朱 馳，陳昌志，2，王 寧，2，安世全，2

（1.重慶郵電大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，重慶400065；2.重慶郵電大學(xué) 移通學(xué)院，重慶401520）

0 引 言

圖像顯著性區(qū)域檢測(cè)將視覺(jué)機(jī)制引入圖像處理，賦予現(xiàn)有圖像處理過(guò)程一定的選擇能力，從大量無(wú)關(guān)的圖像信息中提取出顯著性區(qū)域。提取出來(lái)的顯著圖可以廣泛地應(yīng)用在計(jì)算機(jī)視覺(jué)領(lǐng)域，如圖像分割、目標(biāo)識(shí)別、圖像檢索、自適應(yīng)壓縮等。常見(jiàn)的顯著性區(qū)域檢測(cè)算法有：①基于局部對(duì)比度的方法［1］，其主要思想是利用圖像區(qū)域相對(duì)于局部鄰域的稀有度來(lái)獲取顯著性圖，但是利用局部對(duì)比度的方法傾向于在邊緣部分產(chǎn)生高顯著性值，而不是均勻地突出整個(gè)區(qū)域；②基于全局對(duì)比度的方法［2］，其主要思想是用一個(gè)區(qū)域和整個(gè)圖像的對(duì)比度來(lái)計(jì)算顯著性值，能夠很好地均勻突出整個(gè)顯著性區(qū)域。針對(duì)該方法的檢測(cè)算法主要有基于頻率調(diào)諧的方法［3］、基于像素對(duì)比度的方法［4］。

傳統(tǒng)基于圖的圖像分割方法［5］能夠有效地將圖像分割成若干區(qū)域，但圖像分割質(zhì)量并非最佳，且分割速率較慢。本文首先采用改進(jìn)的圖割算法將圖像分割成若干子區(qū)域，為每個(gè)區(qū)域建立顏色直方圖；然后通過(guò)每個(gè)區(qū)域和其它區(qū)域的對(duì)比度加權(quán)和來(lái)為該區(qū)域定義顯著性值，獲取圖像的顯著圖；最后利用迭代閾值分割方法對(duì)顯著圖分割，經(jīng)過(guò)圖像去噪后獲得完整準(zhǔn)確的顯著性區(qū)域。實(shí)驗(yàn)結(jié)果表明，本文提出的算法能有效地提取出顯著性區(qū)域，且提高了算法效率，具有很好的魯棒性。

1 系統(tǒng)組成

本文采用的顯著性區(qū)域檢測(cè)方法由圖像預(yù)分割、顯著圖計(jì)算、顯著性區(qū)域提取3部分組成，流程如下：

（1）輸入圖像，對(duì)圖像進(jìn)行高斯平滑處理；

（2）采用改進(jìn)的圖割算法對(duì)平滑后的圖像進(jìn)行預(yù)分割，將圖像分割為若干子區(qū)域；

（3）為每個(gè)區(qū)域建立顏色直方圖，通過(guò)每個(gè)區(qū)域與其它區(qū)域的對(duì)比度加權(quán)和來(lái)為該區(qū)域定義顯著性值，以此獲取圖像的顯著圖；

（4）對(duì)圖像顯著圖進(jìn)行中值濾波，消除圖像噪聲，增強(qiáng)顯著性區(qū)域的邊緣信息；

（5）針對(duì)濾波后的顯著圖，利用迭代閾值分割方法提取顯著性區(qū)域；

（6）消除圖像中的孤立點(diǎn)，獲取完整有效的顯著性區(qū)域。

系統(tǒng)整體流程如圖1所示。

圖1 系統(tǒng)流程

2 顯著性檢測(cè)

2.1 基于圖的圖像分割

基于圖的圖像分割方法是將圖像分割的問(wèn)題轉(zhuǎn)換成一個(gè)無(wú)向圖的最優(yōu)化問(wèn)題。用帶權(quán)無(wú)向圖G ＝＜V，E ＞表示原圖像，頂點(diǎn)vi∈V ，V 為圖的頂點(diǎn)集合，與原圖像中的像素點(diǎn)相對(duì)應(yīng)，e（vi，vj）∈E 定 義 為 連 接vi和vj的 邊，ω（vi，vj）為對(duì)應(yīng)vi和vj之間的差異程度，將其定義為RGB彩色空間中像素點(diǎn)顏色值的歐氏距離，是非負(fù)度量。在對(duì)圖像進(jìn)行分割時(shí)，V 會(huì)被分成若干獨(dú)立的區(qū)域Ci，理想的分割結(jié)果是在同一區(qū)域的像素點(diǎn)的差異盡可能的小，不同區(qū)域像素點(diǎn)之間的差異盡可能大。傳統(tǒng)算法的分割結(jié)果如圖2所示。

