于 明，邳艷芹

(河北工業(yè)大學(xué)信息工程學(xué)院，天津 300401)

責(zé)任編輯:任健男

在視覺上，人們總是能迅速地把目光集中在自己感興趣的方面。顯著區(qū)域是圖像中最能引起人們的興趣且是最能表現(xiàn)圖像內(nèi)容的區(qū)域［1］。圖像的顯著區(qū)域提取即尋找圖像中可能引起人眼視覺關(guān)注的區(qū)域。雖然人們的感興趣區(qū)域是相當(dāng)主觀的，但由于人的視覺系統(tǒng)和注意機(jī)制存在著共性，使得圖像中的一些區(qū)域總能對(duì)人眼產(chǎn)生刺激。

視覺關(guān)注是人類視覺系統(tǒng)捕獲外界場(chǎng)景中有意義部分的一種機(jī)制。對(duì)于視覺注意機(jī)制，目前大部分的研究是如何建立自底向上的模型，其中最具影響力的是Itti和Koch等人提出的Saliency模型［2］，利用人的視覺感受野、側(cè)抑制神經(jīng)網(wǎng)絡(luò)模擬了人的視覺注意力機(jī)制。但該模型最終的顯著區(qū)域的范圍是固定的形狀，不利于后期的處理并且存在漏檢測(cè)和檢測(cè)順序不合乎人類視覺注意特征的情況。

本文借鑒Itti模型算法的思想提出一種改進(jìn)的模型算法，該模型采用Achanta等人［3］提出的頻域調(diào)和(Frequency－tuned)的顯著性檢測(cè)方法來提取圖像的顏色特征，避免出現(xiàn)顯著區(qū)域反轉(zhuǎn)現(xiàn)象;加入形狀低層特征提取，采用倒數(shù)函數(shù)來代替方向提取時(shí)的Gabor函數(shù)濾波，以達(dá)到改善顯著圖的目的。

1 Itti模型的原理

Itti模型分為顯著圖的計(jì)算和注意區(qū)域的選擇與轉(zhuǎn)移兩大部分。圖1為Itti算法的模型框圖。該模型分別選取了3個(gè)低層的屬性作為圖像的特征即圖像的亮度、顏色和方向。整個(gè)過程可敘述如下:首先將輸入的圖像分解為9層高斯金字塔形成多尺度的圖像，再用函數(shù)濾波器依次濾波各個(gè)尺度的圖像，然后應(yīng)用中央—周邊算子算法得到各個(gè)特征的特征圖，通過跨尺度合并以及歸一化計(jì)算得到三個(gè)特征的顯著圖，將得到的三幅顯著圖進(jìn)行線性融合得到總的顯著圖，最后通過神經(jīng)網(wǎng)絡(luò)勝者取全的方法得到注意區(qū)域。

2 改進(jìn)的Itti模型

文獻(xiàn)［4］中在生成方向特征函數(shù)時(shí)提到了一種利用倒數(shù)函數(shù)來代替Gabor特征函數(shù)，顯著目標(biāo)投影的顯著度明顯的低于顯著目標(biāo)自身的顯著度，在很大程度上減少了對(duì)顯著目標(biāo)誤判的可能，取得了較好的效果。文獻(xiàn)［3］中提出了頻域調(diào)和的顯著性檢測(cè)方法，用所得到的圖像的高頻信息來作為圖像的顯著信息。人眼對(duì)物體的輪廓形狀信息會(huì)有較強(qiáng)的感知能力，即便是在根據(jù)顏色、亮度和方向信息對(duì)物體進(jìn)行注意后，輪廓也能提供重要的特征信息，它是幫助判斷物體整體形態(tài)的重要依據(jù)［5］。本文在此基礎(chǔ)上借鑒Itti模型的思想，提出了一種改進(jìn)的Itti模型的方法。該模型具體框圖如圖2所示。

