改进的频域协调显著性检测及应用

李平娜，吴清

（河北工业大学计算机科学与软件学院，天津 300401）

改进的频域协调显著性检测及应用

李平娜，吴清

（河北工业大学计算机科学与软件学院，天津 300401）

为了提高频域协调显著性检测算法对图像中显著目标物体的检测精确度，首先提出采用改进的Log-Gabor滤波器代替DOG滤波器，使其得到的带通滤波处理效果能够更好地适应自然场景图像；然后将颜色特征作为先验信息融合到频域特征中，改善原模型在处理颜色对比度较弱的图像时的处理效果；最后基于改进的显著性检测算法与原频域协调显著性检测算法进行对比实验，并将其应用到图像的目标自动提取中。

频域协调；显著性检测；颜色特征；目标提取

0 引言

快速、高效的图像显著性区域检测技术能够在很大程度上减少图像中的冗余信息，提高图像处理效率及效果。虽然目前的显著性检测方法有很多，但往往当检测结果精度提高的同时检测速度会下降，本文旨在保持检测速度快的同时提升检测精度。

频域协调算法FT[1]是Achanta提出的一种基于频域滤波的自底向上的图像显著性检测模型。FT算法集中于分析图像的频率信息，通过引入频率调谐技术，使用诸如颜色和亮度的特征计算区域的对比度，生成具有清晰边界并且使图像中显著区域覆盖较为完整的全分辨率显著图，从而得到图像显著目标区域的边界信息较为完整。FT模型虽然设计简单但计算速度非常快。不足之处是该方法对于图像中颜色对比度弱的区域处理结果较差，并且在具有复杂背景的场景中，特别是显著物体在背景区域中没有明显凸出时，通常不能被正确精准地标记出来。

在频域协调模型的选择上，考虑到log-Gabor滤波方法[2]没有DC分量，使得带宽不受限制并且log-Gabor滤波器的传递函数在高频端扩展了尾部，使得它比其他普通的带通滤波器更能够处理自然图像，因此本文利用log-Gabor滤波器替代DOG滤波器进行处理。同时为了提高显著性检测的准确度，引入颜色特征先验，对暖色调的红色和黄色以及冷色调的绿色和蓝色分开处理。

1 算法设计与实现

本文方法主要包括3个部分：首先在频域协调显著性检测的基础上，采用Log-Gabor滤波器代替DOG滤波器确定图像的频域显著值；然后计算关于颜色先验知识的显著信息；最后将颜色特征先验与频域协调数据进行有机融合。各处理过程得到的主要结果如图1所示。

图1中f（x）为输入图像；SC（x）为颜色先验图；SFT（x）为频域协调显著图；S（x）为本文改进的频域协调显著图。

1.1 频域协调显著值计算

将待处理图像{f（x）}由RGB颜色空间转换到CIE Lab颜色空间，频域中Log-Gabor滤波器g（x）（x=（x，y）∈R2）的传递函数表示为：

其中u=（u，v）∈R2为在频域中的坐标，σF为控制滤波器的带宽，w0为滤波器的中心频率。通过对G（u）进行数值傅立叶逆变换得到g（x）。频域协调显著值SF（x）定义为：

图1 本文算法主要处理步骤示意图

其中*表示卷积运算。

1.2 颜色特征先验值计算

相关研究表明暖色调（如红色和黄色）比冷色调（如绿色和蓝色）更容易引起人眼的关注[3]，为此可以通过以下方式进行模拟计算。

对于一个给定的在RGB色彩空间中的图像{f（x）}，它会被变换到CIE Lab颜色空间。{fL（x）}，{fa（x）}和{fb（x）}分别表示的是L通道、a通道以及b通道。在CIE Lab颜色空间中的a通道表示绿色-红色的信息；b通道表示蓝色-黄色信息。若像素的a值较大（较小），那么颜色更偏红（绿）色。此外，若像素的b值较大（较小），那么颜色更偏黄（蓝）色。所以，如果一个像素具有较大的a或b值，则呈现暖色调；否则呈现冷色调。

基于前述分析，可以通过定义一个度量指标来评价一个像素的“颜色显著性”。首先通过：

其中σc是一个变量。

1.3 特征融合

自然界中的图像包含着复杂的背景，用单一的因素进行显著性检测很难将显著区域准确地提取出来。为此将颜色特征先验知识融合到频域协调显著性检测数据中，提高频域协调模型对颜色对比度弱的区域的检测效果，提升显著图的精确度。假设给定的图像为f（x），将颜色先验显著图SC（x）通过点乘的方式与频域协调显著图SFT（x）融合在一起得到最终的全分辨率显著图S（x）：

之后对S（x）进行归一化完成特征融合，进一步降低显著性检测中背景区域的影响，提高检测的精准度。

2 实验结果

为了验证本文算法的准确性和有效性，在公开测试集MSRA1000[1]上，分别使用Itti算法[4]、CA算法[5]以及FT算法和本文算法进行了显著区域检测的对比实验，结果如图2所示。其中本文算法涉及到的参数分别为（1）式中w0=0.002，σF=6.2、（4）式中σC=0.25。

