復雜自然環境下感興趣區域的檢測方法
【專利摘要】本發明涉及一種基于低層次圖像信息和中層次圖像信息相結合的自底向上的感興趣區域(Region?of?Interest，簡稱ROI)檢測方法，該方法首先采用Harris算子檢測角點進而得到凸包邊界，利用凸包區域與超像素聚類結果計算中層次信息顯著圖；然后將圖像從RGB空間轉換到CIELab空間，使用高斯差分濾波器對圖像進行濾波，得到低層次信息顯著圖；最后將低層次圖像信息與中層次圖像信息進行加權融合得到圖像的顯著圖。本發明采用將超像素聚類計算的中層次圖像信息與差分濾波器濾波計算的低層次圖像信息相結合的方法，實現了對復雜自然環境下的感興趣區域的準確定位，檢測得到的感興趣物體邊緣清晰，同時有效地抑制背景噪聲，適用性強。
【專利說明】復雜自然環境下感興趣區域的檢測方法
【技術領域】
[0001]本發明涉及一種復雜自然環境下感興趣區域的檢測方法，該方法對與背景對比度不同、背景復雜度不同的感興趣區域以及不同面積的感興趣區域的圖像都具有很好的檢測效果，可應用于圖像壓縮與編碼、目標檢測與識別、圖像檢索以及機器人主動視覺等多個圖像處理領域。
【背景技術】
[0002]目前人們正處于信息大爆炸時代，每秒鐘接受大量的視覺信息流(IO8-1O9比特)，因此如何更有效地分析和處理海量的圖像信息成為重要的研究內容之一。研究發現，人類視覺系統(HumanVisual System,簡稱HVS)處理一個較為復雜的場景時,首先將其視覺注意力集中于該場景的少數幾個對象，即感興趣區域。這種處理機制會使處理能力和容量都有限的大腦對這些顯著對象進行優先處理，并對非顯著部分進行舍棄或者暫時忽略，力求在最短時間內獲取場景中的主要信息，以便對場景的高層語義內容進行快速了解、認知與分析。目前圖像處理領域中，感興趣區域的檢測應用于圖像檢索，由于在大量的圖像數據中自動檢索出目標圖像，僅依靠人工標記的關鍵詞進行搜索已難以滿足現代化電子技術的需求，然而使用客觀的圖像內容屬性檢索會受到背景因素的干擾，所以只對圖像中的感興趣區域進行匹配，既可以提高效率，又可以獲得較好的效果；感興趣區域的檢測應用于目標檢測與識別，先識別多個與目標相似的感興趣區域，然后根據顯著性的高低順序進行推斷，最終達到目標識別，整個過程通過感興趣區域的自動檢測，有效地屏蔽了冗余信息對識別效率的影響。另外，感興趣區域的檢測在三維圖像場景渲染、機器人主動視覺、視頻中運動目標的檢測等多個圖像處理領域中都有著極其重要的應用價值。
[0003]感興趣區域檢測對象由最初的遙感圖像擴展復雜自然環境下的圖像，由灰度圖擴展到彩色圖，背景及感興趣物體變得復雜多樣。因此對于感興趣區域的邊緣要求越來越高，加大了感興趣區域檢測的難度。目前針對感興趣區域的檢測方法主要分為兩類:基于空間域和變換域的檢測方法。基于空間域的檢測方法主要是利用直方圖計算全局對比度，再計算全局顏色差異度的方法，雖然對感興趣區域定位較準確，但計算量較大、顯著物邊緣不清晰；基于變換域感興趣區域檢測方法主要采用不同尺度的高斯差分濾波器組獲得感興趣區域，此類方法得到的感興趣區域邊緣清晰，但顯著圖中背景區域存在大量噪聲。此外傳統方法對圖像進行降采樣后提取特征如顏色、方向、灰度等，通過“中心-周邊”算子對多尺度的特征進行顯著性度量，最終融合得到顯著圖。這種基于生物學結構的方法得到的顯著圖降低了分辨率，其感興趣區域定位不準確、邊緣不清晰。
[0004]現有方法的主要缺陷是感興趣區域顯著度不突出、顯著物邊緣不清晰及顯著圖背景中存在噪聲。針對上述方法中存在的不足，本發明提出了一種將低層次圖像信息和中層次圖像信息相結合的自底向上的感興趣區域檢測方法，該方法利用超像素聚類保證了感興趣區域定位準確、邊緣清晰，高斯差分濾波使感興趣區域局部信息更完整，實現了自然環境下感興趣區域的檢測。
【發明內容】
[0005]為了克服現有方法的不足，本發明提出了一種能夠準確檢測復雜環境下感興趣區域的檢測方法，該方法對不同面積的感興趣區域、與背景對比度和背景復雜程度不同的感興趣區域的檢測均能準確檢測。本發明采用如下的技術方案:
[0006]1.輸入自然圖像，利用Harris算子檢測彩色圖像的角點；
[0007]2.去除距離圖像邊界5個像素以內的角點，使用凸包邊界包圍所有剩余角點，得到凸包區域；
[0008]3.米用 SLIC (Simple Linear Iterative Clustering)超像素分割算法對圖像進行分割，分割出200個超像素塊；
[0009]4.對得到的超像素進行k均值聚類，計算各類與凸包區域的公共面積與自身面積比率得到中層次信息顯著圖；
[0010]5.使用高斯差分濾波器對原圖像進行濾波后，計算得到低層次信息顯著圖；
[0011]6.對中層次信息顯著圖和低層次信息顯著圖加權融合，通過動態閾值分割輸出感興趣區域。
[0012]本發明具有如下的技術效果:
