基于全局对比度的显著性区域检测
显著性检测技术在图像处理中的应用与优化
显著性检测技术在图像处理中的应用与优化摘要：随着数字图像的广泛应用，人们对于图像处理技术的需求也越来越高。
显著性检测技术作为一种重要的图像处理技术，可以识别和提取出图像中最具显著性的目标或区域。
本文将介绍显著性检测技术的原理与方法，并探讨其在图像处理中的应用和优化。
一、引言随着数字图像的普及，图像处理技术成为了计算机视觉领域的重要研究方向之一。
显著性检测技术是图像处理中的重要组成部分，它可以帮助我们识别和提取出图像中最具显著性的目标或区域，为后续的图像处理任务提供重要信息。
二、显著性检测技术的原理与方法1.背景与定义显著性检测指的是在一幅图像中寻找与周围环境显著不同的目标或区域。
这些目标或区域通常具有较高的对比度、颜色鲜艳和纹理丰富等特点。
显著性检测的目标是在图像中准确地找出这些显著目标或区域。
2.常见方法（1）基于全局对比度的方法：通过计算目标区域与背景区域之间的对比度来判断显著性。
（2）基于频域分析的方法：将图像转换到频域，利用频域特征提取显著性信息。
（3）基于目标和背景模型的方法：建立目标和背景模型，通过比较像素与模型之间的差异来确定显著性。
三、显著性检测技术在图像处理中的应用1.图像分割显著性检测技术能够帮助将图像分割成具有显著特征的目标区域和背景区域，为图像分析和理解提供基础。
2.目标检测与识别显著性检测技术可以帮助定位和识别图像中的目标物体，提高目标检测和识别的准确性和效率。
3.图像增强与修复通过识别出图像中的显著目标或区域，可以针对性地进行图像增强和修复，提高图像的质量和清晰度。
4.视觉注意模型构建显著性检测技术可以帮助构建视觉注意模型，即模拟人类的视觉注意机制，将注意力集中于图像的显著目标或区域。
四、显著性检测技术的优化1.算法优化针对目前显著性检测中存在的问题，如对噪声和复杂背景的敏感性，算法可以进行优化和改进，提高显著性检测的准确性和稳定性。
2.多模态融合借鉴多种数据源（如图像、视频、语音等）进行融合，可以进一步提高显著性检测的性能和鲁棒性。
seaving-carving
论文中文题目摘要摘要内容感知图像缩放的目标是在任意改变图像大小时保持图像中的主体特征不变。
这里介绍一种内容感知图像缩放方法，缝剪切(seam-carving)。
一条缝就是图像中从顶部到底部，或者从左到右的一条8连通的最优的像素路径，其中最优性是通过一种图像能量函数定义的。
通过重复地剪切和添加缝，就可以改变图像的大小,同时保持图像中的主体特征不变。
图像的主体特征一般也就是指图像中的显著性区域，图像能量函数可以设计为图像中像素的显著性的分配函数。
基于直方图对比度（Histogram Contrast，HC）方法是一种基于全局对比度的显著性区域检测方法，该方法同时考虑了全局对比度和空间位置的影响，这里使用其作为图像能量函数。
关键词：内容感知图像缩放；Seam-Carving；显著性检测；全局对比度论文中文题目ABSTRACTABSTRACTThe target of content-aware image resizing is to retain the main characteristics of the image when change the size of the image discretionarily. Here a content-aware image scaling method called seam-carving is introduced. A seam is an optimal 8-connected path of pixels on a single image from top to bottom, or left to right, where optimality is defined by an image energy function. By repeatedly carving out or inserting seams we can change the aspect ratio of an image and retain the main characteristics of the image. The main characteristics of the image generally refers to the salient region , the image energy function can be designed as a function which assign the saliency value to each pixel. Histogram-based contrast(HC) method is a kind of global contrast based salient region detection method, which simultaneously evaluates global contrast difference and spatial coherence，here it is used as the image energy function.Key Words: Content-Aware Image Resizing; Seam-Carving; Saliency Detection; Global Contrast目录摘要 .............................................................................................................................................. I ABSTRACT.................................................................................................................................... II 目录 . (1)第一章绪论（小三、黑体、居中） (2)第二章像素显著性 (3)2.1像素显著性值的定义 (3)2.2加速计算 (3)2.3颜色空间平滑 (4)第三章Seam_Carving (5)3.1能量函数的定义 (5)3.2Seam-Carving的提出 (5)3.3缝的代价 (6)3.4最优缝的寻找 (6)第四章分析与总结 (7)第一章绪论（小三、黑体、居中）如今显示设备的多样性和多用途性对数字媒体提出了新的要求。
图像分割及显著性区域检测算法与应用
图像分割及显著性区域检测算法与应用图像分割是计算机视觉领域中的一个重要任务，它旨在将一幅图像分成若干个不同的局部区域，使得每个区域内的像素具有相似的特征。
显著性区域检测是图像分割的一个子任务，它主要关注图像中最吸引人的部分，如物体、纹理等，并将其从背景中区分出来。
图像分割及显著性区域检测算法和应用在图像处理、计算机视觉、机器学习等领域具有广泛的应用价值。
图像分割算法有许多种，其中常用的包括基于阈值的分割、区域生长算法、基于边缘的分割等。
基于阈值的分割是最简单的方法，它将图像中的像素按照灰度值或颜色进行分类，像素值在一定范围内的像素划分为同一区域。
区域生长算法根据像素之间的相似性逐渐扩展区域，直到满足某一条件为止。
边缘分割算法则是基于图像边缘的梯度信息，通过检测图像中的边缘实现分割。
相比之下，显著性区域检测算法主要关注图像中最显著的部分，并通过计算显著性值来区分显著性区域和非显著性区域。
现有的显著性区域检测算法可以分为基于全局对比度的方法和基于局部对比度的方法。
基于全局对比度的方法基于图像的全局特征，如颜色、纹理等，在整个图像中寻找显著性区域。
而基于局部对比度的方法则基于图像的局部特征，在局部范围内计算像素的显著性值，再通过融合得到全局显著性图。
除了图像分割和显著性区域检测的基本算法外，这些算法还可以结合其他技术来改进性能。
例如，图像分割算法可以与机器学习方法结合，通过训练模型来提高分割的准确性和效率。
显著性区域检测算法可以与深度学习技术相结合，通过卷积神经网络等方法提取更准确的特征表示。
图像分割及显著性区域检测算法在许多应用中发挥着重要作用。
在医学影像分析中，图像分割可以帮助医生识别和定位病变区域，辅助诊断和治疗。
在自动驾驶领域，显著性区域检测可以帮助车辆识别和跟踪重要的交通目标，提高驾驶的安全性和效率。
在视频监控和安防领域，图像分割及显著性区域检测可以帮助识别异常行为和重要的目标，发现潜在的安全威胁。
基于区域对比度优化的图像显著特征提取
摘要基于区域对比度优化的图像显著特征提取现在图像的特征提取广泛运用在不同的领域中，并且起到了非常重要的作用。
显著性的处理在计算机视觉中发挥着重大的作用，并且在此领域可以运用于不同的方面。
同时结合显著性的特征提取可以达到更好的提取效果，在实践过程中结合实际情况，可以探索出更多有价值的显著性处理方法。
在日常生活的自然场景中检测并且分割显著对象，即显著目标检测已经吸引了计算机视觉方面的许多集中研究，并且由此产生了很多实际应用。