从图2中可以看出Itti算法虽然能检测出显著物体的某些个显著点，不能将整个显著目标检测出来；CA算法可以得到显著目标的整体轮廓，却不能获得高亮一致的显著图；频域协调算法得到的显著图，虽能体现显著目标的信息，但显著图中显著区域和非显著区域对比度不高；本文提出的改进的频域协调算法不仅能够提高显著区域和非显著区域对比度，并且能够得到均匀的轮廓较为完整的显著图。

图2 不同显著性检测方法的比较

3 基于显著区域检测的目标提取

图像的显著图反映了图像中显著目标的一些特性：显著图中的像素显著值越大，代表这个像素显著性越强，越有可能属于显著目标。通过显著图的阈值分割法能够提取出显著目标，得到图像的显著目标图，动态阈值分割中，Otsu算法[6]的计算过程简单，且不受图像对比度和亮度影响。因此，本文在图像显著图二值化操作采用Otsu阈值分割法的基础上，提出基于改进的频域协调显著性检测的目标提取方法。首先，在检测出的图像显著图基础上设置阈值并对显著图进行二值化操作。在得到的二值化图像中，具有有效值的区域代表的是显著目标区域；之后，利用二值化图可以得到原图像的显著目标图。

设T为设定的初始阈值，灰度值大于T的为前景显著区域，小于T的为背景非显著区域。

w0：经过阈值分割之后，前景域像素点个数和整个图像像素点个数的比值

u0：经过阈值分割之后，图像中前景区域像素点的平均灰度

w1：经过阈值分割之后，背景域像素点个数和整个图像像素点个数的比值

u1：经过阈值分割之后，图像中背景域像素点的平均灰度

u=w0*u0+w1*u1：图像的总平均灰度

其中，方差的计算公式如下：

为降低计算量提高效率，可将式（6）改进为：

遍历阈值T，使得T为某个值的时候，g值为最大值，即图像中前景域和背景域的方差最大，此时，该T值即为最佳阈值。通过：

即可将图像的显著目标区域提取出来，完成的图像目标物体提取效果如图3所示。

图3 显著目标提取

其中，图3中第一行为待处理图像，第二行为本文提出的改进的频域协调显著性检测方法得到的显著图，第三行为利用了显著图阈值分割方法得到的显著目标提取效果图，图3第四行为待处理图像的二值图。可以看出，将本文提出的改进的频域协调显著性检测方法，应用在图像目标提取领域可以有效地将输入图像中的显著目标提取出来。

4 结语

本文对频域协调显著性检测算法进行了改进，并通过与原来算法以及Itti、CA算法的对比试验，验证了改进方法的有效性和可行性。在此基础上提出了基于改进的频域协调算法的显著目标提取方法，能够较好地将图像中的显著目标从图像中分离出来。

参考文献：

[1]Achanta R,Hemami S,Estrada F,et al.Frequency-Tuned Salient Region Detection[C].In Computer Vision and Pattern Recognition. 2009:1597-1604.

[2]Field D J.Relations Between the Statistics of Natural Images and the Response Properties of Cortical Cells[J].Journal of the Optical Society of America A Optics&Image Science,1987,4:2379-2394.

[3]Chen X and Wu Y.A Unified Approach to Salient Object Detection Via Low Rank Matrix Recovery[C].Conference on Computer Vision and Pattern Recognition,2012:853-860.

[4]Itti L,Koch C,and Niebur E.A Model of Saliency-Based Visual Attention for Rapid Scene Analysis[J].IEEE Trans.Pattern Analysis and Machine Intelligence,1998,20(11):1254-1259.

[5]Goferman A S,L Zelnik-Manor,Tal A.Context-Aware Saliency Detection[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2012,34(10):1915-1925.

[6]OTSU N.A Threshold Selection Method from Gray Level Histograms[J].IEEE Transaction on Systems.Man Cybernetics,1979,9(1): 62-66.

Detection and Application of Improved Frequency-Tuned Salient Region

LI Ping-na，WU Qing
（College of Computer Science and Engineering,Hebei University of Technology,Tianjin 300401）

In order to improve the efficiency and accuracy of the frequency-tuned salient region detection algorithm,first,proposes a modified Log-Gabor filter in place of the DOG filter so that the band-pass filtering effect can be better adapted to the natural scene image.Then,the color feature as priori information is fused to the frequency domain feature to improve the precision of the original model result with weak color contrast.Finally,the improved method is compared with the original frequency-tuned saliency detection algorithm,and it is applied to the automatic target extraction.

Frequency-Tuned;Saliency Detection;Color Feature;Target Extraction

1007-1423（2017）08-0077-04

10.3969/j.issn.1007-1423.2017.08.017

李平娜（1988-），女，河北石家庄人，硕士研究生，研究方向为图像处理与智能识别

2016-12-13

2017-03-10