在圖2的分割結(jié)果中，圖2 （a）為原圖像，圖2 （b）為傳統(tǒng)算法分割的結(jié)果，可以看出，圖像被分割成19塊子區(qū)域，但是有些子區(qū)域是可以合并的，這會(huì)直接影響后續(xù)顯著圖的計(jì)算效率，所以這種分割結(jié)果不是最佳的。

圖2 基于圖的圖像分割實(shí)驗(yàn)結(jié)果

2.2 改進(jìn)的基于圖的圖像分割

基于圖的圖像分割算法將像素間的差異值定義為邊的權(quán)值，然后用圖來(lái)表示原圖像，但是在RGB彩色空間定義的像素點(diǎn)差異值并不能很好的反應(yīng)像素間的差異，這也將直接影響圖像的最終分割結(jié)果是否為最合理的，同時(shí)也會(huì)降低顯著圖的計(jì)算效率。

針對(duì)上述傳統(tǒng)圖割算法的缺點(diǎn)，本文改進(jìn)的算法步驟如下：

（1）首先對(duì)圖像進(jìn)行高斯平滑處理，不僅能夠達(dá)到圖像去噪的目的而且能夠消除圖像中的細(xì)節(jié)信息，避免后續(xù)處理中的過(guò)分割現(xiàn)象。

（2）將圖像轉(zhuǎn)換到CIELab彩色空間，該空間的顏色值的歐氏距離最能體現(xiàn)像素間的差異，所以定義邊權(quán)重函數(shù)為

式中：第一項(xiàng)為像素在Lab顏色空間的歐氏距離，體現(xiàn)了顏色的差異；第二項(xiàng)為像素坐標(biāo)的歐氏距離，體現(xiàn)了像素的空間距離。

（3）計(jì)算區(qū)域的內(nèi)部差異，定義區(qū)域Ci∈V 中其最小生成樹(shù)的邊最大權(quán)值為判定閾值，使得該區(qū)域是連通的，即

式中：MST（C，E）——該區(qū)域的最小生成樹(shù)，ω（vi，vj）——邊的權(quán)重。

（4）計(jì)算區(qū)域間的差異，定義任意兩個(gè)區(qū)域C1，C2V 間的差異值為連接這兩個(gè)區(qū)域的所有邊中權(quán)重最小值，即

其中，如果沒(méi)有邊連接兩個(gè)區(qū)域，可以認(rèn)為這兩個(gè)區(qū)域間的差異值為無(wú)窮大。

（5）根據(jù)區(qū)域內(nèi)部差異和區(qū)域間差異來(lái)判定區(qū)域是否合并，判定函數(shù)定義為

式中：MInt（C1，C2）——兩個(gè)區(qū)域中內(nèi)部差異較小者，如果區(qū)域間的差異大于區(qū)域內(nèi)部差異，則兩個(gè)區(qū)域是有邊界存在的，否則就不存在邊界，可以將其合并為一個(gè)區(qū)域。定義MInt（C1，C2）為

（6）在對(duì)100張300×225隧道滲水區(qū)域圖像進(jìn)行測(cè)試后，確定常數(shù)k 為350時(shí)最合理，所達(dá)到的分割結(jié)果最理想。改進(jìn)的分割算法與傳統(tǒng)算法的分割結(jié)果如圖3 所示，與圖2 （b）傳統(tǒng)算法分割結(jié)果相比可以看出改進(jìn)的算法不僅能夠完整地分割出顯著性區(qū)域，而且分割出的子區(qū)域由原來(lái)的19塊減少到6塊，這將會(huì)減少顯著圖的計(jì)算時(shí)間，降低顯著圖的計(jì)算難度。