然而，尽管生活中已经存在了很多模型，但是对于已有成果和现实中遇到问题的深入理解与运用依然非常缺乏。
此外，显著性检测运用于不同的学科，包括生物科学和药学等方面，基于显著性检测的显著特征提取可以促进学科技术的发展，所以深入研究图像的显著特征提取具有很大的价值。
目前已有较为成熟的显著性检测算法，但是随着应用范围逐渐增大，新的用以解决现实中遇到的问题的算法也应该被逐渐优化。
本文中实现的是首先将原始图像映射到特征空间，完成了对原始图像的分割处理。
之后再根据分割区域的欧式距离和权重计算显著性值，由此确定显著区域的形状边界等因素。
在本文中优化实现的部分主要是针对高斯差分的加权优化。
并且完成了在分析已有区域对比对的理论基础下，研究了已有的关于图像显著性的算法，并且将这些经典的算法做出分析比较。
通过结合全局对比度和局部对比度的算法分析，提出了基于图像对比度情况下的改进，并且改进的方面同时结合了图像的局部对比度特征和全局对比度特征。
在具体实现图像显著特征提取的过程中使用了GC和RC算法，并且在完成过程中使用了对空间信息的加权处理。
本文实现时完成基于高斯分布模型的计算，得到显著中心的位置，即其横纵坐标，可以计算像素点与中心区域的距离。
并且对局部对比度算法使用空间加权优化的处理方式，增大显著目标与周围区域的差异，运用高斯函数的差分去噪，并加权处理每一个高斯函数的差分，设定不同的权重实现低频区域的信息增强，为频率越低的部分设定的权重越大。
基于区域对比的图像显著性检测方法
孙赫赫，尚晓清，王 冲：基于区域对比的图像显著性检测方法
2018，54（10） 193
本文提出了一种基于区域对比的方法对自然图 像 进 行 显 著 性 检 测 。 首 先 利 用 SLIC[9（] Simple Linear Iterative Clustering）超像素分割算法把图像分割为颜色 和纹理一致的超像素；通过计算不同区域的颜色对比度 和空间对比度生成最初的显著性图，把显著性区域和背 景粗略地分割开；然后把图像子区域与其邻域像素平均 特征向量之间的距离作为对比度，结合最初的显著图将 图像区域块对比上升为像素级别的对比，使提取出来的 显著性图更加精细；最后结合中心优先原则得到最终的 显著图。与最近的五种显著性检测算法对比，实验结果 表明，本文可以得到更高的精度值和查全率，在高亮显 著区域和抑制背景方面优于其他算法。
基于局部对比的显著区域检测是把图像单元与其 邻域之间的不同特征的对比度作为显著性值。Itti 等[5] 通过利用中心周边差算法计算不同尺度不同特征的图 像显著性；Ma 等[2]提出了一种基于局部对比分析的显著
性模型，利用模糊增长的方法计算像素和其邻域的特征 距离得到显著性图。局部对比可以很好检测出图像边 缘，但是对整个图像的显著物体检测效果不是很好。全 局对比分析方法通过计算整个图像的对比度得到图像 的显著性值。Achanta 等[6]提出了一种调频的显著性检 测方法，用某个像素的颜色跟图像平均颜色的差异定义 像素的显著性；Zhai 和 Shah 等[7]提出了一种像素级全局 对 比 方 法 检 测 显 著 性 区 域 ，但 是 他 们 只 提 取 了 亮 度 特 征，忽略了其他重要特征；Cheng 等[8]采取颜色直方图全 局对比进行图像显著性检测，首先把图像分割成不同的 区域，然后计算不同区域的显著性值，最后得到显著性图。
基于全局颜色对比的显著性目标检测_杨军_林土胜_肖应旺
是找出图像最吸引人注意的地方， 许多研究人员提出了相关的 显著性检测方法
［6 ～ 9 ］
，取得了较好的结果。本文的目的不是检
测显著性图， 而是从得到的显著性图中检测出显著性目标。 一般来讲， 从视觉显著性图直接检测出相关的显著性目标是 很多显著性目标检测算法的选择， 这些方法先采用阈值法来分割 显著性图， 得到二值显著性图， 再利用穷举搜索方法在二值显著性 图中找出在最小的区域内包含固定比例（ 如 95% ） 的显著性像素 区域
［1 ～ 3 ］
1
相关研究背景
在过去二十年时间里， 视觉注意研究中显著性计算的目的
， 这些方
法在图像中有单个显著性目标时表现良好 ， 但是由于背景的复 杂性、 目标的多样性以及显著性图本身的不完整性 ， 当图像中 出现多个显著性目标时 ， 这些方法的表现并不理想 。 为了解决上述问题， 本文给出了一种新的基于全局颜色对 比度特征的显著性目标检测方法 。 与之前的显著性目标检测 本文提出的显著性目标检测方法除了把显著性图 算法相比较， 作为特征外， 还把全局颜色对比度作为特征 ， 这样做可以弥补 由于显著性图的不完整性带来的显著性目标检测的不完整性 。 条件随机场模型克服了其他随机场生成模型所要求的严格独 在给定需要标记的观察序列的条件下 ， 求取整个标 立性假设， 记序列的联合概率， 而不是在给定一个状态的条件下定义下一 个状态的分布， 因此， 条件随机场较好地解决了标记偏见问
［ 10 ］
， 该区域被视为显著性目标所在区域。还有一些方法利用
ESS ） ［11］ 算法来搜索 有效子窗口搜索（ efficient subwindow search，
计算机视觉中的显著性检测技术
计算机视觉中的显著性检测技术计算机视觉是当今普遍运用的一项科技，当我们看到1000张海景图片的时候相当于一天等于6000个工作小时的工作量，而人眼的处理速度只有7张图片每秒，因此计算机视觉就显得越来越重要。
显著性检测(saliency detection)是计算机视觉的一项重要的任务，它可以检测出图像中的显著区域，即吸引人眼注意力的区域。
一个成功的显著性检测技术可以被应用在广告、美学领域、图像检索以及其他与人工智能相关的领域。
基于显著性检测技术，我们可以将对象从背景中分辨出来，并且提高目标识别和跟踪的性能。
因此，显著性检测技术被广泛应用在计算机视觉的各个领域，比如自然图像处理、视频监控、视频通信、医学影像处理、机器人导航、自动驾驶等。
目前，常用的显著性检测技术主要包括基于频域的、基于局部对比度的、基于细节保持的和基于聚类分析的等方法。
在这里，我们将介绍一些最新的计算机视觉中的显著性检测技术。
1. 深度学习方法近年来，深度学习在图像/视频处理领域中占据了重要位置。
它可以自动从大量数据中学习特征，一些基于深度学习的方法已经成功应用于图像处理、物体识别、人脸识别、语音识别等领域。
在显著性检测领域，深度学习方法也被用于构建各种显著性检测模型，其中最具代表性的是利用卷积神经网络(CNN)进行显著性检测。
CNN是计算机视觉领域中最重要的深度学习算法之一，它可以自动地从图像数据中学习到复杂特征，并且取得了显著性检测的SOTA效果。
在显著性映射(grey scale saliency maps)的研究中，CNN在卷积、池化和类别识别的操作方面取得了很大发展。
在这个方法中，采集来自于深度层多层不同尺度神经元的图像。
2. 非局部特征选择方法类内相似性和类间差异性是显著性检测领域中的两个关键点。
相比较于之前的方法，核心是同时对图像的空间和频域进行处理。
此类方法通常包含一个基于非局部的搜寻草图(Non-local Search Map) 和多设计矩阵的损失函数(Loss Function)，最新的方法用于图像处理时常常采用聚类分析技术。
局部对比度结合区域显著性红外弱小目标检测
091005-1第27卷第9期强激光与粒子束V o l .27,N o .92015年9月H I G H P OW E R L A S E R A N D P A R T I C L E B E AM SS e p.,2015 局部对比度结合区域显著性红外弱小目标检测*王晓阳, 彭真明, 张 萍, 孟晔铭(电子科技大学光电信息学院,成都610054) 摘 要: 为了解决局部对比度方法的计算效率低,以及在某些红外场景中易出现虚警的问题,将其与图像区域显著性相结合,提出一种改进的局部对比度算法 区域局部对比度算法,仅在图像的显著性区域中进行局部对比度计算,而非遍历整幅图像㊂首先进行基于图像信息熵和局部相似性的红外图像区域显著性度量,经二值化得到单帧图像显著性区域;接下来在该区域中进行局部对比度数值计算,得到区域局部对比度图像,最后经过自适应阈值分割,得到弱小目标检测结果㊂实验结果表明,区域局部对比度算法可以极大提高红外弱小目标的信噪比,检测结果准确,虚警率低,与原始的局部对比度算法相比,检测效率有明显提升,可以更好地保持弱小目标的形状㊂关键词: 局部对比度; 区域显著性; 信息熵; 弱小目标检测; 红外图像中图分类号: T P 391.4 文献标志码: A d o i :10.11884/H P L P B 201527.091005红外弱小目标检测技术是红外搜索和跟踪(I R S T )系统中的一项核心技术,整个I R S T 系统的性能极大地依赖于弱小目标检测的精度[1]㊂一般而言,弱小目标检测方法主要分为两类:检测前跟踪(T B D )方法以及跟踪前检测(D B T )方法[2]㊂其中,D B T 方法主要利用单幅图像所包含的空域信息进行检测,可以适应目标高速运动㊁背景变化剧烈的情况,属于近年的研究热点之一,取得了一定的研究成果[3-7]㊂C h e n 等提出了一种基于局部对比度策略(L C