基于全局对比度的图像显著性区域检测算法研究PPT文档格式.ppt

基于全局对比度的图像显著性区域检测算法研究PPT文档格式.ppt

《基于全局对比度的图像显著性区域检测算法研究PPT文档格式.ppt》由会员分享，可在线阅读，更多相关《基于全局对比度的图像显著性区域检测算法研究PPT文档格式.ppt（28页珍藏版）》请在冰豆网上搜索。

据此，根据源图像的颜色统计特征提出了基于直方图对比的图像像素显著性值检测方法。

2RC（RegionContrast）算法人们会更加注意图像中与周围物体对比度大的区域，除对比度外，相邻区域的高对比度比很远区域的高对比度更容易导致一个区域引起人类的注意。

Saliencyvalueofpixel,一个像素的显著性值用它和图像中其他像素的颜色的对比度来定义；

上式展开得：

什么是Lab颜色空间？

在这种定义下，相同颜色的像素点具有相同的显著性值，对式子进行重排，将相同颜色的像素归到一起，得到每种颜色的显著性值。

Cl表示像素Ik的颜色；

n为图像所含颜色总数目；

fj为Cj在图像的所有颜色中出现的概率；

D（cl,cj）表示Lab颜色空间中的颜色距离。

Saliencyvalueofcolor,Saliencyvalueofcolor,国旗中像素Ik的颜色是黄色或者红色，图像所含颜色总数目2；

根据公式计算：

黄色出现的概率接近于0,红色出现的概率接近于1,Zhai和Shah仅仅使用了亮度来减少颜色的数量，在这个基础上他们提出了用于图像显著区域检测的LC检测。

先将每个颜色通道量化成12个份，将颜色减少到12*12*12，再将出现频率较小的颜色丢掉，保留高频出现的颜色。

然而，真彩色空间包含256*256*256种可能的颜色（16万色），比图像的像素总数还多，计算代价太高。

方法1,方法2,Saliencyvalueofcolor,LC算法缺陷在于忽略了颜色信息的可区别性。

自然图像中的颜色只占据整个色彩空间很小的一部分，将出现频率很低的颜色丢掉，保留高频出现的颜色。

量化后的图像颜色更少，但仍能保证显著性检测所需的视觉质量。

Colorhistogramquantize,颜色量化样例,HC方法速度快，并且产生细节精确的结果，均匀地突出了整个显著性区域。

Salientregiondetectionbasedonhistogramcontrast,HC算法检测显著区域样例,空间关系在引起人类注意力方面也起到非常大的作用。

相邻区域的高对比度比很远区域的高对比度更容易导致一个区域引起人类的注意。

基于此，提出基于区域对比度的显著性区域检测算法。

（1）先将图像分割为若干区域（参考文献：

Efficientgraph-basedimagesegmentation.2004，IJCV）,再为每个区域建立颜色直方图；

（2）计算各个区域之间的颜色对比度，用每个区域和其他区域的对比度加权和来定义其显著性值（权值由两个区域的空间距离决定）。

RegionContrast,图像分割得到左图，不考虑距离权值得到中-左图，考虑距离权值得到中-右图，二值化得到右图。

Regioncontrastbasedsalientregiondetection,Saliencyvalueofregion,两个区域r1和r2的颜色距离：

对每个区域rk定义显著性值：

Saliencyvalueofregion,引入空间权值，将空间信息加进来，增加区域的空间影响效果。

对于任意区域rk,基于空间加权区域对比度的显著性值：

怎样计算两个区域的距离Ds？

Distanceoftworegion,引入区域形心，将形心的距离的平方代表两个区域的空间距离。

形心公式应用到图像处理中，将一个像素看成dA，且为1个单位，则图像的面积即为像素点数目，分子上的积分则变为所有像素横或纵坐标的和。

Theexamplesofimagesegmentation,基于图论的图像分割技术的基本思想是将图像映射为带权无向图，把像素视作节点，节点之间的边的权重对应于两个像素点的不相似性度量，该方法具有快速、鲁棒、全局最优、抗噪性强、可扩展性好等优点。

Graph-basedimagesegmentation,改变视角，把图像看作一张带权无向图，对于两个像素点，所不同的是颜色，两个像素点的不相似度=边的权重w（vi，vj）=两个像素点的颜色距离D（ci,cj）。

区域之间的差别定义为连接两区域的所有边的权重的最小值：

一个区域的内部差别定义为本区域所有边的权重的最大值：

Graph-basedimagesegmentation,代表vi,vj两像素点的RGB颜色距离,同一个区域中的元素相似，即同一区域中的边应该有低的权重，内部差别最小。

不同区域中的元素相异，不同区域的顶点间的边应该有高的权重，使区域差别最大。

构造一个判定函数来判定两区域之间是否有边界,Thepriciplesofregionsegmentation,Graph-basedimagesegmentation,ClicktoaddTextClicktoaddTextClicktoaddText,分割算法的最终目标是使得区域的内部差别最小，区域之间的差别最大。

该分割算法实现简单，计算高效，全局性好，但局部细节容易丢失，判定函数和边权重函数是算法关键。

SummaryandComparsion,HC方法速度快，并且产生细节精确的结果，RC方法同时考虑了全局对比度和空间相干性，可以产生空间增强的高质量显著性图像，但与此同时具有相对较低的计算效率，两种算法均性能优异。

选择以下现有的显著性检测算法作为对比对象：

（1）FT算法（参考文献：

Frequency-tunedSalientRegionDetection.2009,CVPR）

（2）LC算法（参考文献：

Visualattentiondetectioninvideosequencesusingspatiotemporalcues.2006,ACMMultimedia）（3）SR算法（参考文献：

Saliencydetection:

Aspectralresidualapproach.2007,CVPR）,ThankYou!

Labcolorspace,Lab是一种不常用的色彩空间是一种基于生理特征的颜色系统。

带有维度L表示亮度，a和b表示颜色对立维度。

Lab颜色空间比计算机显示器、打印机甚至比人类视觉的色域都要大。

常用的RGB颜色模型,Labcolorspace,L分量用于表示像素的亮度，取值范围是0,100，表示从纯黑到纯白。

a分量表示从红色到绿色的范围，取值范围是-128,127。

b分量表示从黄色到蓝色的范围，取值范围是-128,127。

Labcolorspace,Lab是一种基于生理特征的颜色系统。

这也就意味着它是用数字化的方法来描述人的视觉感应。

AdvantagesofLabcolorspace,Lab颜色空间相对RGB颜色空间的优点Lab模型与设备无关，弥补了RGB模型依赖设备颜色特性的不足，此外它色域宽阔，不仅包含了RGB的所有色域，还能表现RGB不能表现的色彩，它弥补了RGB模型色彩分布不均的缺陷（RGB在蓝色到绿色之间过渡色彩过多，在绿色到红色之间缺少黄色和其他色彩）。

如果希望在图像处理中保留尽量宽阔的色域和丰富的色彩，可以选择在Lab空间中进行处理，处理后的再根据输出的需要转换到RGB空间中,返回,