频域图像处理.docxVIP

 人脸部位的视觉显著性研究 摘 要 图像的显著性检测是计算机视觉领域最为活跃的研究方向之一，而基于视觉注意的显著性区域检测技术在遵循人视觉显著性规律的基础上，综合利用图像的颜色、强度局部方向等特征，计算图像中各个区域的显著程度。通过对图像显著性检测频域方法的研究，在统计大量样本数据后，得到人脸部位的视觉显著性差异。 关键词：视觉显著性，显著性区域检测，人脸，统计  目 录 TOC \o 1-3 \h \z \u 1 课题背景 1 2 显著性检测方法 2 2.1 显著性检测的主要方法 2 2.2 显著性检测算法介绍 2 2.2.1 PQFT 概述 2 2.2.2 PQFT模型 2 3 图像显著性检测器 5 3.1 互补特征提取 5 3.2 滤波 5 3.3 显著性检测器测试 5 4 数据统计与分析 7 4.1 数据图像采集 7 4.2 数据统计 7 4.3 数据处理与分析 8 4.4 结论与说明 9 5、参考文献 11 创新学分论文 第PAGE 11页，共11页 1 课题背景 随着计算机性能和功能的发展，人们越来越希望计算机可以更加自主智能地完成任务。要实现这个目标，需要计算机能够理解周围的环境。人类感知外界信息的最主要方式是通过视觉，因此计算机理解周围环境的关键是具有视觉感知处理能力[1]。而图像也成为越来越重要的信息传递媒介。 由于视觉系统具有视觉注意机制，因此人类可以毫不费力地从复杂的背景中识别目标。与此对应，在计算机中，可以通过计算图像的区域显著性来高效地完成图像处理任务。由此可见，图像中最重要的部分经常集中在一些小的关键区域，即所谓的显著区域[2][3]。图像显著性检测的任务是找出图像中哪些区域更容易成为人类视觉注意的焦点，一般用显著图来表示图像的显著性，显著图中的像素值表示图像对应区域的显著程度。目前，图像显著性检测在内容传输、图像压缩、图像分割、目标识别、图像缩放、图像恢复、图像编辑等方面都有应用。 在图像检测与识别领域中，人脸识别是一个当前热门的研究方向。据统计，在2014年的中国国际社会公共安全博览会上，至少有20家企业展示了自己的人脸识别产品。同时，众多媒体也接连报道了人脸识别技术在学术界和工业界取得的巨大成果。在这些背景下，本课题采用频域显著性检测算法计算人脸样本照片的显著性区域，通过大量样本数据的统计分析，来研究人脸各个部位的显著性差异，以便更加清晰直观且更具科学依据地了解人脸的显著性特点。  2 显著性检测方法 2.1 显著性检测的主要方法 显著性检测方法有多种分类方式：按照显著模型可以分为三类： 基于低层视觉特征，代表性算法是模拟生物体视觉注意机制的选择性注意算法(Itti 算法)。 没有基于任何生物视觉原理的纯数学计算方法，如全分辨率算法(AC 算法)和基于空间频域分析的剩余谱算法(Spectral residual approach, SR)[4]。 将前两种进行融合的方法，代表性算法基于图论的算法(Graph-based visual saliency，GBVS)。 按照处理空间的不同可以分为：考虑局部特征的，如Itti 算法和GBVS 算法；和考虑整体性的，如SR 算法和IG 算法。 而在本课题中，采用一个新的显著性区域检测算法（PQFT算法）。该算法主要在频域进行处理，同时利用了空间域信息。频域处理可以非常高效地抑制重复出现的背景，而空间域信息则用于选择一个突出整个显著物体的最佳显著图。因此，该算法具有突出整个显著物体，抑制重复出现的背景和计算效率高的等特点[5]。 2.2 显著性检测算法介绍 2.2.1 PQFT 概述 PQFT（Phase Spectrum of Quaternion Fourier Transform）模型是有Guo等人在SR（Spectral Residual）算法基础上提出的，该方法通过计算图像的四元傅里叶变换的相位谱得到图像的时空显著性映射。图像中的每一个像素点都用四元组表示：颜色，亮度和运动向量。PQFT算法模型独立于先验信息，不需要参数，计算高效，实时性好[6]。 2.2.2 PQFT模型 一幅图像所包含的信息可以分解为新的信息和已知信息。新的信息就是引起注意的部分，已知信息是应该被去除的冗余信息。冗余信息是内容比较单一、反复大量出现的图像模式。根据傅里叶变换公式，某种模式出现的次数越多，其幅度谱就越集中在一些频率，呈现出尖峰形状[10]。 若一幅图像的背景是重复出现的冗余内容，而其中的显著目标非常独特。那么背景对应的幅度谱就比目标的幅度谱尖锐很多。这时，将幅度谱中冗余的背景抑制住，则显著的目标就会凸显出来。于是问题转化为去燥问题。而中值滤波