基于聚類與均勻分布的圖像顯著性檢測(cè)算法研究＊

宋 平，劉 恒

（西南科技大學(xué) 信息工程學(xué)院，四川 綿陽(yáng) 621010）

人類視覺(jué)系統(tǒng)對(duì)視覺(jué)場(chǎng)景中感興趣區(qū)域的抽取是一個(gè)視覺(jué)注意機(jī)制顯著性檢測(cè)的過(guò)程[1]。在圖像理解的同時(shí)若能模擬人類視覺(jué)機(jī)制提取出圖像中顯著性區(qū)域，將會(huì)很大程度上提高圖像理解的效率。目前，圖像的顯著性檢測(cè)已經(jīng)廣泛地運(yùn)用到許多計(jì)算機(jī)視覺(jué)的應(yīng)用領(lǐng)域中，如目標(biāo)檢測(cè)、場(chǎng)景渲染和視覺(jué)界面設(shè)計(jì)等。

近年來(lái)，隨著研究的深入，研究者們提出了各種圖像顯著性區(qū)域檢測(cè)算法。最早的ITTI L等人[2]提出了一種模擬生物視覺(jué)注意機(jī)制的算法，目前只適用于自然圖像。針對(duì)Itti模型的不足，田明輝[3]提出一種適用于自然場(chǎng)景的視覺(jué)顯著度模型，在此基礎(chǔ)上結(jié)合模糊區(qū)域增長(zhǎng)方法進(jìn)行顯著性檢測(cè)。對(duì)于不可預(yù)知以及復(fù)雜場(chǎng)景圖像，Hou Xiaodi等[4]和 Guo Chenlei等[5]利用圖像頻域的統(tǒng)計(jì)特性 （如對(duì)數(shù)幅度和相角）來(lái)衡量圖像顯著性。GOFERMAN S等人[6]提出了一種基于上下文的顯著性檢測(cè)機(jī)制，效率比較低。黃志勇等人[7]在參考文獻(xiàn)[6]算法基礎(chǔ)上進(jìn)行改進(jìn)，提出了隨機(jī)的顯著性檢測(cè)算法，旨在提高顯著性檢測(cè)的速度。

顯著性檢測(cè)的最終結(jié)果即檢測(cè)出人們感興趣的目標(biāo)區(qū)域，而圖像的聚類分析通常依據(jù)相似性和相鄰性構(gòu)造分類器，可以將數(shù)據(jù)對(duì)象分割為不同的類。理論上，圖像聚類算法可以分割出圖像中的前景部分，而人們的感興趣區(qū)域一般也隸屬于圖像中的前景。因此，可以在進(jìn)行顯著性檢測(cè)算法之前對(duì)圖片應(yīng)用圖像聚類算法以實(shí)行粗檢測(cè)。

本文提出了一種新的基于圖像聚類與均勻分布的顯著性檢測(cè)算法。在該算法中，首先用圖像聚類算法（如K-均值聚類[8]、金字塔聚類[9]和均值漂移聚類[10]）對(duì)圖片進(jìn)行粗檢測(cè)；然后用均勻查找方法檢測(cè)出聚類后的圖像的每一層的粗糙的顯著性區(qū)域；再采用濾波方式精化粗糙的顯著性區(qū)域；最后將每層精化了的顯著性區(qū)域圖進(jìn)行合并。大量實(shí)驗(yàn)結(jié)果表明，該算法與已有方法相比，準(zhǔn)確性明顯提高，與人類視覺(jué)注意機(jī)制較為一致。

1 圖像上下文顯著性檢測(cè)原理

基于上下文的顯著性檢測(cè)機(jī)制主要依賴于兩個(gè)定理。

定理1 設(shè)兩個(gè)向量化了的圖像塊pi和pj在Lab顏色空間的歐氏距離為 dcolor（pi，pj），將其 歸一化到[0，1]范圍內(nèi)。當(dāng) dcolor（pi，pj）相對(duì)于任意的圖像塊都大時(shí)，則像素i是顯著的。

定理2 設(shè)兩個(gè)向量化了的圖像塊pi和pj所在位置之 間 的 歐 氏 距 離 為 dposition（pi，pj）， 將 其 歸 一 化 到[0，1]范圍內(nèi)。

