張亞倫楊露菁陳煜康劉樹衎

（海軍工程大學(xué)武漢430033）

艦船圖像顯著性區(qū)域檢測(cè)技術(shù)研究與仿真

張亞倫楊露菁陳煜康劉樹衎

（海軍工程大學(xué)武漢430033）

圖像顯著性區(qū)域檢測(cè)技術(shù)是圖像分析領(lǐng)域的重要研究?jī)?nèi)容，在艦船目標(biāo)識(shí)別和紅外成像處理過程中具有重要意義。論文介紹了顯著性檢測(cè)技術(shù)中常用的五種算法：Itti算法、剩余頻譜算法、FT算法、MZ算法和AC算法，并以實(shí)際艦船圖片為例，針對(duì)每種算法進(jìn)行了仿真實(shí)驗(yàn)，對(duì)各種算法的檢測(cè)效果進(jìn)行了比較分析。仿真結(jié)果顯示，綜合考慮處理后圖像的清晰度、抗噪性、分辨率和運(yùn)算時(shí)間等性能因素，F(xiàn)T算法對(duì)海上艦船圖像的處理具有最好的效果。

圖像顯著性區(qū)域檢測(cè)；模式識(shí)別；Itti算法；剩余頻譜算法；FT算法；MZ方法；AC方法

Class NumberTP391.41

1 引言

圖像顯著性區(qū)域檢測(cè)是當(dāng)前圖像分析技術(shù)和數(shù)字圖像處理領(lǐng)域中的一個(gè)重要研究課題，是實(shí)現(xiàn)圖形形式化描述、圖像分類、圖形模式識(shí)別等高層圖像處理的基礎(chǔ)。圖像顯著性區(qū)域檢測(cè)利用計(jì)算機(jī)技術(shù)，結(jié)合特定算法原理，能夠從圖像中快速提取和定位感興趣的物體，因此在諸如圖像分割［1］、圖像比對(duì)及檢索［2］等領(lǐng)域具有十分重大的研究意義，能夠用于完成人臉及指紋識(shí)別、機(jī)器視覺分析等工作。

在圖像分類、異常區(qū)域檢測(cè)、目標(biāo)定位、圖像影像的分割分類等問題中，都需要使用顯著性區(qū)域檢測(cè)進(jìn)行圖像的預(yù)處理：顯著性檢測(cè)能夠分析出目標(biāo)可能出現(xiàn)的大致區(qū)域，使后續(xù)的圖像分析操作能把重點(diǎn)放在這一顯著性區(qū)域，從而節(jié)約圖像處理的運(yùn)算時(shí)間，提高計(jì)算分析的時(shí)效性。

2 圖像顯著性區(qū)域檢測(cè)算法

為了解決圖像顯著性區(qū)域檢測(cè)問題，人們進(jìn)行了大量的探索研究：1998年，Itti等提出了基于多尺度中心-周圍算子模型的圖像顯著性區(qū)域檢測(cè)技術(shù)［3］；2007年，Hou和Zhang提出了基于剩余頻譜理論的分析算法［4］，即SR（Spectral-Residual）算法；2008年，Guo等提出了基于傅里葉變換相位譜的檢測(cè)算法［5］；2009年，Achanta等提出了基于頻率調(diào)諧的檢測(cè)模型［6］。

此后研究發(fā)現(xiàn)，最能引起人類視覺注意的因素是對(duì)比度。通過計(jì)算圖像中不同物體、不同區(qū)域的像素差異程度，能夠?qū)D像進(jìn)行更加科學(xué)合理的分割處理。2003年，Ma和Zhang提出了基于局部對(duì)比方法的顯著性區(qū)域檢測(cè)模型［7］；2008年，Achanta等基于局部對(duì)比度提出了有名的AC算法［8］，將會(huì)在下文中予以介紹。此外，還有Goferman等于2012年提出的改進(jìn)的CA算法［9］。

此外，隨著人工智能技術(shù)的不斷發(fā)展興起，基于相關(guān)新技術(shù)的顯著性檢測(cè)方法被陸續(xù)提出：Menon等于2010年在模擬人腦腦島機(jī)能的基礎(chǔ)上，提出了能夠?qū)σ曈X信息進(jìn)行聚類分析的顯著性檢測(cè)方法［10］；Liang等于2012年提出了結(jié)合分割算法的顯著性區(qū)域檢測(cè)算法法［11］；Lang等于2012年提出了基于稀疏和低秩表示的顯著性檢測(cè)方法［12］。

