一種用于霧天圖像的目標(biāo)顯著性檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種圖像處理技術(shù)領(lǐng)域的方法，具體是一種用于霧天圖像的目標(biāo)顯著性檢測(cè)方法。
【背景技術(shù)】
[0002]作為圖像處理領(lǐng)域內(nèi)一個(gè)新興的研究方向，圖像顯著性檢測(cè)參考了人類(lèi)視覺(jué)注意機(jī)制，即對(duì)圖像中的區(qū)域按重要性的強(qiáng)弱分為不同的區(qū)域，對(duì)于重要的區(qū)域進(jìn)行優(yōu)先處理，并給予較多的計(jì)算資源，而對(duì)于非重要區(qū)域進(jìn)行壓縮處理，從而有權(quán)重的分配有限的計(jì)算資源。在這一過(guò)程中計(jì)算機(jī)集中處理的、較為重要的區(qū)域，即圖像的顯著區(qū)域。
[0003]圖像顯著性研究始于20世紀(jì)八十年代，隨著近幾年許多新的顯著性理論和方法的出現(xiàn)，目前已形成了一個(gè)熱門(mén)課題，國(guó)內(nèi)外許多重要的視覺(jué)處理實(shí)驗(yàn)室均將視覺(jué)顯著性作為專(zhuān)門(mén)課題加以研究。視覺(jué)顯著性模型應(yīng)用領(lǐng)域廣泛，較為成熟的有目標(biāo)檢測(cè)和分割、視頻分析等等，顯著性檢測(cè)結(jié)果的好壞對(duì)這些應(yīng)用起到了至關(guān)重要的作用。
[0004]顯著性問(wèn)題與人類(lèi)視覺(jué)系統(tǒng)緊密相關(guān)，視覺(jué)系統(tǒng)能夠快速的對(duì)場(chǎng)景進(jìn)行理解和分析，那么它是如何高效完成此復(fù)雜過(guò)程的呢?Neisser提出了一個(gè)廣為認(rèn)可的機(jī)制，他將視覺(jué)處理過(guò)程分為兩個(gè)階段:預(yù)注意處理階段(Pre-attentive Stage)與注意處理階段(Attentive Stages);之后MIT的David C.Marr進(jìn)一步提出了視覺(jué)處理會(huì)將進(jìn)入的光線轉(zhuǎn)化為各種特征的表示，編碼以形成對(duì)場(chǎng)景的最初的表示，這些表示最終能夠讓視覺(jué)系統(tǒng)進(jìn)行分析和識(shí)別;他們的工作對(duì)后來(lái)的視覺(jué)處理研究產(chǎn)生了深遠(yuǎn)影響。
[0005]顯著性檢測(cè)理論根據(jù)處理圖像域的不同可分為空間域和變換域兩大類(lèi)。Treisman和Gelade最早提出了空域檢測(cè)的特征綜合理論，1985年Koch和Ullman進(jìn)一步發(fā)展了這一理論并在研究視覺(jué)注意的Buttom-to-Up(自底向上)機(jī)制中首次使用顯著圖來(lái)描述場(chǎng)景的顯著性，1998年Itti等人把Koch和Ullman提出的生物合理性架構(gòu)應(yīng)用在計(jì)算機(jī)視覺(jué)中，構(gòu)建了相應(yīng)的顯著性檢測(cè)模型，該模型提取了顏色、亮度和方向的多尺度特征，并對(duì)比計(jì)算中心和周?chē)鷧^(qū)域的尺度特征差異，從而得到同一特征下的多張不同尺度特征圖，并利用多尺度融合得到對(duì)應(yīng)每個(gè)特征的單張?zhí)卣鲌D，最后進(jìn)行多特征的歸一化和線性疊加獲得最終的顯著圖。基于像素級(jí)的對(duì)比度計(jì)算使得該方法實(shí)效性較差，而且部分參數(shù)的選擇對(duì)結(jié)果有很大影響，這些缺陷都限制了該方法在實(shí)時(shí)系統(tǒng)中的應(yīng)用。2000年，Itti等將神經(jīng)學(xué)融入之前的算法，重新分析并完善了該算法，自底向上的顯著性算法從此開(kāi)始被廣泛接受。
