王媛媛 左圆圆 刘冠瑀
首都经济贸易大学 管理工程学院 北京 丰台 100070
随着人工智能技术的发展,对于机器视觉中的视觉显著性检测问题[1]已经成为研究的热点,视觉显著性应用的范围也已经十分广泛[2],目前比较多用于视频图像的运动目标检测、图像信息的检索、图像编辑、图像分割[3]等。
目前,很多学者致力于视觉显著性和图像分割的研究,已经有很多理论方法提出被验证。Zhang等[4]提出了一种基于字典学习和图像分割的图像融合算法,能较好地保存图像信息提高图像对比度。Liang等[5]提供了全局信息补充了局部对象信息,并通过眼动跟踪和鼠标跟踪来收集注视数据。RuichaoHou等[6]针对现有问题,提出了一种基于视觉显著性和多目标人工蜂群优化的尖峰皮层模型。M.MunawwarIqbalCh等[7]提出了一种利用显着映射和交叉双侧滤波器进行磁共振和计算机断层源成像的图像融合技术,在边缘、显著性和结构信息方面均优于现有方案。
本文通过首先提取底层图像特征,根据底层特征进行显著性特征的度量,选择颜色分布直方图[8]的峰值作为显著性检测依据,利用二值化图像与原始图像对目标进行分割,达到显著性检测分割图像的目的。
本文的方法主要分为两部分,先对图像的显著性进行检测,再在显著性的基础上对图像进行分割。选用的是计算颜色分布直方图作为计算显著性依据。选用的测试图像中的红色区域即为显著性区域,计算颜色分布直方图,对图像中显著性最大的区域进行检测分割。
底层特征提取,图像中的显著区域指的是与周围环境的差异较大能够被人眼显著识别的区域,图像中的信息包含很多固有属性,这些属性中至少有一种特征与环境的差异能够凸显该区域,对于不同特征于不同图像中的显著性是不同的。根据相关文献提取颜色特征,HSV颜色空间更加适合人类视觉系统将原始RGB图像转换成HSV颜色空间。显著性特征提取选取原始图像中的色彩特征作为显著性的特征,其在图像显著性检测和图像分割问题上被广泛应用,它代表该幅图像中所有颜色所占整幅图像色彩的比例,对于色彩分布的位置是无关因素,适用于背景复杂、色彩明确、难以进行自动分割的图像数据[9]。
对原始图像依据颜色分布直方图进行显著性检测,根据得到的显著图,选择合适的阈值对其进行阈值分割,并将图像二值化。其中显著性区域是白色,背景区域是黑色[10],根据二值化图像,对原始图像进行处理,能够得到想要分割的前景目标区域。
实验结果如下图1所示,对于红色显著前景区域的分割效果符合对图像显著性区域分割的要求。
图1 部分图像分割结果
文章选用HSV颜色空间,提取底层颜色特征,计算颜色分布直方图,作为图像显著性检测依据,对显著图进行阈值分割,得到二值化图像,对原始图像进行前景和背景的分离。由于选取的实验数据具有明显的颜色特征,目标明确,背景尽管复杂但是分割的效果较好,日后对于背景复杂、颜色特征不明确的图像的进一步研究是未来的方向,得到更加具有适用性和鲁棒性的视觉显著性分割算法。