基于感受野图像视觉显著性特征提取算法.docVIP

基于感受野图像视觉显著性特征提取算法 　　摘 要 本文提出了一个基于感受野的视觉显著性特征提取算法，解决了视觉显著性特征提取中的两个核心问题：目标区域显著性的定义和度量、显著区域空间尺度的检测和确定，它在目标识别和图像检索等多个领域都有着潜在的应用价值。将该算法在真实的遥感图像和自然场景图像上加以应用，均取得了令人满意的试验结果。 　　关键词 图像；视觉；提取；算法 　　中图分类号 TP3 文献标识码 A 文章编号 1674-6708（2018）207-0104-02 　　图像分析的核心任务是对图像中感兴趣的目标进行检测和测量，获取它们的相关信息，进而建立对图像的明确而有意义的内容描述。这在目标的识别、分类、跟踪以及图像检索等众多图像分析应用领域中，都是必须面对的关键性问题。在图像分析过程中，所有区域的优先级都是相同的，而包含感兴趣目标的区域通常仅是其中很小的一分子，这就意味着我们在找到和分析这些目标的同时，还要在其他不包含目标的区域上消耗大量的无谓计算，有时这种无谓计算甚至会占据算法的绝大部分运行时间。显然，这种计算浪费不是我们所希望的，但是它似乎又是不可避免的，是为了完成图像分析任务所付出的必要代价。 　　本文借鉴视觉心理学的相关成果，通过对选择性视觉过程的分析，得到了一个新的视觉显著性特征提取算法：该算法通过中心区和周边区相互拮抗的同心圆式感受野模型来定义和度量目标区域的视觉显著性；将该算法在真实的遥感图像和自然场景图像上加以应用，均取得了令人?M意的试验结果。 　　1 视觉显著性检测算法 　　1.1 视觉显著性检测中的关键性问题 　　目标区域与其他区域之间的视觉属性差异是形成视觉显著性的主要原因，首先分析一下在这个视觉显著性检测过程中可能遇到的和必须解决的几个关键性问题。它们分别是： 　　1）视觉显著性的度量：视觉显著性是在对不同图像区域之间的视觉属性差异数据进行合理组织的基础上形成的，当然必须考虑如何组织这种视觉属性差异数据，实现对视觉显著性的度量。 　　2）目标区域空间尺度的确定：视觉显著性总是针对图像中某一个具体的空间范围而言的，或者更准确地说，是针对一块具体的图像区域而言的，这样就必须考虑如何确定该目标区域的空间尺度。 　　3）视觉特征的选择和度量：不同图像区域之间的视觉属性差异是形成视觉显著性的主要原因，这样就必须考虑选择哪些视觉特征来描述图像区域的视觉属性，以及如何度量这些视觉特征。 　　1.2 对上述问题的解决方案 　　针对上述几个在视觉显著性检测中的关键性问题，我们参照生理心理学的相关研究成果，分别提出了以下的解决方案。 　　1）利用感受野（Receptive Field）模型对视觉显著性进行度量。 　　由上式可以看到，R中心区的尺度是s，这与目标区域的尺度是吻合的。 　　2）根据感受野等级假设检测和确定目标区域的空间尺度。 　　根据感受野等级假设，我们在视觉显著性检测中将一组由小到大等级排列的感受野模板作为不同层次的视觉显著性检测单元。对于图像中一个给定的空间位置，以其为中心通过这些感受野模板来计算该空间位置上不同层次的视觉显著度数值，然后从中找到最大的一个值，将它对应的感受野模板的中心区尺度确定为给定位置上的目标区域的空间尺度。 　　此公式对于非重叠区域同样适用。 　　3）根据感受野模板尺度与检测步长、图像分辨率的关系。 　　为了排除不必要的计算，我们通过多尺度网格实现了多分辨率下的快速检测。对原始图像进行多个尺度上的网格划分，得到一组多分辨率图像。对于同一个感受野模板来说，它在低分辨率图像中的实际尺度就要大于在高分辨率图像中的实际尺度；检测步长在低分辨率图像中的实际尺度也要大于在高分辨率图像中的实际尺度。 　　8）转向6）。 　　9）此时，在SS中存储的就是每个像素点上的目标区域尺度S，而VV中存储的就是相应的视觉显著度V，通过公式（2）处理目标区域之间的重叠现象，得到视觉显著性检测结果u，对u进行归一化后输出。 　　3 试验结果 　　为了检验上述算法的实际应用效果，我们在包括遥感图像、人脸图像和自然场景图像在内的各类真实图像上进行了大量试验，取得了较为满意的效果。 　　4 讨论与展望 　　本文提出的基于感受野的视觉显著性检测算法将心理学和生理学的相关成果与多种图像分析技术有机的结合起来，调整了对视觉显著性的定义，使检测结果更加符合人类视觉感知，同时引入了多分辨率技术，使算法运算速度大大加快。该方法在真实的遥感图像和自然场景图像上的成功应用说明了其广泛的应用前景。当然，该算法还存在一些尚未解决的问题，包括感受野的形状、特征选择、信息反馈等。 　　参考文献 　　[1]赵彦明，季圣杰.基于图像自身复杂视觉信息的特征提取算法与应用[J].计算机科