張 昆

(惠州工程職業(yè)學院，廣東 惠州 516001)

人類具有快速鎖定重要的視覺對象并進行集中處理的視覺注意機制，將該機制引入到圖像處理過程中，能在降低計算機計算量的同時，有效提高計算機的選擇篩選能力，優(yōu)先分配資源給重要區(qū)域，最終提高整體圖像處理的效率。視覺注意機制包括自上而下和自下而上兩種，本文只研究自下而上的視覺注意機制[1]。

早期建立的自下而上的顯著性檢測模型均是基于空間域建立的。而近年來，部分研究人員開始基于頻域著實建立顯著圖[2-6]。值得注意的是2007年[7-9]，Guo等基于仿射系數(shù)率先提出剪切波變換，并證明了該表示方法具有幾乎最優(yōu)的稀疏性[10]。對比剪切波變換和小波變換可知，前者可以最大化地使用原函數(shù)的幾何正則性，剪切波基具有近似長條形的支撐區(qū)間，能夠僅使用較少的系數(shù)逼近奇異曲線。剪切波變化因此在圖像邊緣特征方面更具優(yōu)勢，且擁有更好的逼近精度和稀疏表達能力[11-15]。

基于多方向和多尺度的離散剪切波變換，本文建立了一個利用自下而上視覺注意機制進行顯著性檢測的模型。該模型在各分解層重構剪切波系數(shù)獲取各分解層圖像描述特征圖，并將各層細節(jié)信息匯總以實現(xiàn)多分辨率角度綜合衡量圖像的顯著性。此外，本文的模型除了效仿文獻[12]的思想獲取全局顯著性外，還加入熵計算概率密度分布，獲取并建立局部顯著圖。其局部顯著圖建立的核心思想是若局部區(qū)域和周邊分布一致性越高，熵值越大，相應的顯著性越低；反之，一致性越低，獲得的熵值越小，相應的顯著性越高。該局部顯著圖建立方式能夠較完善地反映中心和周邊差異，提高顯著性檢測效率和準確度。最后，融合局部和全局顯著圖即可得到圖像的最終綜合顯著圖。

1 算法分析

基于剪切波系數(shù)，本模型使用了較為合理完善的顯著性檢測機制，獲得的顯著性邊緣質量高。經孔洞填充后即可獲得圖像的顯著圖，基本流程可見圖1。

圖1 模型綜合顯著圖獲取基本流程圖

1.1 特征圖獲取

首先，需要針對原始圖像描述并構建特征圖。本文對原始圖像進行剪切波分解(采用錐形自適應離散剪切波系統(tǒng)，SH)。

(1)

其中，f表示二維離散信號，φm=φ(.-c1m)表示尺度函數(shù)

(2)

由于本文的特征圖需要經過剪切波系數(shù)矩陣重構得到，因此將式(1)簡化為

SH(g)=LD∪Hd

(3)

式中的g，D，LD，Hd分別表示輸入的灰度圖像、分解次數(shù)、尺度系數(shù)矩陣和剪切波系數(shù)矩陣。

本文通過剪切波系數(shù)和VisuShrink閾值函數(shù)計算獲得δ值的對比來判斷該剪切波系數(shù)是否為有用信息，若是(剪切波系數(shù)大于該δ值)則將其以l倍放大，否則置零，進而起到加強有用信號減少噪聲的作用。去噪策略可總結為

(4)

其中，H0和H分別表示了經處理得到的系數(shù)和Hd的剪切波系數(shù)。

最后，將處理過的各分解層剪切波系數(shù)矩陣進行逆變換(ISH)，得到相應的各層特征圖fd，即為

(5)

式中的k∈(1，2，…，K)表示的是分解方向。

1.2 顯著圖構建

1.2.1 全局顯著圖構建

得到了各分解層的特征圖后，可借助全局概率密度分布構建全局顯著圖，其過程分析如下：

第一步，針對各特征圖的點(x，y)獲取特征向量f0(x，y)=[f(x，y)，…，fD(x，y)]T描述該點(只針對非零矩陣的特征矩陣)。

第二步，選取任意點計算概率密度值p(x，y)(采用多維高斯概率密度函數(shù))，建立概率密度分布矩陣，如下式所示

(6)