M )的检测方法,利用了人类视觉系统(H V S )特性和衍生核模型(D K m o d e l),取得了很好的检测效果[8]㊂H a n 等对该方法进行了一定改进,采取数据分块策略,增强了算法的鲁棒性[9]㊂但由于L C M 方法需要在某一像素周围区域进行大量重复计算,是一种效率很低的算法,不具有实时性㊂本文针对红外图像的特点,结合显著性度量的思想[10-11],利用图像信息熵和局部相似性方法进行区域显著性度量,对局部对比度方法进行了改进,提出一种针对单帧图像的区域局部对比度算法,将L C M 计算限制在当前帧图像的显著性区域内,代替原有的遍历整幅图像的方法㊂该算法可以大大提高L C M 的检测效率,适用于复杂背景下的弱小目标高精度快速检测㊂1 区域显著性度量方法人类视觉系统可以快速处理复杂场景,并提取所需要的信息[12]㊂对于一幅含弱小目标的红外图像而言,弱小目标区域往往可以吸引我们的视觉注意力,该过程称为视觉关注㊂换言之,对于人眼而言,弱小目标是红外图像中显著性较高㊁信息量大的区域㊂通过显著性度量的方式,可以去除一幅图像中相对不重要的区域,一定程度上抑制背景并突出目标㊂在显著性区域中搜寻弱小目标,是一种更经济㊁更高效的方式㊂红外搜索和跟踪系统中所处理的图像背景复杂多样,如海空背景㊁天空背景㊁地面背景等㊂但背景中往往存在一些较为平缓的区域,在红外图像中表现为灰度级较单一,变化不明显,即信息量小㊂图像的信息熵是度量信息量的有效方法[13]㊂但信息熵是一个局部概念,对于图像I (x ,y )中某一个像素点(x ,y )而言,其信息熵H x ,()y 可定义为H (x ,y )=H Ωx ,()[]y =-ðKb =1p b x ,()y l g p b x ,()y (1)式中:Ωx ,()y 表示像素点(x ,y )周围的一个局部区域;将该局部区域内的像素值投影到K 个区间上,p b x ,()y 表示像素值处于区间b 的概率㊂这样就得到了整幅图像的信息熵图㊂熵值越大,代表该点附近区域内图像灰度级变化丰富,包含有用信息的概率较大;而熵值越小,则代表该点附近区域内图像的灰度级变化很*收稿日期:2015-05-04; 修订日期:2015-08-11基金项目:国家自然科学基金面上项目(61571096);中国科学院光束控制重点实验室基金项目(2014L B C 002);国家自然科学基金青年项目(61308102)作者简介:王晓阳(1992 ),女,博士研究生,主要从事红外图像处理㊁目标检测与跟踪㊁压缩感知的研究;x y w a n g_2012@163.c o m ㊂091005-2小,包含的信息量也较少㊂基于信息熵的显著性区域H ^x ,()y 可用二值图像表示H ^x ,()y =1, H x ,()y ȡk 0, H x ,()y <{k(2)式中:k 为信息熵分割阈值㊂信息熵只考虑了每个区域的灰度统计分布,没有考虑像素的空间分布特性㊂但在实际红外图像中,背景往往呈现出一定的空间相似性,如层叠的海浪㊁云层等元素㊂这些重复的区域会造成视觉冗余,对于目标检测是没有意义的㊂因此,去除图像中相似的区域,可以更好地度量视觉显著性㊂由于在实际图像中,具有相似性的区域往往处于较邻近的位置,而非相隔很远;换言之,像素点的自相似性是由邻近区域决定的[14]㊂选取图像中两个大小相同的区域Ω1和Ω2,其相似性ρΩ1,Ω2由式(3)度量ρΩ1,Ω2=1F Ω1x ,()y -F Ω2x ,()y 22(3)式中:F Ω1x ,()y 和F Ω2x ,()y 分别表示Ω1和Ω2区域中的像素值㊂对该算法的直观描述如图1所示㊂F i g .1 I n f r a r e d r e g i o n s a l i e n c y m e a s u r em e t h o db a s e do n l o c a l s i m i l a r i t y图1 基于局部相似性的红外图像区域显著性度量方法以Ω1区域为例来说明相似性判别过程㊂设定相似性判别标准τ,先将Ω1与水平方向的相邻区域Ω2进行相似性度量,可以看出其相似性ρΩ1,Ω2ȡτ,说明Ω1和Ω2相似性很强,表现为视觉冗余区域,将两个区域的灰度值同时设为0,即 不显著 ;接下来进行垂直方向相似性度量,由图1可知,Ω1与其垂直方向邻域Ω3之间的相似性ρΩ1,Ω3<τ,说明两个区域间相似性较低,视觉上表现为较大的差异,则将这两个区域的灰度值同时置为1,即 显著 ;重复此过程,直到每一个区域都分别进行了水平和垂直方向显著性度量㊂最后将两个方向的显著性图像进行融合㊂值得注意的是,一个区域只有两次被标记为 显著 ,才可以最终确认该区域具有较高的显著性,否则一律标记为 不显著 ,由此得到了基于局部相似性的区域显著性图像S ^㊂将基于图像熵的区域显著性图像H ^和基于局部相似性的区域显著性图像S ^进行融合,得到当前帧红外图像的视觉显著性区域R S ,具体融合方式为R S x ,()y =1, H ^x ,()y =1 a n d S ^x ,()y =10, H ^x ,()y =0 o r S ^x ,()y =0ìîíïïïï(4) 这里得到的显著性区域是以二值图像的形式显示的, 1 代表该点显著性高, 0代表该点显著性低㊂2 红外弱小目标检测算法2.1 局部对比度方法局部对比度策略(L C M )是由C h e n 等提出的一种弱小目标检测算法[8],依据弱小目标区域与背景区域的差异性,利用每个像素点与其周围区域像素点的局部对比度值来描述该点㊂L C M 的数据分块策略如图2所示㊂图2(a )为L C M 算法中通过滑动窗口获得图像块的示意图:w 表示当前帧图像,u 表示目标区域;窗口v 强激光与粒子束091005-3可以在当前帧图像w 中移动,以使其遍历整幅图像,得到大小为v 的不同图像块㊂此外,子图像块u 可以在v 中移动㊂图2(b )表示将每一次移动v 所得到的图像块分为9个单元的示意图,这9个单元大小相同,其中心区域被标记为 0号单元㊂F i g .2 I m a ge p a t c ha n d c e l l s 图2 图像块及图像单元示意图对于每一个图像块v ,都包含有9个单元,其局部对比度的详细计算过程为:首先计算位于图像块中心的号单元的最大像素值L n =m a x I 0j ,j =1,2, ,N 0(5)式中:I 0j 表示0 号单元中第j 个像素点的灰度值;N 0表示每一个单元所包含的像素点个数㊂分别计算1~8号单元的平均灰度值m i =1N i ðjI ij , j =1, ,N i , i =1,2, ,8(6)式中:I ij 表示第i 个图像单元中,第j 个像素点的灰度值;N i 表示第i 个图像单元中所包含的像素点个数;i 表示图像单元的序号㊂局部对比度数值为C n =m i n iL 2n/m ()i , i =1,2, ,8(7)将 0 号单元的中心像素点灰度值用C n 代替,计算出当前图像块v 所对应的局部对比度数值㊂在整幅图像中重复该过程,可得到与原图像相对应的局部对比度图像C ㊂由于实际场景中弱小目标的尺寸不是固定不变的,C h e n 等引入了多尺度策略[8],即改变窗口u 的大小,使得方法具有尺度不变性,可以适应不同尺寸的弱小目标检测㊂多尺度L C M 的计算方法为:设置窗口u 的大小(即尺度)l =1,2, ,l m a x ;对于每一个尺度l ,分别计算相应的局部对比度图像C l;最后,计算多尺度局部对比度图像C ^p ,q =m a x lC l p ,q ,l =1,2, ,l m a x (8)式中:p ,q 表示C l中像素点的行㊁列坐标㊂式(8)的含义是:在不同尺度的局部对比度图像中的对应位置,选择最大的数值,即为最终的局部对比度结果㊂经过上述计算后,得到了当前帧的尺度不变局部对比度图像㊂2.2 基于区域局部对比度的弱小目标检测算法由2.1节计算过程可以看出,L C M 方法是一种像素级操作,通过计算每个像素点所在区域与周边区域的差异,来突出弱小目标并抑制背景㊂但弱小目标在图像中所占区域不超过0.15%,如果在整幅图像中计算L C M ,计算量过大,在不显著的背景区域处理中耗费了大量时间,不利于实现高效㊁准确的弱小目标检测㊂研究发现,H V S 中存在注意力转移机制,会对信息量大㊁显著性强的区域进行优先处理[9,15]㊂因此,提出一种结合区域显著性的局部对比度算法,利用第1节中提出的基于图像信息熵和局部相似性度量的方法剔除视觉冗余区域,保留显著性高的区域,在该区域中进行L C M 计算,即区域L C M 策略(P L C M )㊂通过P L C M 方法计算得到当前帧的对比度图像,该图中数值最大的位置即为弱小目标所在位置;再经过自适应阈值分割,可得到最终的检测结果㊂基于P L C M 的弱小目标检测流程为:输入一幅待处理的红外图像I ,首先计算基于图像熵的区域显著性图像H ^以及基于局部相似性的区域显著性图像S ^,根据式(4),将二者进行融合,得到最终的区域显著性图像R S ;其次在区域显著性R S 的范围内计算区域L C M ,就得到了P L C M 