：
[0048]
[0049] 基于上述理論，顏色特征的顯著圖的計(jì)算方法為：
[0050] 對(duì)原始圖像進(jìn)行DCT變換：I = DCTXy);
[0051 ]對(duì)i進(jìn)行DCT反變換：X=//JCT[.S7_g"i];
[0052] 分別對(duì)HSV顏色空間的三個(gè)波段進(jìn)行重建得到原始圖像的顏色特征的顯著圖：
[0053] 其中，x為原始圖像，g為高斯核函數(shù)，sign為符號(hào)函數(shù)，j為HSV顏色空間的波段。
[0054] (2)方向特征和紋理特征的顯著圖
[0055] 紋理特征和方向特征的特征圖的計(jì)算方法為：
[0056] 對(duì)原始圖像的紋理特征和方向特征進(jìn)行DOG濾波得到方向特征和紋理特征的濾
尺度參數(shù)，f為紋理特征或方向特征對(duì)應(yīng)的DOG濾波響應(yīng)；
[0057] 分別根據(jù)下式對(duì)紋理特征和方向特征進(jìn)行取對(duì)數(shù)操作得到：
征的顯著圖的維數(shù)（i= 1，2, 3…，20) ,const為不依賴圖像特征的常數(shù)。需要說(shuō)明，由于紋 理特征是1維矩陣，方向特征是四個(gè)方向的4維矩陣，總共是5維矩陣，在4個(gè)尺度下進(jìn)行 DOG濾波得到20維矩陣，每一維矩陣代表一層特征。
[0061](二）采用自頂向下的視覺(jué)注意模型得到感興趣區(qū)域
[0062]自頂向下的視覺(jué)注意模型主要從目標(biāo)的先驗(yàn)知識(shí)出發(fā)，將樣本庫(kù)中顯著性區(qū)域和 非顯著區(qū)域的特征作為訓(xùn)練對(duì)象。
[0063] 為了構(gòu)建本發(fā)明實(shí)施例的自頂向下的視覺(jué)注意模型，在Judd數(shù)據(jù)庫(kù)隨機(jī)選擇100 幅圖像作為訓(xùn)練樣本和100幅作為測(cè)試樣本。從每個(gè)訓(xùn)練圖像中選擇10個(gè)正樣本和10個(gè) 負(fù)樣本，10個(gè)正樣本選擇的條件是從訓(xùn)練樣本中Ground-truth圖像中顯著度值在前10% 的像素點(diǎn)，負(fù)樣本選擇條件是訓(xùn)練樣本對(duì)應(yīng)圖像G