2.1 Itti算法

Itti算法由Itti等提出，其計(jì)算過程如下：

1）特征提取

輸入的圖像基于RGB顏色空間，定義r，g，b作為圖像的紅綠藍(lán)三個(gè)通道，圖像的強(qiáng)度特征為I=(r+g+b)/3，并提取圖像的寬頻調(diào)諧顏色特征。而后，通過Gabor濾波選取4個(gè)方向θ∈{0°，45°，90°，135°}的特征量，從而得到強(qiáng)度特征、4個(gè)寬頻調(diào)諧顏色特征量、4個(gè)方向特征。

2）建立高斯金字塔

對(duì)步驟1）所得的9個(gè)特征量進(jìn)行多尺度分解，建立9層的高斯金字塔。

3）建立圖像特征圖

定義一個(gè)中心-周圍算子，先進(jìn)行插值使其具有相同大小，然后對(duì)應(yīng)相減并取絕對(duì)值，其數(shù)學(xué)定義為Θ=|p-q|，即表示不同尺度空間的特征圖相應(yīng)點(diǎn)的差值，其中p表示在中心尺度c∈{2，3，4}下的一個(gè)像素，q表示在周圍尺度s=c+δ，δ∈{3，4}下的一個(gè)像素。

第一組特征圖是通過對(duì)強(qiáng)度特征I進(jìn)行上述運(yùn)算得到，可得到6張強(qiáng)度特征圖；第二組特征圖對(duì)顏色特征進(jìn)行計(jì)算，可得到12張顏色特征圖；第三組特征圖對(duì)局部方位信息進(jìn)行計(jì)算，該信息是由強(qiáng)度圖I通過Gabor濾波器濾波而得，得到24張方位特征圖。

4）特征圖融合

定義標(biāo)準(zhǔn)化操作N(·)如下：將每幅顯著圖中每個(gè)像素的顯著值歸一化到區(qū)間[0，M]。再找出全局最大值M以及其他局部最大值的平均值m。對(duì)特征圖的每一個(gè)位置分別乘以(M-m)2，將每幅特征圖中潛在的顯著區(qū)域位置進(jìn)行放大。將上一步驟生成的共42張?zhí)卣鲌D進(jìn)行標(biāo)準(zhǔn)化，然后通過線性插值調(diào)整到同一大小并相加，分別計(jì)算得到強(qiáng)度、顏色和方向上的顯著圖。

5）生成顯著圖

將上一步驟所得的三個(gè)特征顯著圖，再次進(jìn)行標(biāo)準(zhǔn)化操作然后合并，最終生成顯著圖。

2.2 SR算法

Hou和Zhang提出的剩余頻譜算法基于編碼理論和信息理論。編碼系統(tǒng)有一條基本原則是抑制頻繁出現(xiàn)的特征，而從信息理論角度出發(fā)：信息可分為冗余部分和變化部分。人們的視覺對(duì)變化部分更敏感。視覺系統(tǒng)的一個(gè)基本原則就是抑制對(duì)頻繁出現(xiàn)的特征的響應(yīng)，同時(shí)對(duì)非常規(guī)的特征保持敏感。即將圖像分為兩部分：

H（圖像）=H（新穎信息）+H（先驗(yàn)知識(shí)）

先驗(yàn)知識(shí)部分是被編碼系統(tǒng)抑制的冗余部分，而新穎信息部分則被認(rèn)為是輸入圖像的顯著圖。對(duì)大量圖像的log頻譜研究發(fā)現(xiàn)了如下規(guī)律：

定義A(f)是圖像的振幅譜，P(f)是圖像的相位譜，L(f)是圖像的對(duì)數(shù)譜，由振幅譜取對(duì)數(shù)得到R(f)為圖像的剩余譜。

SR方法十分簡(jiǎn)單，可分為以下三個(gè)步驟：

1）將輸入的圖像進(jìn)行傅里葉變換，使其變換到頻域，并計(jì)算其振幅譜和相位譜；2）對(duì)振幅譜求自然對(duì)數(shù)，將其轉(zhuǎn)換為對(duì)數(shù)譜，然后計(jì)算剩余譜；3）對(duì)剩余譜和相位譜進(jìn)行反傅里葉變換，再進(jìn)行高斯模糊濾波，即可得到顯著圖。