图像;最后进行自适应阈值分割,阈值设定方法为王晓阳等:局部对比度结合区域显著性红外弱小目标检测强激光与粒子束T=I-+λσI-(9)式中:I-表示区域局部对比度图的均值;σI-表示对应的方差;λ是自适应调节因子,实验中一般取λɪ[]7㊂经过分割,得到检测结果㊂基于P L C M的红外弱小目标检测算法流程如图3所示㊂4.5,F i g.3 T a r g e t d e t e c t i o nm e t h o db a s e do nP L C M图3基于区域局部对比度方法的红外弱小目标检测流程图3仿真实验为了验证该方法的有效性,采用三组不同场景的红外图像进行测试,并与传统T o p-h a t方法以及原始L C M方法进行对比,检测结果参见图4㊂F i g.4I n f r a r e dd i ma n d s m a l l t a r g e t d e t e c t i o n r e s u l t s o f t h r e e a l g o r i t h m s图4三种算法检测红外弱小目标结果图场景一是一架战机的红外图像,背景为天空及云层,目标表现为一个亮点,图像分辨率为200ˑ256(像素)㊂由于背景中云层非常明亮,传统T o p-h a t检测方法在最优阈值下依然存在很多虚警点,并且检测到的弱小目标尺寸很小;原始L C M方法和本文提出的算法均可以检测到弱小目标,检测结果清晰,不含有虚警,但P L C M方法的检测结果与实际弱小目标形状及大小更吻合,L C M的检测结果更接近一个方形,只能粗略估计弱小目标位置㊂091005-4王晓阳等:局部对比度结合区域显著性红外弱小目标检测场景二是海空背景下的舰船图像,背景亮度较低,目标与背景的对比度很小,图像分辨率为240ˑ320(像素),成像质量较低㊂传统T o p-h a t检测方法在海天线处存在虚警,难以准确识别目标;原始L C M方法在天空背景处存在虚警,这是由于该位置的灰度值非常低,根据式(7),当m iң0,C nң¥,在检测结果中表现为虚警,这是L C M方法的固有缺陷,在处理较暗的场景时非常容易出现虚警;P L C M方法则可以很好地检测出弱小目标的位置,并且不存在误检㊂这是由于天空背景不属于显著性区域,在算法第一步中该区域已经被排除,避免了受到L C M固有缺陷的干扰㊂场景三是靠近港口的船舶,背景中有人工建筑物,比自然场景更复杂,分辨率为240ˑ320(像素),成像质量较低㊂由图4(j)可以看出,T o p-h a t方法在此种场景下检测效果很差,受到背景干扰严重,虚警率很高;原始L C M方法和提出的P L C M方法不受背景影响,可以准确检测到目标,但L C M方法检测到的目标为一个方块, P L C M方法可以更好地保持目标形状㊂这是由于P L C M方法去掉了部分背景区域,减少了目标周围的背景对局部对比度数值计算的干扰,可以达到更高的检测精度㊂以场景一为例,图5显示了处理前后的三维对比图像㊂图5(a)为原始红外图像的三维投影图,图5(b)为相应的P L C M三维投影图㊂F i g.5 T h r e e-d i m e n s i o n p r o j e c t i o no f i n f r a r e d i m a g e a n dP L C M m a p图5原始图像及P L C M三维投影图可以看出,原始图像的三维投影图中,背景中存在一些亮度相似㊁甚至亮度高于目标的像素点,目标与背景不易区分;处理后的P L C M图中,弱小目标表现为一个突出的亮点,数值远高于背景部分,说明该方法可以很好地抑制背景,突出目标㊂区域局部对比度方法的优势之一在于可以极大地提高弱小目标的信噪比(S N R)㊂定义为(10)R S N=U t-U bσb式中:U t和U b分别表示目标区域和背景区域的平均灰度值;σb表示背景的标准差㊂信噪比增益定义为(11)G S N R=R S N,o u tR S N,i n测试场景一中的连续8帧图像经P L C M处理前后的信噪比数值变化,以及每一帧图像的信噪比增益如表1所示㊂由表1可以看出,该测试序列信噪比较低,原始图像的S N R为0.5~0.6,最低可达到0.2;经过P L C M处理后,信噪比增益为5~8,很好地突出了目标,利于在后续处理中通过阈值分割以确定弱小目标的位表1原始图像和P L C M图像的信噪比T a b l e1S N R s o f o r i g i n a l i m a g e s a n dP L C M m a p sN o.S N Ro f o r i g i n a l i m a g e S N Ro fP L C M m a p G S N R10.54913.12375.688420.56753.68566.494730.50624.07018.041240.83104.18625.037450.20991.81618.653060.36623.19518.725970.55733.99237.164280.62193.98126.4022091005-5091005-6置㊂F i g .6 E l a ps e d t i m e o fL C Ma n dP L C M m e t h o d s 图6 L C M 算法和P L C M 算法处理时间区域局部对比度方法的最主要优势在于它改变了原始L C M 中逐点计算的方式,通过图像显著性度量的策略极大提高了计算效率㊂同样以测试序列一中的连续8帧场景为例,测试环境为W i n d o w sX P 系统,1.86G H z I n t e lC o r e 2处理器,2G B 内存,仿真软件为MA T L A B2012a ㊂分别计算L C M 方法和P L C M 方法的单帧处理时间,结果见图6㊂可以看出,与原始L C M 算法相比,P L C M 算法在计算效率上有了非常大的提升,单帧处理速度提高了约11倍㊂考虑到局部对比度方法是一种像素级计算方法,并且引入了多尺度策略,本身就是一种非常耗时的算法㊂P L -C M 方法在充分保证检测精度的情况下大大提高了运算效率,算法被证明是有效的㊂4 结 论本文针对局部对比度方法计算复杂度高㊁难以满足实时性的问题,研究了一种结合区域显著性的局部对比度算法,将原始L C M 中遍历整幅图像的操作方式改为仅在显著性区域内进行计算和搜索,显著提高计算效率㊂算法的核心思想是对弱小目标可能出现的区域进行优先处理,放弃不显著的区域,以此实现高效计算,并提高检测精度㊂在区域显著性度量中,充分考虑了红外图像的特点,提出基于图像信息熵和局部相似性的区域显著性度量方法,经图像融合以及二值化操作,得到最终的显著性区域;在此基础上采用多尺度L C M 方法得到P L C M 图像,经过自适应阈值分割获得最终检测结果㊂多种实际场景下的实验结果表明,P L C M 处理策略可以显著提高弱小目标的信噪比;与传统T o p -h a t 和原始L C M 方法相比,该方法不受复杂背景的影响,克服了L C M 的固有缺陷,检测结果的虚警率低,并且较好地保持了弱小目标的形状信息㊂此外,本文算法的另一突出优势在于将L C M 方法的计算效率提升10倍以上,适合应用于实际复杂场景中的红外弱小目标检测㊂参考文献:[1] G a oC h e n q i a n g ,M e n g D e y u ,Y a n g Y i ,e t a l .I n f r a r e d p a t c h -i m a g em o d e l f o r s m a l l t a r g e t d e t e c t i o n i n a s i n g l e i m a g e [J ].I E E ET r a n s o n I m -a g eP r o c e s s i n g ,2013,22(12):4996-5009.[2] L i Z h e n g z h o u ,D a i Z h e n ,F uH o n g x i a ,e t a l .D i m m o v i n g t a r g e t d e t e c t i o n a l g o r i t h mb a s e d o n s p a t i o -t e m p o r a l c l a s s i f i c a t i o n s p a r s e r e p r e s e n -t a t i o n [J ].I n f r a r e dP h y s i c s&T e c h n o l o g y ,2014,67:273-282.[3] 景亮,彭真明,何艳敏,等.各向异性S U S A N 滤波红外弱小目标检测[J ].强激光与粒子束,2013,25(9):2208-2212.(J i n g L i a n g ,P e n gZ h e n m i n g ,H eY a n m i n ,e t a l .I n f r a r e d d i mt a r g e t d e t e c t i o nb a s e d o n a n i s o t r o p i c S U S A Nf i l t e r i n g .H i ghP o w e rL a s e r a n dP a r t i c l eB e a m s ,2013,25(9):2208-2212)[4] 马科,彭真明,何艳敏,等.