[0013]1.定位準確。本發明在檢測過程中，首先采用Harris算子檢測圖像角點，粗略定位感興趣區域，然后超像素聚類后與凸包區域進行面積比較計算中層次信息顯著圖，即實現了圖像顯著物的精確定位。
[0014]2.邊界清晰。本發明采用超像素聚類與圖像濾波算法結合的方法可以得到邊緣清晰感興趣區域。
[0015]3.適用性強。對與背景對比度不同和背景復雜度不同的感興趣區域以及不同面積的感興趣區域的自然圖像均具有很好的檢測效果。
【專利附圖】
【附圖說明】
[0016]圖1:本發明的總流程圖；
[0017]圖2:彩色自然圖像；
[0018]圖3:凸包邊界圖像；
[0019]圖4:中層次信息顯著圖；
[0020]圖5:低層次信息顯著圖；
[0021]圖6:感興趣區域圖；
[0022]圖7:三類基本自然圖像及感興趣區域檢測結果圖，其中圖7-1為小顯著物的自然圖像及其感興趣區域圖，圖7-2為大顯著物的自然圖像及其感興趣區域圖，圖7-3為單個顯著物的自然圖像及其感興趣區域圖，圖7-4為多個顯著物的自然圖像及其感興趣區域圖，圖7-5為顯著物與背景對比度弱的自然圖像及其感興趣區域圖，圖7-6為顯著物與背景對比度強的自然圖像及其感興趣區域圖。
【具體實施方式】
[0023]本發明的流程如圖1所示，自然圖像中的感興趣區域通常有兩個顯著特征:一是與背景之間有較強的對比度，心理學研究表明人類視覺系統優先處理的區域或是能產生新奇刺激的區域或是包含觀察者自己期待的區域包含具有強烈對比度的區域；二是相對圖像整體而言具有清晰的邊緣，分辨率高的區域相比模糊區域更吸引人的注意。本發明利用上述兩個特征采用中層次圖像信息與低層次圖像信息相結合的復雜自然環境下感興趣區域進行檢測，該方法包含兩個關鍵部分:其一，采用高斯函數差分濾波器對圖像進行濾波，獲取圖像中與背景之間具有較強對比度的區域，實現了對低層次信息的有效利用，增強了局部顯著性，并且補充中層次顯著圖感興趣區域的邊緣；其二，為了突出圖像中具有清晰邊緣的區域，采用超像素聚類算法，通過計算各類在凸包區域內所占的比例獲得中層次顯著信息。下面結合附圖，對本發明技術方案的具體實施過程加以說明。
[0024]1.中層次信息顯著圖
[0025](I)彩色圖像角點檢測
[0026]角點能夠很好地概括圖像中物體的輪廓，而角點檢測可以利用圖像的局部幾何信息很好地描述圖像的形狀特征，其基本思想是通過圖像局部的灰度變化量來判斷角點。由于角點常常出現在顯著物的周圍，所以本發明采用彩色Harris角點檢測算子進行彩色角點檢測。
[0027](2)凸包邊界的構建
[0028]對得到的彩色角點進行Delaunay三角剖分，取其最外圍索引作為包含了所有彩色角點的凸包邊界，凸包邊界內的區域定位為粗略感興趣區域(如圖3)。
[0029](3)先驗概率分布的計算
[0030]采用SLIC方法計算彩色圖像的超像素，超像素包含了和它色素相近的一簇像素，既能保留邊緣信息避免圖像模糊，又可以利用圖像的中層次信息進行檢測。使用k均值算法對超像素進行聚類，聚類后定義每個像素先驗概率的顯著度公式為:
【權利要求】
1.復雜自然環境下感興趣區域檢測方法，所述方法包括下列步驟: 步驟1:輸入自然圖像，利用Harris算子檢測彩色圖像的角點； 步驟2:去除距離圖像邊界5個像素內的角點，使用凸包邊界包圍所有剩余角點，得到凸包區域； 步驟3:采用SLIC超像素分割算法對圖像進行分割； 步驟4:對得到的超像素使用k均值算法進行聚類，計算各類與凸包區域的公共面積與自身面積比率得到中層次信息顯著圖； 步驟5:使用高斯差分濾波器對原圖像進行濾波后，計算得到低層次信息顯著圖； 步驟6:對中層次信息顯著圖和低層次信息顯著圖加權融合，得到感興趣區域。
2.根據權利要求1所述的復雜自然環境下感興趣區域檢測方法，其特征在于，步驟2中，利用凸包包圍圖像角點初步定位感興趣區域位置。
3.根據權利要求1所述的復雜自然環境下感興趣區域檢測方法，其特征在于，步驟3中，利用SLIC超像素分割算法分割圖像。
4.根據權利要求1所述的復雜自然環境下感興趣區域檢測方法，其特征在于，步驟4中，利用k均值算法聚類對超像素進行聚類，通過計算面積比率得到中層次信息顯著圖。
5.根據權利要求1所述的復雜自然環境下感興趣區域檢測方法，其特征在于，步驟5中，利用高斯差分濾波器對原圖像進行濾波，獲得圖像局部顯著區域，計算得到低層次信息顯著圖。
6.根據權利要求1所述的復雜自然環境下感興趣區域檢測方法，其特征在于，步驟6中，將超像素聚類與圖像濾波相結合，即中層次圖像信息與低層次圖像信息相結合計算感興趣區域。
【文檔編號】G06T7/00GK103996198SQ201410249758
【公開日】2014年8月20日 申請日期:2014年6月4日 優先權日:2014年6月4日
【發明者】肖志濤, 張芳, 王紅, 耿磊, 吳駿 申請人:天津工業大學