[0006]顯著性檢測(cè)理論經(jīng)過(guò)多年的快速發(fā)展，大致可分成以下三種類(lèi)型:生物學(xué)的方法，純計(jì)算的方法，生物學(xué)和計(jì)算相結(jié)合的方法。這些方法大都基于自底向上機(jī)制的。
[0007]第一種方法:顯著性檢測(cè)早期的工作大多使用的是生物學(xué)的方法。
[0008]Itti算法提出后，出現(xiàn)了很多改進(jìn)方法，取得了更好的效果，但由于均是在Itti算法基礎(chǔ)上完成的工作，故將這些方法歸為此類(lèi)。如Frintrop利用矩形濾波器來(lái)計(jì)算中心-周?chē)鷧^(qū)域?qū)Ρ榷?，并且采用圖像積分的方法進(jìn)一步提高了計(jì)算效率。Yiqun Hu首先生成各種不同類(lèi)型的顯著性圖，然后采用導(dǎo)引函數(shù)篩除包含了非顯著性區(qū)域的顯著圖，保留了對(duì)顯著性貢獻(xiàn)較大的顯著性圖，該方法較好的避免了由于歸一化帶來(lái)的影響。
[0009]第二種方法:純計(jì)算的方法是近年來(lái)研究的熱點(diǎn)。主要涵蓋了以下幾個(gè)方面:
[0010]①基于能量和信息論的方法
[0011]Shokoufandeh首次嘗試使用局部能量的觀點(diǎn)對(duì)顯著目標(biāo)區(qū)域進(jìn)行提取;Gilles從局部香農(nóng)熵的角度來(lái)描述目標(biāo)顯著性;Kadir和Brady針對(duì)局部能量算法在單一尺度下可能出現(xiàn)的問(wèn)題，利用多尺度的自相似交叉尺度原理來(lái)獲得優(yōu)化的顯著圖；Bruce和Tsotsos提出了基于自信息的顯著性度量機(jī)制，通過(guò)信息最大化來(lái)獲得顯著圖。
[0012]②基于局部對(duì)比度的方法
[0013]Ma和Zhang、Achanta等人均利用中心-周?chē)鷧^(qū)域?qū)Ρ榷仍碛?jì)算顯著性。Ma和Zhang的方法由于僅使用了 LUV顏色特征，所以該方法并不適用于顏色和顯著度相關(guān)性較弱的圖像。Achanta使用了更符合人眼注意機(jī)制的CIELab顏色特征，取得了更好的效果。
[0014]③基于全局對(duì)比度的方法
[0015]Zhai和Shah把每個(gè)像素點(diǎn)和其它所有像素點(diǎn)的差值之和作為該像素點(diǎn)的顯著度，該方法計(jì)算量大、執(zhí)行效率低，而且只采用了圖像的亮度信息，所以魯棒性較差。
[0016]④基于頻域分析的方法
[0017]Hou和Zhang突出了基于殘余譜的方法，利用圖像的傅里葉變換，并對(duì)幅度譜進(jìn)行濾波，抑制冗余信息。其缺陷是抑制非顯著性區(qū)域的同時(shí)也抑制了顯著性區(qū)域，造成目標(biāo)內(nèi)部空洞。C.Guo在傅里葉變換的基礎(chǔ)上，利用相位譜信息對(duì)殘余譜的算法進(jìn)行了改進(jìn)，加入了顏色、灰度、運(yùn)動(dòng)等多個(gè)特征。
[0018]當(dāng)然，近年來(lái)越來(lái)越多的方法更多的采用了多方法的融合。文獻(xiàn)[18]提出的算法既利用了區(qū)域的顯著性提取，又使用了全局信息，與之前的工作相比，該算法更好的區(qū)分了前景和背景，并在圖像縮放和目標(biāo)分割中取得了良好的效果。
[0019]第三種方法:前兩種方法的結(jié)合。
[0020]Harel提出基于馬爾可夫鏈的平衡態(tài)理論的方法，將從圖像中提取的每個(gè)特征都看作是一個(gè)馬爾可夫鏈，然后利用曲線圖進(jìn)行歸一化，并通過(guò)融合獲取最終的顯著圖，該方法能更好的定位視覺(jué)關(guān)注點(diǎn)，實(shí)驗(yàn)表明該方法得到的顯著點(diǎn)與眼動(dòng)儀得到的結(jié)果更為接近，但是最終獲得的是顯著點(diǎn)圖，而且計(jì)算量大。
[0021 ]與自底向上的算法相比，傳統(tǒng)的自頂向下(Up-to-Bottom)算法主要考慮了任務(wù)、經(jīng)驗(yàn)等高級(jí)特征的影響因素。例如，Cer