改进的非下采样C o n t o u r l e t 变换红外弱小目标检测方法[J ].强激光与粒子束,2013,25(11):2811-2815.(M aK e ,P e n g Z h e n m i n g ,H eY a n m i n ,e t a l .A n i m p r o v e dm e t h o d f o r d i mi n f r a r e d t a r g e t d e t e c t i o nw i t hn o n s u b s a m pl e dC o n t o u r l e t t r a n s f o r m.H i ghP o w e rL a s e r a n dP a r t i c l eB e a m s ,2013,25(11):2811-2815)[5] H eY u j i e ,L iM i n ,Z h a n g J i n l i ,e t a l .S m a l l i n f r a r e d t a r g e t d e t e c t i o nb a s e do n l o w -r a n ka n ds p a r s e r e p r e s e n t a t i o n [J ].I n f r a r e dP h y s i c s&T e c h n o l o g y ,2015,68:98-109.[6] 史漫丽,彭真明,张启衡,等.基于自适应侧抑制网络的红外弱小目标检测[J ].强激光与粒子束,2011,23(4):906-910.(S h iM a n l i ,P e n gZ h e n m i n g ,Z h a n g Q i h e n g ,e t a l .D i mi n f r a r e d t a r g e t d e t e c t i o nb a s e d o n a d a p t i v e l a t e r a l i n h i b i t i o n n e t w o r k .H i ghP o w e rL a s e r a n dP a r t i c l e B e a m s ,2011,23(4):906-910)[7] 武自刚,彭真明,张萍.强杂波背景红外弱小目标检测算法[J ].强激光与粒子束,2015,27:041004.(W uZ i g a n g ,P e n g Z h e n m i n g ,Z h a n g P i n g .I n f r a r e dd i mt a r g e t d e t e c t i o na g a i n s t s t r o n g c l u t t e r b a c k g r o u n d .H i ghP o w e rL a s e r a n dP a r t i c l eB e a m s ,2015,27:041004)[8] C h e nCLP ,L iH ,W e iY T ,e t a l .Al o c a l c o n t r a s tm e t h o d f o r s m a l l i n f r a r e d t a r g e t d e t e c t i o n [J ].I E E ET r a n s o nG e o s c i e n c ea n dR e m o t e S e n s i n g ,2014,52(12):574-581.[9] H a nJ i n h u i ,M aY o n g ,Z h o uB o ,e t a l .Ar o b u s t i n f r a r e d s m a l l t a r g e t d e t e c t i o na l g o r i t h mb a s e do nh u m a nv i s u a l s y s t e m [J ].I E E EG e o s c i -e n c e a n dR e m o t eS e n s i n g L e t t e r s ,2014,11(12):2168-2172.[10] Q i S h e n g x i a n g ,M a J i e ,T a oC h a o ,e t a l .Ar o b u s t d i r e c t i o n a l s a l i e n c y -b a s e dm e t h o d f o r i n f r a r e d s m a l l -t a r g e t d e t e c t i o nu n d e r v a r i o u s c o m -p l e xb a c k g r o u n d s [J ].I E E EG e o s c i e n c e a n dR e m o t eS e n s i n g L e t t e r s ,2013,10(3):495-499.强激光与粒子束王晓阳等:局部对比度结合区域显著性红外弱小目标检测[11] C h e nH a o,Z h a n g H o n g,C h e n g F e i y a n g,e t a l.I n f r a r e d s m a l l t a r g e t d e t e c t i o n b a s e d o n v i s u a l a t t e n t i o n[C]//P r o c o f S P I E.2014:94430L.[12] W u J i n j i a n,S h i G u a n g m i n g,L i nW e i s i,e t a l.J u s t n o t i c e a b l e d i f f e r e n c e e s t i m a t i o n f o r i m a g e sw i t h f r e e-e n e r g y p r i n c i p l e[J].I E E ET r a n s o nM u l t i m e d i a,2013,15(7):1705-1710.[13] D e n g H e,L i u J i a n g u o,C h e nZ h o n g.I n f r a r e d s m a l l t a r g e t d e t e c t i o nb a s e do nm o d i f i e d l o c a l e n t r o p y a n dE M D[J].C h i n e s e O p t i c sL e t t e r s,2010,8(1):24-28.[14] B u a d e sA,C o l l B,M o r e l JM.An o n-l o c a l a l g o r i t h mf o r i m a g e d e n o i s i n g[C]//I E E EC o m p u t e r S o c i e t y C o n f e r e n c e o nC o m p u t e rV i s i o n a n dP a t t e r nR e c o g n i t i o n.2005,2:60-65.[15]张桦,夏一行,周文晖.基于注意转移机制的图像质量评价方法[J].仪器仪表学报,2010,31(9):2056-2061.(Z h a n g H u a,X i aY i x i n g,Z h o u W e n h u i.A t t e n t i o n s h i f tm e c h a n i s mb a s e d i m a g e q u a l i t y a s s e s s m e n t.C h i n e s e J o u r n a l o f S c i e n t i f i c I n s t r u m e n t,2010,31(9):2056-2061)I n f r a r e d s m a l l d i mt a r g e t d e t e c t i o nb a s e do nl o c a l c o n t r a s t c o m b i n e dw i t h r e g i o n s a l i e n c yW a n g X i a o y a n g, P e n g Z h e n m i n g, Z h a n g P i n g, M e n g Y e m i n g(S c h o o l o f O p t o e l e c t r o n i c I n f o r m a t i o n,U n i v e r s i t y o f E l e c t r o n i cS c i e n c e a n dT e c h n o l o g y o f C h i n a,C h e n g d u610054,C h i