式中，∑、Ed、μ分別為協(xié)方差矩陣、特征圖fd的期望和期望向量(衡量各特征圖各位置點的特征值和該圖的差異性)。由于∑和μ實際為全局統(tǒng)計值，因此得到的p(x，y)實際上也應該是全局顯著性。

第三步，構建全局顯著圖SG

SG(x,y)=H(-R(lgp(x,y))×Ik×k

(7)

式中的SG(x，y)表示點(x，y)位置處的全局顯著度；Ik×k代表的是二維高斯低通濾波器(文中k值取5)。

1.2.2 局部顯著圖構建

構建局部顯著圖流程分析如下：

第一步，計算并獲取各特征圖(表示為d)的所有點(x，y)的概率密度值pd(x，y)，建立概率密度分布矩陣

(8)

式中的σ=Dd和μ=Ed分別代表了特征圖fd的方差與期望，各特征圖對應了不同的分解尺度，分別處理可獲得不同尺度下的顯著性；

第二步，在pd上計算獲取局部區(qū)域塊所對應的信息熵，計算獲得信息熵矩陣φd；

(9)

第三步，將所有分解尺度上的信息熵矩陣綜合，構建最終的局部顯著圖SL。

(10)

式中，Wd(x，y)為點(x，y)位置處信息熵矩陣的權重計算公式。

1.2.3 綜合顯著圖構建

本文在融合全局以及局部顯著圖后，按照關注點附近區(qū)域顯著度優(yōu)先原則對圖像顯著度進行調整。本文同時采用了形態(tài)學腐蝕(E(·))消除局部顯著圖構建中以(2k+1)×(2k+1)為鄰域獲得區(qū)域熵值帶來的邊緣寬度放大的問題，獲得的顯著圖如所示

S(x,y)=E(M(SL(x,y)eSG(x,y))(1-d(x,y)))

(2)

式中，非線性的歸一化函數(shù)為M(·)，d0(x，y)代表了(x，y)點和離它最近的關注點(x0，y0)的距離。

顯著性檢測即為二值化操作(B(·))，其最終目的是將圖像中各像素點標注為顯著點或非顯著點。本文使用了Otsu自動閾值獲取函數(shù)和直接使用顯著圖均值作為閾值的兩種獲取方法，最終得到了二值圖。本文的模型是基于剪切波系數(shù)建立的，在描述圖像的邊緣信息方面具有較好的效果。因此，本文在檢測到顯著性邊緣后，結合孔洞填充操作(F(·))得到所需的顯著性區(qū)域，進而獲得綜合顯著圖ST(x,y)=F(B(S(x,y)))。

本文也給出了本模型進行顯著性檢測的實例過程圖來幫助理解，如圖2所示。

圖2 顯著性檢測過程實例圖

2 實驗和結果分析

本文使用Matlab環(huán)境進行實驗，選擇和文獻[12]的顯著性檢測模型進行比較(代碼來自于Nevrez)。本文的仿真包括獲取兩種模型的P、R、Fa值(基于UserDataB和ImageB數(shù)據(jù)集)和ROC值[13]。

2.1 仿真實驗1

仿真實驗1包含兩個內容，即驗證孔洞填充操作的作用和與文獻[12]中的顯著性檢測模型進行對比。

在ImageB數(shù)據(jù)集中用本文建立的模型進行了仿真實驗。其中，二值圖構建操作如上節(jié)所述，獲得的孔洞填充操作前后的P、R、Fa值見表1。由表可以看到，孔洞填充操作后P、R、Fa均獲得了提升，可見孔洞填充操作效果良好，對于圖像顯著性檢測非常必要。

表1 孔洞填充前后的P、R、Fa值對比

在UserDataB和ImageB數(shù)據(jù)集中，分別使用本文建立的模型與文獻[12]的模型計算并對比了P、R、Fa值，驗證了全局和局部顯著性對綜合顯著圖的必要性，結果如圖3所示，其中，Ls，Gs，Ts分別代表局部、全局和綜合顯著圖。