圖3 本文算法的分割結(jié)果

改進(jìn)基于圖的圖像分割算法流程如圖4所示。

2.3 顯著圖計(jì)算

根據(jù)改進(jìn)的圖割算法對(duì)圖像的分割結(jié)果，為每個(gè)子區(qū)域建立顏色直方圖［6－8］，統(tǒng)計(jì)子區(qū)域中每種顏色出現(xiàn)的概率，并通過(guò)測(cè)量與其它區(qū)域的顏色對(duì)比度來(lái)計(jì)算其顯著性值，計(jì)算如式 （6）所示

圖4 改進(jìn)圖割算法流程

式中：ω（ri）——區(qū)域ri的權(quán)值，用ri中的像素?cái)?shù)表示，Dr——兩個(gè)區(qū)域的顏色度量，定義為

式中：f（ck，i）——第i個(gè)顏色ck，i在第k 個(gè)區(qū)域中所有nk種顏色中出現(xiàn)的概率，k＝（｛1，2｝，D（c1，i，c2，j）——兩種顏色在Lab顏色空間的距離度量。

為進(jìn)一步增加區(qū)域的空間影響效果，加入空間信息，使得臨近的區(qū)域增大影響，較遠(yuǎn)的區(qū)域減小影響，基于空間加權(quán)區(qū)域?qū)Ρ榷鹊娘@著性定義為

式中：Ds（rk，ri）——區(qū)域rk和ri的空間距離，定義為兩個(gè)區(qū)域重心的歐氏距離，σ2s控制空間權(quán)值強(qiáng)度，其值越大，空間權(quán)值的影響越小，本文算法中，經(jīng)大量實(shí)驗(yàn)后取σ2s＝0.4時(shí)獲取的顯著圖效果最佳。根據(jù)區(qū)域?qū)Ρ确椒ㄋ@取的顯著圖如圖5所示。

圖5 顯著圖

3 顯著圖分割

針對(duì)本文改進(jìn)算法所獲取的顯著圖，在實(shí)際工作中，需要將圖像中的顯著性區(qū)域完整地分割出來(lái)以便進(jìn)行下一步處理。為準(zhǔn)確有效地分割出顯著區(qū)域，本文采用迭代閾值分割方法［9，10］，通過(guò)迭代計(jì)算出最合適的閾值，將顯著區(qū)域完整提取出來(lái)。算法流程如下：

（1）首先由于在顯著圖計(jì)算過(guò)程中會(huì)產(chǎn)生噪聲，本文采用中值濾波對(duì)顯著圖進(jìn)行處理；

（2）計(jì)算顯著圖的平均灰度，并將其設(shè)置為迭代初始閾值T0；

（3）顯著圖被分為兩部分，像素灰度值大于T0的為G1，小于T0的為G2，并分別計(jì)算兩部分的平均灰度值m1和m2；

（5）重復(fù)步驟 （2）到步驟 （4），直到連續(xù)迭代中的T值間的差小于預(yù)定義參數(shù)t為止，經(jīng)多次實(shí)驗(yàn)，取t＝0.5；

（6）分割出顯著性區(qū)域后，圖像中可能還會(huì)存在一些孤立的像素點(diǎn)，本文通過(guò)連通區(qū)域檢測(cè)，設(shè)定連通區(qū)域面積閾值消除孤立點(diǎn)。顯著圖分割結(jié)果如圖6所示。

圖6 顯著圖分割結(jié)果

4 實(shí)驗(yàn)結(jié)果及分析

本文使用300×225的隧道滲水區(qū)域圖像，經(jīng)改進(jìn)圖割的顯著性檢測(cè)與迭代閾值分割算法相結(jié)合提取出顯著性區(qū)域如圖7所示。

從圖3和圖7可以看出，改進(jìn)的顯著性區(qū)域檢測(cè)算法效果較為明顯，對(duì)于背景簡(jiǎn)單的圖像，改進(jìn)的算法在保證正確率的情況下，提高了算法效率。對(duì)于存在較為復(fù)雜紋理背景的圖像，改進(jìn)的算法不僅能夠完整地分割出顯著性區(qū)域，而且合理地合并了一些子區(qū)域，有利于后續(xù)顯著圖的計(jì)算，同時(shí)也大大加快了算法運(yùn)行速度。