n a)A b s t r a c t: A p a r t l o c a l c o n t r a s tm e a s u r e a l g o r i t h mi s p r o p o s e d t os o l v e t h e p r o b l e mo f l o we f f i c i e n c y o f o r i g i n a l l o c a l c o n-t r a s tm e a s u r e,w h i c hc o m b i n e s r e g i o n s a l i e n c y w i t ho r i g i n a l l o c a l c o n t r a s tm e a s u r e.I n s t e a do f f i n d i n g t a r g e t i n t h ew h o l e i m a g e, t h e l o c a l c o n t r a s tm e a s u r e i s c o n s t r a i n e d i n s a l i e n c y r e g i o n o f c u r r e n t i m a g e f r a m e i n t h e p r o p o s e dm e t h o d.A t t h e f i r s t s t a g e,t h e i m a g e e n t r o p y a n d l o c a l s i m i l a r i t y f e a t u r e a r e u s e d t o e v a l u a t e t h e s a l i e n c y o f i n f r a r e d i m a g e s,w h i c hm e a s u r e s t h e s a l i e n c y r e g i o n o f a s i n g l e f r a m e.A t t h e s e c o n d s t a g e,t h e l o c a l c o n t r a s tm e a s u r e i s p r e s e n t e d i n s a l i e n c y r e g i o n,w h i c h f o r m s t h e p a r t l o c a l c o n-t r a s tm a p.A na d a p t i v e t h r e s h o l d i s a d o p t e d t o s e g m e n t t h e t a r g e t f r o m p a r t l o c a l c o n t r a s tm a p.E x p e r i m e n t s o ns e v e r a l r e a l i n-f r a r e d i m a g e s e q u e n c e sh a v e v a l i d a t e d t h e a b i l i t y o f t h e p r o p o s e d m e t h o d i n i m p r o v i n g t h e s i g n a l-t o-n o i s e r a t i oa n dt h ed e t e c t i o n c a p a b i l i t y.I n p a r t i c u l a r,t h e p r o p o s e dm e t h o dc a nr e d u c e f a l s ea l a r mr a t e,w h i c h i sa n i n h e r e n td e f e c t o f o r i g i n a l l o c a l c o n t r a s t m e t h o d.T h eh i g he f f i c i e n c y i s a l s o a n i m p o r t a n t s t r e n g t ho f t h e p r o p o s e dm e t h o d,w h i c h l e a d s t ow i d e a p p l i c a t i o n p r o s p e c t.K e y w o r d s:l o c a l c o n t r a s tm e a s u r e;r e g i o n s a l i e n c yp r o p e r t y;i n f o r m a t i o ne n t r o p y; d i ma n ds m a l l t a r g e t d e t e c t i o n;i n f r a r e d i m a g e sP A C S:42.30.V a;07.57.K p091005-7。
基于SLIC超像素的全局对比度显著性区域检测
基于SLIC超像素的全局对比度显著性区域检测高美凤;冯海永【摘要】提出了一种基于SLIC超像素的全局对比度的显著性区域检测算法.首先在图像的预处理阶段,为了降低计算的复杂度,采用SLIC超像素分割算法来提取给定图像的超像素.然后在CIELAB颜色空间上,同时考虑图像的全局对比度特征和LBP纹理特征,并利用MKB方法将这两个特征结合起来计算得到显著图.最后,通过滤波器进一步提高检测效果以便于优化最终的显著性图.在MSRA10 K基准数据库上与常用的几种方法进行定性和定量比较.实验结果表明,文中所提算法的性能均高于其他方法.%A salient region detection algorithm based on global contrast with SLIC superpixel is proposed .Firstly,in order to reduce the computation complexity ,the SLIC algorithm was used to extract the superpixels of a given image in the image prepro-cessing stage.Then, the characteristics of the image global contrast and LBP texture feature were taken into account in the CIELAB color space ,and the saliency map was acquired by combining the two features with the MKBalgorithm .Finally,the final saliency map was optimized by a guided filter in order to further improve the detection results .A series of qualitative and quantita-tive experiments were done on a MSRA 10K dataset with ground truths ,and simulation results show that the performance of the proposed saliency algorithm is better than the prevailing current methods .【期刊名称】《仪表技术与传感器》【年(卷),期】2017(000)001【总页数】5页(P184-188)【关键词】SLIC;超像素;全局对比度;空间位置;显著性检测【作者】高美凤;冯海永【作者单位】江南大学,轻工过程先进控制教育部重点实验室,江苏无锡 214122;江南大学,轻工过程先进控制教育部重点实验室,江苏无锡 214122【正文语种】中文【中图分类】TH89图像显著性区域检测是计算机视觉领域中重要的研究方向[1]。
基于全局对比度的显著性区域检测
基于全局对比度的显著性区域检测Ming-Ming Cheng1Guo-Xin Zhang1 Niloy J. Mitra2 Xiaolei Huang3Shi-Min Hu11TNList, Tsinghua University 2 KAUST 3 Lehigh University摘要视觉显著性的可靠估计能够实现即便没有先验知识也可以对图像适当的处理，因此在许多计算机视觉任务中留有一个重要的步骤，这些任务包括图像分割、目标识别和自适应压缩。
我们提出一种基于区域对比度的视觉显著性区域检测算法，同时能够对全局对比度差异和空间一致性做出评估。
该算法简易、高效并且产出满分辨率的显著图。
当采用最大的公开数据集进行评估时，我们的算法比已存的显著性检测方法更优越，具有更高的分辨率和更好的召回率。
我们还演示了显著图是如何可以被用来创建用于后续图像处理的高质量分割面具。
1 引言人们经常毫不费力地判断图像区域的重要性，并且把注意力集中在重要的部分。