2.3 FT（Frequency-Tuned）算法

Frequency-tuned（FT）算法的基本思想是，圖像變換到頻域時(shí)，可分為低頻和高頻兩個(gè)部分：低頻部分反映圖像的整體信息，如物體的輪廓，基本的組成區(qū)域；高頻部分反映了圖像的細(xì)節(jié)信息，如物體的紋理。而圖像顯著性區(qū)域檢測(cè)更多地用到低頻部分的信息。設(shè)ωlc為低頻截止頻率，ωhc為高頻截止頻率，為了突出大的顯著對(duì)象，ωlc需要盡可能的低；為了得到較好的輪廓信息，ωhc需要盡可能的高。圖像的最高頻的部分應(yīng)舍去，該部分很可能是物體的紋理或者噪聲。

為保證DoG濾波器（Difference of Gaussian）帶寬[ωlcωhc]足夠大，F(xiàn)T算法采用N個(gè)DoG帶通濾波器組合的方法。組合濾波器表達(dá)如下

σ為高斯濾波器的標(biāo)準(zhǔn)差，ρN決定了組合DoG濾波器的帶寬，(x，y)為像素點(diǎn)坐標(biāo)。為舍去圖像的最高頻部分，σ的標(biāo)準(zhǔn)差要小，這時(shí)，可使用二項(xiàng)式濾波器近似提高算法的運(yùn)算速度。

最終，F(xiàn)T方法用CIELab顏色空間，則圖像像素的顯著值計(jì)算公式可表達(dá)如下

其中，Iμ是圖像在CIELab顏色空間的算術(shù)平均值，Iωhc(x，y)是原圖像通過高斯模糊濾波（使用二項(xiàng)式濾波器）后圖像的某一像素點(diǎn)，‖‖·是L2范式，即計(jì)算Iμ與Iωhc(x，y)之間的歐式距離。

2.4 MZ（Ma-Zhang）算法

MZ方法的基本思想不再是實(shí)現(xiàn)計(jì)算機(jī)算法模擬視覺感知機(jī)制，而是注重圖像的性質(zhì)以及計(jì)算機(jī)的計(jì)算能力，其核心思路是：對(duì)于目標(biāo)是否顯著起決定性作用的因素是對(duì)比度。

MZ方法的具體處理步驟如下：

1）對(duì)圖像進(jìn)行預(yù)處理：調(diào)整圖像大小并保持其長(zhǎng)寬比不變，將圖像從RGB顏色空間轉(zhuǎn)換到CIELUV顏色空間；圖像去噪，使用濾波器進(jìn)行平滑處理。

2）生成顯著圖：定義感知域（Perceive Field）的概念，對(duì)應(yīng)于人眼的感知區(qū)域。將輸入圖像分解為M×N個(gè)感知單元（圖像像素大小為M×N，即一個(gè)像素為一個(gè)感知單元Perceive Unit）。則一個(gè)感知單元在其感知域上的對(duì)比度定義為

其中，Θ表示為感知單元所在的感知域，Θ越小，感知域越敏感。p(x，y)表示感知單元，q表示感知域中的其他像素，d[] ·表示計(jì)算p(x，y)和q之間的距離，可以根據(jù)不同的應(yīng)用選擇合適的距離函數(shù)。C(x，y)表示感知單元與感知域內(nèi)其他所有像素的差值的和。將所有像素的對(duì)比值C(x，y)規(guī)范到區(qū)間[0，255]，即可得到顯著圖。

2.5 AC（Achanta）算法

AC算法中，圖像像素的顯著值由一個(gè)局部區(qū)域R1與其周圍鄰域R2的局部對(duì)比度的計(jì)算得出，該局部區(qū)域R1可稱為一個(gè)感知單元（也可以是一個(gè)區(qū)域），通過改變?cè)摳兄獑卧泥徲騌2大小，從而實(shí)現(xiàn)多尺度的顯著性計(jì)算。且這樣得到的顯著圖分辨率與原圖是一致的。這個(gè)局部對(duì)比度，是指在這個(gè)感知單元平均特征向量和它的鄰域平均特征向量的差。AC算法的基本步驟如下：