為了驗(yàn)證本文改進(jìn)算法的準(zhǔn)確性和有效性，在Achanta等人提供的包含1000張圖像的公開(kāi)數(shù)據(jù)集中進(jìn)行測(cè)試，采用正確率P 和召回率R 評(píng)估本文算法，其定義如式 （9）和式 （10）所示

圖7 改進(jìn)算法分割結(jié)果

其中，Np為本文算法分割出的顯著區(qū)域中真正屬于顯著區(qū)域的像素點(diǎn)個(gè)數(shù)，Nt為本文算法分割出的顯著區(qū)域的像素點(diǎn)總數(shù)，Ng為人工標(biāo)注的顯著區(qū)域的像素點(diǎn)的總數(shù)。隨機(jī)選取數(shù)據(jù)集中的23張圖像，計(jì)算其正確率和召回率，實(shí)驗(yàn)數(shù)據(jù)見(jiàn)表1。

表1 改進(jìn)算法的正確率和召回率

由表1 可知，圖像的平均正確率和召回率分別為94.00%和93.70%，采用傳統(tǒng)算法所得到的平均正確率和召回率分別為90%和90%，實(shí)驗(yàn)結(jié)果表明，本文提出的改進(jìn)圖割的顯著性區(qū)域檢測(cè)算法的實(shí)驗(yàn)效果具有更高的正確率，且魯棒性較好。

5 結(jié)束語(yǔ)

本文采用改進(jìn)的基于圖的圖像分割方法將圖像分割成若干小區(qū)域，該方法不僅保證了分割的準(zhǔn)確性和完整性，而且還有效地合并了相似子區(qū)域，簡(jiǎn)化了后續(xù)的顯著圖計(jì)算，提高了算法的運(yùn)算速度。在此基礎(chǔ)上，對(duì)顯著圖進(jìn)行中值濾波后采用迭代閾值分割方法提取圖像顯著性區(qū)域，最后根據(jù)面積信息消除圖像中存在的孤立點(diǎn)，獲取整個(gè)顯著性區(qū)域。實(shí)驗(yàn)結(jié)果表明，本文算法具有較好的分割準(zhǔn)確率。在下一步的工作中，要研究保留詳細(xì)細(xì)節(jié)的高效顯著圖計(jì)算方法。

［1］Huang TJ，Tian YH，Li J，et al.Salient region detection and segmentation for general object recognition and image understanding ［J］.Science China Information Sciences，2011，54（12）：2461－2470.

［2］Achanta R，Shaji A，Smith K，et al.SLIC superpixels compared to state－of－the－art superpixel methods ［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2012，34 （11）：2274－2282.

［3］Achanta R，Hemami S，Estrada F，et al.Frequency－tuned salient region detection ［C］//IEEE Conference on Computer Vision and Pattern Recognition.IEEE，2009：1597－1604.

［4］Perazzi F，Krahenbuhl P，Pritch Y，et al.Saliency filters：Contrast based filtering for salient region detection ［C］//IEEE Conference on Providence：Computer Vision and Pattern Recognition.IEEE，2012：733－740.

［5］Arbelaez P，Maire M，F(xiàn)owlkes C，et al.Contour detection and hierarchical image segmentation ［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2011，33 （5）：898－916.

［6］Cheng MM，Warrell J，Lin WY，et al.Efficient salient region detection with soft image abstraction ［C］//IEEE International Conference on Sydney： Computer Vision.IEEE，2013：1529－1536.

［7］Vikram TN，Tscherepanow M，Wrede B.A saliency map based on sampling an image into random rectangular regions of interest［J］.Pattern Recognition，2012，45 （9）：3114－3124.

［8］Deng Q，Luo Y.Saliency detection by selective strategy for salient object segmentation ［J］.Journal of Multimedia，2012，7（6）：420－428.

［9］Akther M，Ahmed M，Hasan M.Detection of Vehicle’s number plate at nighttime using iterative threshold segmentation algorithm ［J］.International Journal of Image，Graphics ＆Signal Processing，2013，5 （12）：62－70.

［10］Al－amri SS，Kalyankar NV.Image segmentation by using threshold techniques ［J］.Journal of Computing，2010，5（2）：83－86.