论文部分内容阅读
图像的显著性是以区域的形式表现出来的,是指图像中最引人注意且最能表现图像内容的部分。显著性检测就是通过模拟人类视觉系统将图像中的显著部分提取出来的过程。图像显著性检测在计算机视觉领域扮演着不可或缺的角色,是解决目标识别、图像检索、场景描述等问题的基础步骤。目前已有的显著性检测方法有很多,根据算法的实现原理可大致为三类:基于生物体视觉仿真类、纯数学计算类和两者的结合类;根据算法中的对比方式也可大致分为三类:全局对比类、局部对比类和两者的结合类;根据算法的处理粒度可分为两类:基于像素点处理类和基于像素块处理类。本文选取了各类中最具代表性的方法进行了详细的介绍分析,并基于实验结果归纳出了各类方法的特点及局限性,具体如下:(1)单纯的基于生物仿真的方法计算耗时较长,因为用到的很多理论来自于猜想,检测结果不是那么可靠;早期的纯数学计算方法,简单快速,但因为过于“理性”而忽略了视觉特性,检测结果往往欠佳,而近几年出现的方法,扩充了衡量图像显著性的特征空间,检测质量也随之提高;将两者相结合后的检测效果较好,但需要付出更大的计算代价。(2)基于局部对比的方法可以较好地检测出图像的边缘信息,但不能高亮的凸显出完整的显著性目标;基于全局对比的方法能完整地检测出显著性目标,但在目标的边缘上又通常不是很清晰;将两者相结合得到的显著性图既可以保持显著性目标的完整性又可以保留良好的边缘信息。(3)相较于基于像素点的处理方法,基于像素块的处理方法得到的显著性图更加符合人类视觉注意的特征。针对已有方法的特点及局限性,本文提出一种基于融合区域对比的图像显著性检测方法。首先,在图像显著性检测前引入预处理过程,利用改进的SLIC算法对输入图像进行分割,得到颜色边缘保持良好的若干超像素;将DBSCAN算法中基于密度的聚类思想运用到超像素融合,保障具有相似颜色特征的超像素的最大连通性,得到显著性检测的基础区域分割图像。然后,通过颜色和空间位置距离特征来计算基础区域分割图像中各区域的显著性值,利用最大类间方差法(OTSU)自适应地确定一个区域显著性阈值,显著性值超过该阈值的区域被锁定为关注区域,显著性值小于该阈值的区域被设定为背景区域。最后,通过关注区域局部对比,计算出关注区域内各小区域的显著性分值,从而更好地凸出显著性目标,最终获得高质量的显著性图。实验分别在图像数据库MSRA-1000、SED2、ECSSD上测试了本文方法及对比方法,并从显著性图的主观效果和显著性算法的客观性能两方面进行了评价。实验结果表明,本文方法达到了预期结果,且利用本文方法得到的显著性图的主观效果更加符合人类视觉,通过对比各方法的P-R曲线及F-Measure可以看出,本文方法的综合性能较出色。