1）輸入圖像，將圖像從RGB顏色空間轉(zhuǎn)換到CIELab顏色空間；2）在不同的尺度下計(jì)算顯著性值：在某一圖像尺度下，位于(x，y)的像素點(diǎn)基于對(duì)比的顯著值定義為局部區(qū)域R1的特征平均向量和周圍鄰域R2的特征平均向量的歐氏距離；3）將上一步驟所得的不同尺度的顯著圖直接相加，按照下述公式計(jì)算，得到最終顯著圖：

3 檢測(cè)結(jié)論

3.1 實(shí)驗(yàn)環(huán)境

仿真實(shí)驗(yàn)的硬件平臺(tái)設(shè)置為：Intel?Core?i7-4710MQ CPU@2.50GHz、8.00GB RAM，操作系統(tǒng)為Window 7旗艦版Service Pack 1，仿真軟件為Matlab R2017a。

3.2 樣例圖片

本文選取兩幅來自互聯(lián)網(wǎng)上的典型海上船只圖像，其中一幅中僅有單艘船只，另一幅包含多艘船只。且多艘船只的航向不同，能夠更全面地分析算法。如圖1所示。

3.3 實(shí)驗(yàn)結(jié)論

參數(shù)設(shè)置如下：Itti算法中，設(shè)置中心尺度為c∈{2，3，4}，周圍尺度為s=c+δ，δ∈{3，4}，方向特征選取4個(gè)方向?yàn)棣取蕒0°，45°，90°，135°}；MZ算法中，感知域大小選取為Θ=5×5；AC算法中，鄰域?qū)挾却笮閃R2=N/8，N為圖像寬度。最終得到圖像檢測(cè)結(jié)果，如圖2和3所示。

下面從四個(gè)方面分析仿真結(jié)果：

1）物體顯示的清晰度：FT算法、AC算法都能令人較為滿意地將整個(gè)船舶高亮地顯示出來；SR算法、MZ算法只能夠?qū)⒋暗妮喞创芭c海面背景的邊界高亮顯示出來，其內(nèi)部細(xì)節(jié)被忽略；Itti基本不能將船舶的整體顯示出來。

2）物體邊界提?。篒tti算法基本不能描述船舶邊緣信息；其余算法對(duì)于邊界的描述都比較準(zhǔn)確，但是MZ算法得到的邊緣信息不十分顯著。

3）抗噪性：AC算法不能完全濾除船舶周圍噪聲，Itti算法不能很好濾除海面噪聲，另外三種算法都能較好濾除海面海浪的噪聲信息。

4）分辨率：Itti算法使用的高斯金字塔分解圖像，得到的顯著圖分別率較低，是由插值算法將其轉(zhuǎn)換為原分辨率，實(shí)際上降低了顯著圖分辨率；SR算法得到的也是分辨率較低的顯著拓?fù)鋱D。其他3種算法顯著圖分辨率與原圖像一致。

4 算法效能比較與分析

使用原圖像建立相應(yīng)的人工分割圖4。

通過計(jì)算算法所得圖像的P值、R值（即查準(zhǔn)率與查全率）、F值（P和R的幾何平均值）和運(yùn)算時(shí)間，可以對(duì)幾種檢測(cè)算法的性能進(jìn)行較為全面的比較。因此，選取包括上述兩幅圖在內(nèi)的7幅海上船舶圖像分別利用5種算法進(jìn)行顯著性區(qū)域檢測(cè)，其性能比較結(jié)果如圖5所示。

綜上所述，通過觀察所得顯著圖結(jié)合計(jì)算所得P、R、F值，考慮到運(yùn)算時(shí)間的因素，本文認(rèn)為FT算法是檢測(cè)海面船舶圖像顯著性的最佳算法，通過該算法所獲得的顯著圖的各項(xiàng)性能都比較好，且運(yùn)算時(shí)間很短。

5 結(jié)語

本文詳細(xì)介紹了顯著性檢測(cè)技術(shù)中常用的五種算法：Itti算法、剩余頻譜（SR）算法、FT算法、MZ算法和AC算法，并選取兩幅海上船舶圖像分別利用每種算法進(jìn)行了仿真實(shí)驗(yàn)，最終對(duì)各種算法的檢測(cè)效果進(jìn)行了比較分析。結(jié)論顯示，F(xiàn)T算法在相同條件下較其他算法而言具有較為優(yōu)秀的檢測(cè)效果和實(shí)時(shí)性。

［1］W.H J.Unsupervised Extraction of Visual Attention Objects In Color Images［J］.IEEE Trans.Circuits Syst.Video Technol，2006，16（1）：141-145.