由于通过显著性区域可以优化分配图像分析和综合计算机资源，所以计算机检测图像的显著性区域存在着重要意义。
提取显著图被广泛用在许多计算机视觉应用中，包括对兴趣目标物体图像分割[13, 18]、目标识别[25]、图像的自适应压缩[6]、内容感知图像缩放[28, 33,30, 9]和图像检索[4]等。
显著性源于视觉的独特性、不可预测性、稀缺性以及奇异性，而且它经常被归因于图像属性的变化，比如颜色、梯度、边缘和边界等。
视觉显著性是通过包括认知心理学[26, 29]、神经生物学[8, 22]和计算机视觉[17, 2]在内的多学科研究出来的，与我们感知和处理视觉刺激密切相关。
人类注意力理论假设人类视力系统仅仅详细处理了部分图像，同时保持其他的图像基本未处理。
由Treisman和Gelade [27]，Koch和Ullman [19]进行的早期工作，以及随后由Itti，Wolfe等人提出的注意力理论提议将视觉注意力分为两个阶段：快速的、下意识的、自底向上的、数据驱动显著性提取；慢速的、任务依赖的、自顶向下的、目标驱动显著性提取。
一种高效的基于局部特征的显著区域检测算法
针对引人显著 区域检测后 图像局部特征提取效率降低的问 题， 本文提 出一种快速 的基于 图像 局部特 征的显著 区域检测算
趣 ， 忽 略 非 关 键 区 域 上 的 特 征 点 。于 是 常 用 的 实 现 过 程 是 首 而
ｔ 大学合作资助 ； ｅ ｌ 国家高技术研究发展计划重点项 目（０ ９ Ａ １ ２ １ ； ２ ０ Ａ ０ ２０ ） 中国科学院计算技术研究所体 系结构重点 实验室开放 课题 （Ｃ ＩＴ—ＡＲ Ｃ
算法求适 应矩阵的最大子矩 阵和 ， 使得 算法在 准确度损 失较小 的情 况下 快速检测 出图像 的显著 区。此算法在准确度上与 同类
关键 区域 的 自适应 图像 压缩 、 图像分割 、 物体识别 、 自适 应的图 像缩放 等应用 。 目前最常用 的显著 区域检测方 法 ’ 是基于灰 度 、 比度 对
（ ｃｏｌｏ ｌ ｔ ｎｃＩ ｏｍａｉ ｎ ｌ ｔｃｌ ｎ ｉｅ ｉｇ Ｓ ａｇ ａ ｉ ｏｇＵ ｉ ｒｔ，ｈ ｎ ｈ ｉ ０ ２０，ｈｎ ） Ｓｈｏ ｅ ｒ ｉ ｎ ｒ ｔｎａ ｄＥｅ ｒ ａ Ｅ ｇｎｅ ｎ ，ｈ ｎｈ ｉ ａ Ｔｎ ｎｖ ｓｙＳ ａ ｇ ａ ２ ０４ Ｃ ｉａ ｆＥ ｃｏ ｆ ｏ ｃｉ ｒ Ｊｏ ｅｉ
信息 ， 而影响 图像／ 从 视频帧 的匹配 时间。由于人们 通常只对 图像 中部分关键 的 区域感 兴趣， 因此在 对 图像做 局部特征提取 时可 以 先对 图像进行 显著 区域检测 ， 排除非关键 区域上 的特征信 息， 从而减低 匹配所需 的特 征点数 ， 高 匹配 的处理速度。但是 由于传 统 提 的显著 区域 检测算法计算复杂 ， 会对 图像特征提取过程产 生额外的时间开销。提 出一种快速 的显著 区域检 测算法， 根据局部特 征提 取算法特征检 测阶段得到 的特征 点分布 ， 利用最大子矩 阵和 算法， 在损失较小 的准确度 的情况下快速检测 出图像 的显著 区。 关键 词
global contrast based salient region detection 算法
global contrast based salient region detection 算法
Global Contrast based Salient Region Detection是一种用于检测图像中显著区域的算法。
该算法主要基于全局对比度来衡量像素或区域的重要性或显著性。
算法的基本原理是，通过比较图像中每个像素或区域与其周围像素或区域的差异来计算显著值。
具体来说，算法首先计算图像的全局平均强度，然后比较每个像素的强度与全局平均强度的差异，以确定该像素的显著性。
在计算差异时，算法还会考虑像素的空间位置和相邻像素的关系。
除了全局对比度，该算法还可以结合其他特征来进一步提高显著性检测的准确性。
例如，可以结合颜色、纹理和边缘等特征来综合评估像素或区域的显著性。
该算法的一个优点是它可以快速地处理大规模图像数据，并且可以检测出图像中的多个显著区域。
此外，通过调整算法的参数，可以灵活地控制检测结果的精度和计算复杂度。
总的来说，Global Contrast based Salient Region Detection算法是一种简单、高效和可靠的显著区域检测算法，适用于各种图像处理和计算机视觉应用。
局部对比度结合区域显著性红外弱小目标检测
局部对比度结合区域显著性红外弱小目标检测王晓阳;彭真明;张萍;孟晔铭【期刊名称】《强激光与粒子束》【年(卷),期】2015(27)9【摘要】为了解决局部对比度方法的计算效率低,以及在某些红外场景中易出现虚警的问题,将其与图像区域显著性相结合,提出一种改进的局部对比度算法——区域局部对比度算法,仅在图像的显著性区域中进行局部对比度计算,而非遍历整幅图像.首先进行基于图像信息熵和局部相似性的红外图像区域显著性度量,经二值化得到单帧图像显著性区域;接下来在该区域中进行局部对比度数值计算,得到区域局部对比度图像,最后经过自适应阈值分割,得到弱小目标检测结果.实验结果表明,区域局部对比度算法可以极大提高红外弱小目标的信噪比,检测结果准确,虚警率低,与原始的局部对比度算法相比,检测效率有明显提升,可以更好地保持弱小目标的形状.【总页数】7页(P32-38)【作者】王晓阳;彭真明;张萍;孟晔铭【作者单位】电子科技大学光电信息学院,成都610054;电子科技大学光电信息学院,成都610054;电子科技大学光电信息学院,成都610054;电子科技大学光电信息学院,成都610054【正文语种】中文【中图分类】TP391.4【相关文献】1.基于局部行像素对比度的红外弱小目标检测 [J], 苗晓孔;王春平;付强2.结合视觉注意力机制基于尺度自适应局部对比度增强的红外弱小目标检测算法[J], 沈旭;程小辉;王新政3.基于视觉对比度机制的红外弱小目标检测算法 [J], 蔡军; 黄袁园; 李鹏泽; 赵子硕; 邓撬4.基于局部对比度机制的红外弱小目标检测算法 [J], 韩金辉;董兴浩;蒋亚伟;李知铮;梁琨;张利红5.基于双层局部对比度的红外弱小目标检测方法 [J], 潘胜达;张素;赵明;安博文因版权原因，仅展示原文概要，查看原文内容请购买。
具有目标偏见的全局对比度显著性区域检测
具有目标偏见的全局对比度显著性区域检测
蔡强;薛子育;毛典辉;李海生
【期刊名称】《系统仿真学报》
【年(卷),期】2015(0)10
【摘要】针对全局对比度的显著性检测算法在图像边缘处的物体检测不完全的缺点,提出一种具有目标偏见的全局对比度显著性检测方法。
在基于图的分割以后,利用全局对比度计算显著性值。
根据显著性物体出现的位置调整高斯模型中心。
利用分割区块相对显著性物体的位置与全局对比度确定显著性值。
文中方法考虑了全局对比度和显著物体的空间位置,全局对比度算法图像中心确定方式有了改进。
理论分析和实验结果表明,该方法可以很好的适用于各类图像的显著性检测,主观效果得到改善,客观指标得到提高。
【总页数】8页(P2489-2496)
【作者】蔡强;薛子育;毛典辉;李海生
【作者单位】北京工商大学计算机与信息工程学院;北京工商大学食品安全大数据技术北京市重点实验室
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于SLIC超像素的全局对比度显著性区域检测
2.基于深度信息和区域对比度的立体图像显著性区域检测
3.局部对比度结合区域显著性红外弱小目标检测
4.基于
MATLAB的直方图和区域对比度相结合的图像显著性检测5.一种鲁棒全局对比度的显著性检测方法
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于全局对比度的显著性区域检测Ming-Ming Cheng1Guo-Xin Zhang1 Niloy J. Mitra2 Xiaolei Huang3Shi-Min Hu11TNList, Tsinghua University 2 KAUST 3 Lehigh University摘要视觉显著性的可靠估计能够实现即便没有先验知识也可以对图像适当的处理，因此在许多计算机视觉任务中留有一个重要的步骤，这些任务包括图像分割、目标识别和自适应压缩。
我们提出一种基于区域对比度的视觉显著性区域检测算法，同时能够对全局对比度差异和空间一致性做出评估。
该算法简易、高效并且产出满分辨率的显著图。
当采用最大的公开数据集进行评估时，我们的算法比已存的显著性检测方法更优越，具有更高的分辨率和更好的召回率。
我们还演示了显著图是如何可以被用来创建用于后续图像处理的高质量分割面具。
1 引言人们经常毫不费力地判断图像区域的重要性，并且把注意力集中在重要的部分。
由于通过显著性区域可以优化分配图像分析和综合计算机资源，所以计算机检测图像的显著性区域存在着重要意义。
提取显著图被广泛用在许多计算机视觉应用中，包括对兴趣目标物体图像分割[13, 18]、目标识别[25]、图像的自适应压缩[6]、内容感知图像缩放[28, 33,30, 9]和图像检索[4]等。
