| 主权项 |
一种自底向上的注意信息提取方法，自底向上的注意信息由图像中每个点对应区域的显著性构成，区域的尺度自适应于局部特征的复杂度，综合考虑了三方面特性来定义显著性：根据特征空间中的不可预测性来衡量特征的复杂度；在尺度空间中衡量特征的统计不相似特性；同时考虑特征空间和尺度空间，衡量特征的一些初级视觉特性；其特征包含以下步骤；步骤1.计算局部复杂度显著性；对于图像I(x，y)中的每个像素位置l＝(x，y)的每个尺度sc，scmin≤sc≤scmax：(1)I′(x，y)表示图像I(x，y)中以l＝(x，y)点为中心，以sc为半径的图像区域对应的亮度信息；(2)用亮度直方图估计I′(x，y)的局部概率密度函数p(ie，sc，l)；p(ie，sc，l)表示在I(x，y)对应图像区域内，亮度信息取值为ie的概率；ie∈IE；IE其取值范围是IE＝{0，1，2，...，255}，(3)根据局部概率密度函数p(ie，sc，l)计算局部熵H(sc，l)的值； <mrow> <mi>H</mi> <mrow> <mo>(</mo> <mi>sc</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> <mo>=</mo> <mo>-</mo> <munder> <mi>Σ</mi> <mrow> <mi>ie</mi> <mo>∈</mo> <mi>IE</mi> </mrow> </munder> <mi>p</mi> <mrow> <mo>(</mo> <mi>ie</mi> <mo>,</mo> <mi>sc</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> <msub> <mi>log</mi> <mn>2</mn> </msub> <mi>p</mi> <mrow> <mo>(</mo> <mi>ie</mi> <mo>,</mo> <mi>sc</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> </mrow>步骤2.计算统计不相似显著性；对于每个满足条件H(sc-1，l)＜H(sc，l)＞H(sc+1，l)的sc，根据熵H(sc，l)计算统计不相似性度量Sx(sc，l) <mrow> <mi>Sd</mi> <mrow> <mo>(</mo> <mi>sc</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <msup> <mi>sc</mi> <mn>2</mn> </msup> <mrow> <mi>sc</mi> <mo>-</mo> <mn>1</mn> </mrow> </mfrac> <mrow> <mo>(</mo> <mi>H</mi> <mrow> <mo>(</mo> <mi>sc</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>H</mi> <mrow> <mo>(</mo> <mi>sc</mi> <mo>-</mo> <mn>1</mn> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> <mo>)</mo> </mrow> </mrow>步骤3.计算初级视觉特征显著性；(1)用4个朝向、4个频率的Gabor滤波器对图像I(x，y)滤波；ψ(x，y)表示Gabor滤波器；v(x，y)＝I(x，y)*ψ(x-x0，y-y0)形成16幅朝向、频率特征图{vk(x，y)，k＝1，2，...，16}；(2)用全局加强法合并16幅特征图，形成一幅初级视觉特征显著图Vl(l)；全局加强法是将各个特征图的特征值归一化到0-1后，找出每一幅特征图的全局极大M和除此全局极大之外的其它局部极大的平均值m，给每一幅特征图乘以加强因子(M-m)2，这就是每幅特征图的权；最终的显著图Vl是各个特征显著图的加权和，用它来衡量原始图像的初级视觉特征显著性；步骤4.计算图像区域显著性；对于图像I(x，y)中的每个像素位置l＝(x，y)的每个满足条件H(sc-1，l)＜H(sc，l)＞H(sc+1，l)的sc；(1)Vl′(l)表示图像I(x，y)中以l＝(x，y)点为中心，以sc为半径的图像区域对应的初级视觉特征显著性；(2)根据局部熵H(sc，l)、统计不相似性度量Sd(sc，l)和初级视觉特征显著性Vl′(x，y)，计算图像显著性度量标准SA(sc，l)SA(sc，l)＝H(sc，l)×Sd(sc，l)×Vl′(l)(3)以点l＝(x，y)为中心，以尺度sc为半径的图像区域的显著值定义为 <mrow> <mi>SS</mi> <mrow> <mo>(</mo> <mi>sc</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mi>sc</mi> </mfrac> <msqrt> <munderover> <mi>Σ</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <munderover> <mi>Σ</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>SA</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>sc</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> </msqrt> </mrow>步骤5.提取自底向上的注意信息；(1)对于图像I(x，y)中的每个像素位置l＝(x，y)，比较不同尺度sc下的显著值。用最大的显著值SS(SC，l)； <mrow> <mi>SC</mi> <mo>=</mo> <mi>arg</mi> <munder> <mi>max</mi> <mi>sc</mi> </munder> <mrow> <mo>(</mo> <mi>SS</mi> <mrow> <mo>(</mo> <mi>sc</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> <mo>)</mo> </mrow> </mrow>作为以l＝(x，y)点为中心，以SC为半径的图像区域对应的自底向上的注意信息；(2)图像I(x，y)中所有的点对应区域的显著值SS(SC，l)就构成了整幅图像的自底向上的注意信息。 |