［2］Chen T，Cheng M，Tan P，et al.Sketch2Photo：Internet Image Montage［J］.ACMSIGGRAPH Asia，2009，28（5）：89-97.

［3］L.ITTI，C.KOCH，E.NIEBUR.A Model of Saliency-based Visual Attention for Rapid Scene Analysis［J］. IEEE Transaction on Pattern Analysis and Machine Intelligence，1998，20（11）：1254-1259.

［4］X.Hou，L.Zhang.Saliency Detection：A Spectral Residual Approach［C］//2007 IEEE Conferece on Computer Vision and Pattern Recognition，Minnesota：IEEE.2007：1-8.

［5］C.Guo，Q.Ma，L.Zhang.Spatio-temporal Saliency Detection Using Phase Spectrum of Quaternion Fourier Transform［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，Anchorage：IEEE，2008：1-8.

［6］R.Achanta，S.Hemani，F(xiàn).Estrada，et al.Frequency-tuned Salient Region Detection［C］//Proceedings of the International Conference on Computer Vision and Pattern Recognition，Los Alamitos：IEEE.2009：1597-1604.

［7］Y.F.Ma，H.J.Zhang.Contrast-based Image Attention Analysis by Using Fuzzy Growing［C］//Proceedings of the 11th ACM international conference on Multimedia.California：ACM，2003：374-381.

［8］R.Achanta，F(xiàn).Estrada，P.Wils，et al.Salient Region Detection and Segmentation［C］//Computer Vision Systems of Lecture Notes in Computer Science，Heidelberg：Springer，2008：66-75.

［9］Goferman S，Zelnik-Manor L，Tal A.Context-aware Saliency Detection［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2012，34（10）：1915-1926.

［10］Menon V，Uddin L Q.Saliency，Switching，Attention and Control：A Network Model of Insula Fiinction［J］. Brain Structure and Function，2010，214（5-6）：655-667.

［11］Liang Z，Chi Z，F(xiàn)u H，et al.Salient Object Detection Using Content-sensitive Hypergraph Representation and Partitioning［J］.Pattern Recognition，2012，45（11）：3886-3901.

［12］Lang C，Liu G，Yu J，et al.Saliency Detection by Multitask Sparsity Pursuit［J］.IEEE Transactions on Image Processing，2012，21（3）：1327-1338.

Technological Study and Simulation of Ships’Image Salient Region Detection

ZHANG YalunYANG LujingCHEN YukangLIU Shukan
（Naval University of Engineering，Wuhan430033）

Image salient region detection is an important topic in the current image analysis.This kind of technology has a significant impact on the infrared imaging process and ships'pattern recognition.This paper introduces five algorithms of image salient region detection，including Itti algorithm，SR algorithm，F(xiàn)T algorithm，MZ algorithm and AC algorithm.Furthermore，the paper completes the simulation experiment with real ships'photos by each algorithm.After comparing and analyzing the result of various algorithms，taking clarity and resolution into account，it's showed that FT algorithm has the best effect.

image salient region detection，pattern recognition，Itti algorithm Spectral-Residual algorithm，F(xiàn)requency-Tuned algorithm，Ma-Zhang algorithm，Achanta algorithm

TP391.41

10.3969/j.issn.1672-9730.2017.07.019

2017年1月20日，

2017年2月27日

張亞倫，男，碩士研究生，研究方向：模式識(shí)別與智能系統(tǒng)，大數(shù)據(jù)分析與挖掘。楊露菁，女，博士，教授，研究方向：輔助決策，模式識(shí)別與智能系統(tǒng)。陳煜康，男，助理工程師，研究方向：模式識(shí)別與智能系統(tǒng)。劉樹衎，男，博士，講師，研究方向：模式識(shí)別與智能系統(tǒng)。