显著性源于视觉的独特性、不可预测性、稀缺性以及奇异性，而且它经常被归因于图像属性的变化，比如颜色、梯度、边缘和边界等。
视觉显著性是通过包括认知心理学[26, 29]、神经生物学[8, 22]和计算机视觉[17, 2]在内的多学科研究出来的，与我们感知和处理视觉刺激密切相关。
人类注意力理论假设人类视力系统仅仅详细处理了部分图像，同时保持其他的图像基本未处理。
由Treisman和Gelade [27]，Koch和Ullman [19]进行的早期工作，以及随后由Itti，Wolfe等人提出的注意力理论提议将视觉注意力分为两个阶段：快速的、下意识的、自底向上的、数据驱动显著性提取；慢速的、任务依赖的、自顶向下的、目标驱动显著性提取。
我们通过图像对比度来关注自底向上的数据驱动显著性检测。
人们普遍认为，人类大脑表皮细胞在其接受域可能是硬编码的，为的是优先响应高对比度刺激[21]。
基于以下观察结果，我们提出了对提取的高分辨率全局显著图的对比度分析：●基于全局对比度的方法能够将一个大规模目标从它周围的环境中分离出来，相对于只在轮廓附近产生高显著值的基于局部对比度的方法更优越。
●全局考虑能够实现将相近的显著值分配到相似的图像区域，并且可以均匀的突出整个目标。
●一个区域的显著性主要依靠它与相近区域的对比度，而与远区域的对比度相对没有那么重要。
●显著图应该是能够简单快速的生成，为了实现大图像集合的处理和促进图像分级与检索的高效率进行。
我们提出了一种基于直方图对比度的方法（HC）来测量显著性。
HC-maps依据与所有其它图像像素的色彩差异来分配像素显著值，以此来产生全分辨率的显著图。
我们使用直方图的方法来高效处理，同时使用一种平滑操作来控制量化缺陷。
值得注意的是我们的算法是针对自然场景，对高纹理图像场景可能要弱些（见图12）。
图 1 输入图像（上），经全局对比度分析得到的高分辨率的显著图（中），显著图可以进一步被用来产生感兴趣物体区域（下）作为HC-map的改进，我们结合空间关系创造出了基于区域对比度的（RC）显著性图，我们首先把输入的图像分割为数区域，然后赋予他们显著值。
现在一个区域的显著值是通过全局对比度值来计算的，全局对比度值是通过此区域与图像中的其他区域的对比以及与其他区域的空间距离来度量。
我们在公开的基准数据集上广泛地评估我们的方法，并且将我们的方法与最先进显著性方法[17, 21, 32, 14, 15, 1, 2, 12]以及人工标注的参考数据进行对比1。
实验表明，我们的方法比以往的方法在精度和召回率上都具有明显的改进。
总的来说，与HC-map相比，RC-map具有更高的精度和召回率，不过是以增加计算量为代价的。
令人欣慰的是，我们注意到用我们的显著图提取的显著性分割在绝大多数情况下是符合人工注释的。
我们也呈现了显著图在图像分割、内容感知图像缩放和非真实感渲染中的应用。
2 相关工作我们主要关注把下意识的自底向上的显著性检测作为目标的相关文献，这可能是基于生物学激励，或者是纯粹的计算，抑或是兼顾这两个方面。
这些个方法利用低水平的处理来决定图像目标与它们周围的对比度，用到了像亮度、颜色和边缘这样的特征属性。
我们把这些算法概括得分为局部方案和全局方案。
基于局部对比度的方法研究图像区域相对于局部邻域相关的稀有度。
Koch 和Ullman [19]提出的早期模型受到生物学激励的高度影响，在这个基础上Itti等人[17]用贯穿多尺度图像特征的中心-周围差异来定义图像目标显著性。
Ma和Zhang [21]提出了一种可供选择的局部对比度分析法来产生显著性图图像，后来通过模糊增长模型被扩充。
Harel等人[14]将Itti等人的特征图进行标准化来突出显著部分，并且允许和其它重要的显著图像组合。
Liu等人[20]通过将高斯图像金子塔中的对比度线性地组合找到多尺度对比度。
最近更多，Goferman等人[12]同时地做出局部底层线索模型、全局考虑模型、视觉组织规则模型和表层特征模型来强调显著的目标随同其环境。
这些使用局部对比度的方法趋向于产生边缘附近的更高显著值，而非一致地强调显著的目标（见图2）。
图 2 （b-i）是由不同的最先进方法计算出的显著图，（j）和（k）分别是我们提出的HC和RC方法得到的显著图。
绝对多数结果突出了边缘或者低分辨率。
也可见图6（以及项目网页）。
基于全局对比度的方法，通过与整体图像的对比度评估一个图像区域的显著性。
Zhai和Shah [32]通过某个像素与其他所有像素的对比度较来定义像素级显著性。
然而，出于效率考虑，他们仅仅使用亮度信息，因此忽略其它渠道中与众不同的线索。
Achanta 等人提出一个谐频的方法，直接使用与平均图像颜色之间的色差来定义像素显著性。
然而，这个方法仅仅考虑了一阶平均颜色，并不能充分地分析自然图像中常见的复杂变量。
在图6和图7中，我们展示出这些方法中定性的和定量的缺陷。
此外，这些方法忽视了图像各部分之间的空间关系，而这个因素是可以对可靠的和一致的显著性探测产生决定性作用的。
3 基于直方图的对比度生物学视力系统对于视觉信号的对比度很敏感，在对这个生物学视力观察的基础上，我们提出了一种直方图对比度方法(Histogram Contrast, HC)来为用输入图像颜色统计特征的图像像素定义显著值。
明确说是，一个像素的显著值是通过与图像中的所有其它像素的色差来定义的。
比如，图像I 中的像素k I 的显著值被定义如下：()(,)i k k iI I S I D I I ∀∈=∑ , (1) 其中(,)k i D I I 是空间L*a*b 中的像素k I 和i I 之间的颜色距离度量。
方程1经过扩展像素等级得到以下形式，12()(,)(,)(,)k k k k N S I D I I D I I D I I =++⋅⋅⋅+, (2) 其中N 是图像I 中的像素数量。
很容易察觉在这种定义之下，由于测量没有考虑空间关系，同样颜色值的像素具有相同的显著值。
因此，从具有相同颜色值j c 的像素被组合在一起的角度重新整理方程2，我们就得到每个颜色的显著值如下，1()()(,)nk l j l j j S I S c f D c c ===∑， （3）其中，l c 是像素k I 中的颜色值，n 是不同像素颜色的数量，j f 是图像I 中像素颜色j c 出现的频率。
需要注意的是，为了避免显著区域颜色统计受到其他区域相似颜色的破坏，可以使用变化的窗口面具来开发一个相似的方案。
然而，考虑到高效率的要求，我们使用简单的全局方法。
基于直方图的加速。
如果简简单单的使用方程1来评估每个图像像素的显著值的话，所花的时间2()O N 算起来即使针对中等大小的图像也是很多的。
然而如果采用方程式3中的等价的表示形式，所花的时间是2()()O N O n +，意味着如果2()()O n O N ≤，那么计算效率可以被提高到()O N 。
因此，加快速度的关键在于减少图像中的像素数目。
然而，真彩色空间包含了3256种可能的颜色，这比图像的像素数量要多的多。
Zhai 和Shah [32]仅仅使用亮度来减少颜色的数目n 。
用这种方法，22256n =（显然，2256N <<）。
可是他们的方法具有一个弊端，就是颜色信息的差异被忽略了。
在研究中，我们用全颜色空间代替了仅使用亮度。
为减少需要被考虑的颜色数量，我们首先将每个颜色通道量化为12个不同值，这就讲颜色的数量减小到了3121728=。
考虑到自然图像中的颜色仅仅包含了全颜色空间中很小的一部分，我们通过忽略出现频率较低的颜色来进一步减少颜色数量。
通过选择高频颜色并且保证这些颜色覆盖图像像素不低于95%的颜色，我们最终达到了n=85个颜色（请见第五部分的实验细节）。
剩下的像素颜色，包含不高于5%的图像像素，这部分颜色被直方图中最邻近的颜色替代。
图3中为典型的量化样例。
再此提醒，出于效率要求，我们选择了简单的直方图量化而非最优化一幅图像的特殊颜色。
图3 输入图像（左），我们计算出图像的颜色直方图（中）。
直方图中每一个bin 对应的颜色显示在下方的条形中。
量化后的图像（右）仅仅使用了43种直方图bin 色彩并且依然保留了显著性检测所需的足够的视觉质量。
颜色空间平滑。
尽管通过使用颜色量化和选取高频颜色来建立紧凑的颜色直方图我们可以高效率地计算出颜色对比度，但是量化本身可能带入瑕疵。
一些相似的颜色可能被数量化为不同的值。
为了减少这类由于随机性给显著结果引入的噪声，我们采取一套平滑程序来改善每个颜色的显著值。
我们用相似颜色的显著值加权平均来代替每个颜色（以L*a*b*距离测量）的显著值。
实际上这是一个对颜色特征空间的平滑处理。
我们选择m=n/4个最近的颜色作为代表来改善颜色c 的显著值，如下：11()((,))()(1)m i i i S c T D c c S c m T ='=∑， （4）其中，1(,)m i i T D c c ==∑是颜色c 和它的m 个最近的颜色i c 之间的距离之和，归一化因数来自公式1((,))(1)m i i TD c c m T ==∑。
值得注意一下，我们使用一个线性变化的平滑权值((,))i T D c c 来为颜色特征空间中与c 相近的颜色赋予较大的权值。
在我们的实验中，我们发现这样的线性变化的权值比衰减过于剧烈的高斯权值要好。