2.1 視覺特征的提取

想要更加全面的描述一幅自然圖像，就要針對(duì)其各個(gè)方面的視覺屬性選擇多種簡(jiǎn)單圖像特征。本文基于Itti模型［2］的基本方法提取圖像的顏色、亮度、方向和形狀4個(gè)低層特征來獲得圖像各個(gè)特征的特征圖。

2.1.1 亮度特征的提取

設(shè)r(t)，g(t)和b(t)分別表示原始圖像中的紅色、綠色和藍(lán)色通道，其中t表示圖像的尺度，將原始圖像的尺度設(shè)置為0，則亮度特征圖的計(jì)算方法公式為

高斯金字塔的結(jié)構(gòu)非常形象準(zhǔn)確地模擬了人眼的多分辨特性。采用中央—周邊算法跨尺度合并計(jì)算不同分辨力圖像之間的差來提取特征圖。亮度特征計(jì)算為

式中:c是非線性尺度空間中表示的高分辨力的尺度因子，s是對(duì)應(yīng)的低分辨力下的尺度，c∈{2，3，4}，s=c+δ，δ∈{3，4}。將上述特征圖進(jìn)行合并得到亮度顯著圖，公式為

式中:⊕表示多個(gè)尺度下相應(yīng)的特征顯著圖經(jīng)線性插值調(diào)整到同一大小后相加，N為分別將各個(gè)顯著圖的顯著值標(biāo)準(zhǔn)歸一化到(0，1)區(qū)間。

2.1.2 方向特征的提取

Itti模型中方向特征是對(duì)輸入圖像采用Gabor濾波后得到 O(σ，θ)，θ∈ {0°，45°，90°，135°}，經(jīng)過大量實(shí)驗(yàn)證明發(fā)現(xiàn)該方法產(chǎn)生的方向顯著圖不能準(zhǔn)確地突出整個(gè)顯著性目標(biāo)而僅僅突出了顯著目標(biāo)的邊緣。借鑒文獻(xiàn)［5］的思想，本文利用倒數(shù)函數(shù)替代Gabor函數(shù)來提取方向特征，倒數(shù)函數(shù)表達(dá)式為

參照文獻(xiàn)［5］中的參數(shù)設(shè)置，將倒數(shù)濾波函數(shù)中的參數(shù)設(shè)置為:γ=1，δ=2.33(經(jīng)驗(yàn)值)。

方向特征是對(duì)輸入的圖像采用上述倒數(shù)函數(shù)濾波后得到 O(σ，θ)，其中 θ∈ {0°，45°，90°，135°}，方向特征計(jì)算為

將上述特征圖進(jìn)行合并，得到方向顯著圖公式為

從圖3中可以看出，使用倒數(shù)函數(shù)生成的方向顯著圖可以有效地補(bǔ)充原方法生成的方向顯著圖中顯著目標(biāo)內(nèi)部空虛的現(xiàn)象。

2.1.3 顏色特征的提取

顯著區(qū)域即為變化強(qiáng)烈的區(qū)域，也就是頻譜中的高頻成分。由于Itti模型在提取顏色特征時(shí)可能會(huì)出現(xiàn)顯著區(qū)域反轉(zhuǎn)現(xiàn)象，因此可以通過過濾掉圖像中的低頻部分，提取其高頻部分作為圖像的顯著區(qū)域。

這里采用Achanta等人［3］提出的頻域調(diào)和的顯著性檢測(cè)方法。先將顏色變化到均勻的CIELab顏色空間，再對(duì)變換后的圖像進(jìn)行高斯低通濾波，最后求原圖與濾波后的圖像的差的平方，即為顏色的顯著圖，記為

圖3 方向圖

式中:Iu為像素值的算術(shù)平均;Iwhc為原始圖像經(jīng)過高斯模糊得到的。

從圖4中可以看出，利用頻域調(diào)和的方法得到的顏色顯著圖，省去了Itti算法中的中央—周邊算法，該算法得到的顏色顯著圖中塊效應(yīng)有所減少，并且能較好地避免顯著區(qū)域反轉(zhuǎn)現(xiàn)象。

