袁小艷

（四川文理學(xué)院智能制造學(xué)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(qū)域（川東地區(qū)）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(xiàn)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(yīng)用[3]，如圖像聯(lián)系、人物聯(lián)系、圖像分割、圖像分類[4]等。為了后期更進一步的研究、開發(fā)和宣傳巴文化，需要對圖像進行預(yù)處理，即圖像顯著性檢測。顯著性目標(biāo)檢測是包括圖像分割、目標(biāo)識別等在內(nèi)的許多計算機視覺任務(wù)的重要步驟，有著重要的理論和應(yīng)用價值。

1 圖像顯著性目標(biāo)檢測

顯著性目標(biāo)檢測在圖像理解和分析中有重要的作用，它的目標(biāo)就是通過顯著圖得到顯著區(qū)域，即能夠第一眼就吸引人們注意力的區(qū)域[5]。顯著性目標(biāo)區(qū)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(qū)域和其他區(qū)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(biāo)檢測技術(shù)都是根據(jù)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?shù)炔捎眠吔缣卣骱皖伾卣鳈z測顯著性[8]，劉亞寧使用流行排序?qū)η熬昂捅尘疤卣鬟M行檢測[9]，劉松濤等融合鄰域?qū)Ρ榷忍卣骱腿只叶忍卣鳈z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(yún)等提取了顏色、亮度、邊緣等特征檢測肺結(jié)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(dāng)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(guān)的所有痕跡，包括物質(zhì)和精神兩方面的，如青銅器和印章上經(jīng)常使用的巴文化符號、獨特的巫文化圈[15]、發(fā)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(shù)字博物館中。數(shù)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(biāo)檢測是研究巴文化圖像識別、分類的基礎(chǔ)。

從過去十幾年的發(fā)展歷程來看，視覺特征的不同決定了顯著性檢測模型的優(yōu)劣程度。顯著性檢測模型的特征眾多，如顏色、紋理、形狀、結(jié)構(gòu)、Objectness[14]、Focusness[14]、邊框連接性、上下文、空間分布等，根據(jù)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(biāo)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(guī)則的和不規(guī)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(chǔ)上進行改進的。它將彩色圖像轉(zhuǎn)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(biāo)，構(gòu)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(guān)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(shè)圖像大小為M×N，超像素數(shù)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(huán)保政策對我國磷肥出口的影響較大，環(huán)保政策使得我國磷礦石產(chǎn)量下降、磷肥生產(chǎn)環(huán)保成本上漲，從而導(dǎo)致我國磷肥產(chǎn)量下降、磷肥生產(chǎn)成本上漲，最終導(dǎo)致國際磷肥供應(yīng)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(nèi)為每個像素點分配聚類標(biāo)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(nèi)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(yīng)搜索范圍內(nèi)的第i個像素點的顏色距離，ds是是相應(yīng)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(yīng)多個超像素塊中心，當(dāng)然就有多個距離，取最小值對應(yīng)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(biāo)，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(jīng)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(zhì)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(diào)、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(gòu)成三維空間。HSV顏色空間是根據(jù)顏色的直觀特性創(chuàng)建的一種顏色空間，由H（色調(diào)）、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(shè)備無關(guān)，由L（亮度）、A（紅綠色）、B（黃藍色）組成。RGB顏色空間主要面向設(shè)備，HSV、LAB 顏色空間主要面向用戶，HSV 常用于數(shù)字圖像處理。巴文化圖像的顏色單調(diào)，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(fā)，將局部區(qū)域和周圍區(qū)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(qū)域數(shù)量，dis(ci,cj)是區(qū)域i和區(qū)域j的顏色距離（歐幾里得距離）,是區(qū)域i和區(qū)域j的平均位置距離。

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

其中，n是區(qū)域數(shù)量，dis(bi,bj)是區(qū)域i和區(qū)域j的顏色直方圖距離（卡方距離）,是區(qū)域i和區(qū)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(qū)域的位置，sim(ci,cj)是區(qū)域i和區(qū)域j的顏色相似性，γi=是顏色ci的權(quán)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(xiàn)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(fù)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(shù)的標(biāo)準(zhǔn)差[14]。

2.2.3 BonC特征

BonC 特征，即邊框連接性，表示每塊區(qū)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(qū)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(qū)域，又屬于該區(qū)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(jié)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(fā)現(xiàn)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(diào)諧算法）與該文算法的比較，如圖6所示。

從圖6 中可以看出，F(xiàn)T 算法主要提取的是輪廓，沒有從顯著性整體出發(fā)，計算的是像素點的顯著值，不是區(qū)域的。CA 算法的效果優(yōu)于FT 算法，從物體的整體出發(fā)，背景處理得很干凈，這也導(dǎo)致有些圖像的顯著性不完整。該文算法要優(yōu)于前兩者，因為它既考慮了細節(jié)又考慮了整體，還結(jié)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(qū)域的顯著值更好。根據(jù)結(jié)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(jié)論

巴文化歷史悠久，其文物隨著考古的開發(fā)越來越多，由此延伸的精神文明產(chǎn)物也比比皆是，這就使得巴文化的數(shù)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(qū)域。該文圍繞著巴文化圖像的顯著性目標(biāo)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(biāo)檢測是一個極具挑戰(zhàn)的課題，將其應(yīng)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(xù)研究，如巴文化圖像的多方獲取形成數(shù)據(jù)集、巴文化圖像的采集等。