圖3 本文和文獻[12]的模型P、R、Fa值對比結果圖

從圖3(a)可以看到，全局顯著圖的P、R、Fa值更高，表明全局顯著圖對綜合顯著圖貢獻較高。此外，本文模型得到的綜合顯著圖相比于文獻[12]具有更高的P、R、Fa值，而全局顯著圖指標實際處于劣勢低位，表明局部顯著圖在較大程度上能提升綜合顯著圖的質量；文獻[12]的P、R值波動較大，說明該文獻在顯著性檢測過程中構造了較多無關的顯著性區(qū)域，得到了較大的R值和較小的P值，可見本文的顯著性檢測模型更具有準確性和合理性。從圖3(b)中可看到，無論使用了何種二值圖閾值獲取方式，本文的顯著性檢測模型均優(yōu)于文獻[12]。

2.2 仿真實驗2

對原始圖像(C1～C6共235幅圖像)進行顯著性檢測獲得的顯著圖可以劃分為顯著和非顯著區(qū)域。ROC是人工標注圖(包括區(qū)域和點人工標注圖)中以擊中概率(顯著區(qū)域正確檢測為顯著區(qū)域的概率)做分子，虛報概率(非顯著區(qū)域錯誤檢測為顯著區(qū)域的概率)做分母的數(shù)值，該值能反映顯著性檢測模型的檢測準確性和有效性。如表2和表3所示，使用本文模型得到的ROC值，除C3外所有值均優(yōu)于文獻[12]模型所得到的ROC值，可見本文的檢測性模型更準確合理。表中的綜合ROC值由C1～C6的ROC值平均得到。

表2 兩種模型關注區(qū)域人工標注圖計算獲得的ROC值對比結果

表3 兩種模型關注點人工標注圖計算獲得的ROC值對比結果

3 結束語

剪切波變換具有多方向、多尺度和良好的稀疏描述性能，經剪切波分解得到圖像的剪切波系數(shù)和尺度系數(shù)均能夠較好保留原始圖像的細節(jié)信息，這對圖像的顯著性描述意義重大?；谏鲜鲈?，本文提出了一個利用自下而上視覺注意機制進行顯著性檢測的模型。并在多個彩色圖像數(shù)據(jù)集上對該模型和文獻模型進行了對比實驗，實驗結果顯示，本文模型的性能指標更優(yōu)，證明本模型更具有效性和準確性。

參考文獻

[1] 陳再良.圖像感興趣區(qū)域提取方法研究[D].長沙:中南大學,2012.

[2] Itti L.Models of bottom-up and top-down visual attention[C].California:California Institute of Technology,2009.

[3] Liu Q,Han T,Sun Y,et al.A two step salient objects extraction framework based on image segmentation and saliency detection[J].Multimedia Tools & Applications,2013,67(1):231-247.

[4] Itti L,Koch C,Niebur E.A model of saliency-based visual attention for rapid scene analysis[M].CA,USA:IEEE Computer Society, 2008.

[5] Duncan K,Sarkar S.Relational entropy-based saliency detection in images and videos[C].MA,USA:IEEE International Conference on Image Processing,IEEE,2013.

[6] Guo C,Zhang L.A novel multiresolution spatiotemporal saliency detection model and its applications in image and video compression[J].Oncogene,2015,33(5):523-529.

[7] Li J,Levine M D,An X,et al.Visual saliency based on scale-space analysis in the frequency domain[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence,2013,35(4):996-1010.

[8] 陳召曦.位場數(shù)據(jù)的曲波變換與信息提取應用[D].北京:中國地質大學,2012.

[9] Starck J L,Candes E J,Donoho D L.The curvelet transform for image denoising[J].IEEE Transactions on Image Processing,2002,11(6):670-84.

[10] Guo K,Labate D.Labate D:Optimally sparse multidimensional representation using shearlets[J].SIAM Journal Math Anal,2005,39(1):298-318.

[11] 孫晨.基于全變分和剪切波變換的圖像去噪方法研究[D].天津:天津大學,2015.

[12] Imamoglu N,Lin W,Fang Y.A saliency detection model using low-level features based on wavelet transform[J].IEEE Transactions on Multimedia,2013,15(1):96-105.

[13] Liu T,Yuan Z,Sun J,et al.Learning to detect a salient object[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,2011,33(2):353-67.

[14] 劉志民.基于小波變換的全變分模型的圖像去噪[D].合肥:安徽大學,2013.

[15] 路雅寧,郭雷,李暉暉.帶限剪切波變換與全變差結合的圖像去噪[J].光子學報,2013,42(12):1430-1435.