圖4 顏色圖

2.1.4 形狀特征的提取

本文在Itti模型的基礎(chǔ)上加入了輪廓特征提取，添加形狀通道的目的是用來提取目標(biāo)物體的整體輪廓。目前雖然有Canny，Sobel以及Roberts等算子用來提取圖像邊緣，但提取結(jié)果有的過于精細(xì)有的又過于粗略，容易對(duì)最終結(jié)果造成干擾。本文借鑒文獻(xiàn)［5］采用Sobel算子進(jìn)行邊緣提取。其形狀特征計(jì)算為

將上述特征圖進(jìn)行合并得到形狀顯著圖，公式為

2.2 圖像特征圖的合并

在各特征圖中的顯著信息都是互補(bǔ)的，對(duì)通過計(jì)算得到的4個(gè)特征圖相繼提取出了不同類型的顯著圖，將它們用線性方法結(jié)合起來，適應(yīng)不同類型圖像的顯著區(qū)域提取。將4個(gè)顯著圖進(jìn)行線性相加得到

3 實(shí)驗(yàn)結(jié)果分析

本文在 Intel Pentium 1.6 GHz、內(nèi)存1 Gbyte、MATLAB 7.6.0(R2008a)的實(shí)驗(yàn)環(huán)境下進(jìn)行。采用文獻(xiàn)［5］應(yīng)用的圖像庫中的圖像，選擇幾幅場(chǎng)景圖為本文的實(shí)驗(yàn)圖。圖5為兩種模型提取的效果對(duì)比圖。圖5a表示原始圖像，圖5b表示利用Itti得到的顯著圖，圖5c表示用本文的模型方法得到的顯著圖。從圖5可以看到，本文改進(jìn)的模型算法所得到的顯著圖較為清晰，塊效應(yīng)也有所降低且顯著區(qū)域也較為突出，本文的模型算法要優(yōu)于經(jīng)典的Itti模型算法。

圖5 兩種模型提取的顯著圖

4 結(jié)論

本文基于Itti的模型算法提出了改進(jìn)的模型算法。由于目標(biāo)物體的輪廓能夠提供重要的信息，因此加入了邊緣特征的提取;在方向特征圖提取時(shí)引入倒數(shù)函數(shù)來代替Gabor函數(shù)，這樣可以改善采用Gabor函數(shù)提取方向特征圖時(shí)帶來的顯著目標(biāo)內(nèi)部空虛的現(xiàn)象。在顏色特征圖提取上采用了頻域調(diào)和的顯著性檢測(cè)方法，這樣不僅簡(jiǎn)化了程序、提高了效率，更避免了顯著區(qū)域反轉(zhuǎn)現(xiàn)象的出現(xiàn)。綜合分析得知，本文算法較Itti模型算法在效率上有所提高，精度上更加準(zhǔn)確。但同時(shí)也存在明顯的不足:當(dāng)圖像較小、圖像中的顯著目標(biāo)也較小時(shí)，提取出來的顯著目標(biāo)的輪廓不是很清晰，且模型算法的效率也不高。

［1］王國(guó)營(yíng)，梁春迎.一種圖像顯著區(qū)域的提取方法［J］.計(jì)算機(jī)應(yīng)用，2010，30(6):1619－1621.

［2］ ITTI L，KOUCH C.Computational modeling of visual attention［J］.Nature Reviews Neuroscience，2001，2(3):194－230.

［3］ AEHANTA R，HEMAMI S，ESTRADA F，et al.Frequency－tuned salient region detection［C］//Proc.IEEE Conference on Computer Vision and Pattern Recognition(CVPR2009).［S.l.］:IEEE Press，2009:1597－1604.

［4］李志強(qiáng).視覺顯著性模型研究及其在影像處理中的應(yīng)用［D］.上海:上海交通大學(xué)，2009.

［5］彭素靜.基于視覺感知機(jī)理的顯著區(qū)域研究［D］.重慶:重慶大學(xué)，2009.