一种基于梯度方向直方图的判决式视觉显著性检测方法

摘要

本发明涉及一种基于梯度方向直方图的判决式视觉显著性检测方法。目前的方法分辨率低，提取的物体轮廓不全，计算复杂度高。本发明方法首先采用彩色变换方法，提取原始图像在CIELAB空间彩色分量图；其次利用-周围计算结构中的取样点统计分量图中每个像素点的局部梯度方向直方图；然后计算每个像素点的局部显著判决矢量和全局显著判决矢量；最后采用线性加权方法获得最终的显著判决结果。本发明方法在视觉显著区域具有更强的响应，而在其他非显著区域有更好的抑制能力。

主权项

1.一种基于梯度方向直方图的判决式视觉显著性检测方法，其特征在于该方法包括如下步骤：步骤(1)采用彩色变换方法，提取原始图像在CIELAB空间的l彩色分量图、a彩色分量图和b彩色分量图；步骤(2)利用中央-周围计算结构中的取样点统计l彩色分量图、a彩色分量图和b彩色分量图中每个像素点的局部梯度方向直方图；所述的中央-周围计算结构为：以待统计的像素点中心，构成三个不同半径的同心圆环形结构；所述的取样点位于上述不同半径的同心圆环上，每个同心圆环上按45°等角度间隔提取八个取样点；同一半径上的取样点具有相同的高斯尺度值，不同一半径上的取样点高斯尺度值不同；所述的统计方法具体为：首先采用Daisy特征描述符提取方法，提取Daisy描述符D(u₀，v₀)，对于像素点(u₀，v₀)，其Daisy描述符D(u₀，v₀)表示为：$D(u_0,v_0)={\left[\begin{array}{c}{H}_1^T(u_0,v_0),\\ H_1^T\left(l_1(u_0,v_0,r_1)\right),···,H_1^T\left(l_8(u_0,v_0,r_1)\right),\\ H_2^T\left(l_1(u_0,v_0,r_2)\right),···,H_2^T\left(l_8(u_0,v_0,r_2)\right),\\ H_3^T\left(l_1(u_0,v_0,r_3)\right),···,H_3^T\left(l_8(u_0,v_0,r_3)\right)\end{array}\right]}^T$其中表示像素点(u₀，v₀)的梯度方向直方图，l_m(u₀，v₀，r_n)表示中央-周围计算结构中第n个同心圆环上第m个取样点的坐标，H_n(l_m(u₀，v₀，r_n))表示中央-周围计算结构中第n个同心圆环上第m个取样点的梯度方向直方图，每个梯度方向直方图的统计过程中都是将梯度方向从0°到360°均匀量化到八个等角度范围区间，m＝1，2，...，8，n＝1，2，3；然后将Daisy描述符D(u₀，v₀)中各梯度方向值，按相同梯度方向重新排列，由此中央-周围计算结构的局部显著性描述符定义为L(u₀，v₀)：$L(u_0,v_0)={[{\eta }_1^T,{\eta }_2^T,···,{\eta }_k^T,···,{\eta }_8^T]}^T,$k＝1，2，....，8其中${\eta }_k={\left[\begin{array}{c}{h}_1(u_0,v_0,{\theta }_k),\\ h_1(l_1(u_0,v_0,r_1),{\theta }_k),···,h_1(l_8(u_0,v_0,r_1),{\theta }_k),\\ h_2(l_1(u_0,v_0,r_2),{\theta }_k),···,h_2(l_8(u_0,v_0,r_2),{\theta }_k),\\ h_3(l_1(u_0,v_0,r_3),{\theta }_k),···,h_3(l_8(u_0,v_0,r_3),{\theta }_k)\end{array}\right]}^T$η_k为所有取样点梯度方向直方图中第k个梯度方向值的组合，h_n(l_m(u₀，v₀，r_n)，θ_k)为梯度方向直方图H_n(l_m(u₀，v₀，r_n))中第k个梯度方向的值；步骤(3)根据局部显著性判决计算公式，计算每个像素点的局部显著判决矢量S_local(u₀，v₀)；具体计算过程为：首先计算中央-周围计算结构中每个同心圆环对整个中央-周围计算结构的显著判决贡献度p(n)，$p\left(n\right)=\frac{\underset{1\le m\le 8}{\Sigma }\underset{1\le k\le 8}{\Sigma }{h}_n(l_m(u_0,v_0,r_n),{\theta }_k)}{\underset{1\le n\le 3}{\Sigma }\underset{1\le m\le 8}{\Sigma }\underset{1\le k\le 8}{\Sigma }{h}_n(l_m(u_0,v_0,r_n),{\theta }_k)}$其次计算矢量η_k的均值和方差v_k：$\left\{\begin{array}{c}{v}_k=\underset{1\le n\le 3}{\Sigma }\underset{1\le m\le 8}{\Sigma }{\left(h_n(l_m(u_0,v_0,r_n),{\theta }_k){\bar{h}}_k\right)}^{2}p\left(n\right)\\ {\bar{h}}_k=\underset{1\le n\le 3}{\Sigma }\underset{1\le m\le 8}{\Sigma }{h}_n(l_m(u_0,v_0,r_n),{\theta }_k)p\left(n\right)\end{array}\right.$然后计算单个彩色分量图的局部显著判决值S_local(u₀，v₀)：$S_{\mathrm{local}}(u_0,v_0)=\frac{1}{8}\underset{1\le k\le 8}{\Sigma }{v}_k$最后计算每个像素点的局部显著判决矢量S_local(u₀，v₀)，$S_{\mathrm{local}}(u_0,v_0)={(S_{\mathrm{local}}^l(u_0,v_0),S_{\mathrm{local}}^a(u_0,v_0),S_{\mathrm{local}}^b(u_0,v_0))}^T$其中表示l彩色分量图的局部显著判决值，表示a彩色分量图的局部显著判决值，表示b彩色分量图的局部显著判决值；步骤(4)根据全局显著性判决计算公式，计算每个像素点的全局显著判决矢量S_global(u₀，v₀)；具体计算过程为：首先分别计算原始图像l、a、b彩色分量图中所有像素点的均值μ_l、μ_a和μ_b，构成均值矢量μ_g＝(μ_l，μ_a，μ_b)^T；然后采用高斯方差为2.5的二维高斯滤波器进行高斯滤波，则像素点(u₀，v₀)的滤波后结果为g_s(u₀，v₀)：$g_s(u_0,v_0)={(g_{(u_0,v_0)}^l,g_{(u_0,v_0)}^a,g_{(u_0,v_0)}^b)}^T$其中c∈(l，a，b)为不同彩色分量下像素点(u₀，v₀)的高斯滤波值；最后计算每个像素点的全局显著判决矢量S_global(u₀，v₀)：$S_{\mathrm{global}}(u_0,v_0)={(S_{\mathrm{global}}^l(u_0,v_0),S_{\mathrm{global}}^a(u_0,v_0),S_{\mathrm{global}}^b(u_0,v_0))}^T=|g_s(u_0,v_0)·g_s^T\left(u_0{,v}_0\right)-{\mu }_g·{{\mu }_g}^T|$其中表示l彩色分量图的全局显著判决值，表示a彩色分量图的全局显著判决值，表示b彩色分量图的全局显著判决值；步骤(5)根据计算获得的局部显著判决矢量和全局显著判决矢量，采用线性加权方法获得最终显著判决结果S_final(u₀，v₀)，