基于定理1和定理2，兩個(gè)圖像塊的非相似性測(cè)量的方法為：

對(duì)于每一圖像塊 pi，依據(jù)式（1）找出 K個(gè)最相似的圖像塊，再根據(jù)式（2）計(jì)算每個(gè)像素顯著性值：

此種顯著性檢測(cè)方法計(jì)算量大、效率低，通常只針對(duì)于處理規(guī)格較小的圖片。參考文獻(xiàn)[7]提出了一種致力于改善檢測(cè)速度的隨機(jī)顯著性檢測(cè)算法：隨機(jī)地從圖像中選取2K個(gè)圖像塊，并且只考慮K個(gè)最相似的圖像塊；采用金字塔分層，并使用8鄰域方法對(duì)粗糙顯著性圖進(jìn)行精化。

[7]算法計(jì)算量明顯減少，但由于其算法中2K個(gè)圖像塊的隨機(jī)選取，導(dǎo)致顯著性檢測(cè)效果不太穩(wěn)定，噪聲影響較大，一些檢測(cè)結(jié)果如圖1所示。從圖1可以看出顯著性檢測(cè)效果不佳，噪聲影響較大?；诖耍疚目紤]從兩方面對(duì)其進(jìn)行改善：（1）采用均勻分布，兼顧圖像全局信息；（2）采用聚類算法進(jìn)行圖像區(qū)域顯著性聚類，提高檢測(cè)的穩(wěn)定性，避免噪聲影響。

2 基于聚類與均勻分布的顯著性檢測(cè)算法

本文算法的主要步驟是：首先利用聚類算法對(duì)輸入圖像進(jìn)行聚類，突出圖像的感興趣區(qū)域，在此基礎(chǔ)上進(jìn)行均勻采樣顯著性檢測(cè)，再用雙邊濾波對(duì)粗糙顯著性圖進(jìn)行精化。算法總體流程如圖2所示。

圖2 本文算法總體流程

算法的具體描述如下：

（1）金字塔分層

因?qū)螌訄D片進(jìn)行計(jì)算，顯著性檢測(cè)效果較差，所以有必要先對(duì)輸入圖像進(jìn)行金字塔分層。一幅圖像的金字塔[11]是一系列以金字塔狀排列的分辨率逐步降低的圖像集合，如圖3所示。金字塔底部是待處理圖像的高分辨率表示，而頂部是低分辨率的近似。當(dāng)金字塔向上層移動(dòng)時(shí)，尺寸和分辨率逐步降低。

（2）圖像聚類

圖像聚類能突出圖像的顯著性區(qū)域，去除噪聲影響，能給后續(xù)的顯著性檢測(cè)工作提供一個(gè)較好的粗測(cè)基礎(chǔ)。本文首先采用金字塔聚類、均值漂移聚類和K-均值聚類3種聚類方法對(duì)圖像進(jìn)行聚類計(jì)算。均值漂移聚類的聚類效果很明顯，能比較準(zhǔn)確地分離出前景背景，得到本文想要的圖像中的感興趣區(qū)域，因此本文選取均值漂移聚類算法對(duì)圖像進(jìn)行粗檢測(cè)。

均值漂移算法是一種基于核函數(shù)估計(jì)的無(wú)參數(shù)迭代算法，其基本原理為：設(shè)X為d維空間總體，n個(gè)對(duì)象Xi（i=1，…，n）為其樣本，則 X的核密度函數(shù)估計(jì)為：

其中，h 為帶寬，K（x）=ck（‖x‖2）為核函數(shù)。 則核密度梯度▽f（x）=0的模式點(diǎn)為：

其 中 ，g（s）=-k˙（s），第 一 項(xiàng) 正 比 于 核 函 數(shù) G（x）=cg，dg（‖x‖2）的密度估計(jì)，第二項(xiàng)為均值偏移向量。此過(guò)程通過(guò)迭代 xt+1=xt+mh（xt）實(shí)現(xiàn)。

（3）基于均勻分布的顯著性檢測(cè)

在對(duì)圖像進(jìn)行聚類后，在此基礎(chǔ)上進(jìn)行基于均勻分布的顯著性檢測(cè)。本文首先將圖像均勻地分成2K個(gè)圖像塊，然后找出每個(gè)圖像塊的質(zhì)心像素點(diǎn)，如此獲得圖片中均勻的2K個(gè)像素點(diǎn)。具體算法為：假設(shè)將一幅圖像分成2K=N×M個(gè)圖像塊，則每個(gè)圖像塊的中心像素點(diǎn)的坐標(biāo)值為：

其中，x為橫坐標(biāo)值，y縱坐標(biāo)值，w和 h分別為圖像的寬和高，n=i（i=0，…，M-1），0≤j≤2K。每當(dāng) j大于等于N的倍數(shù)時(shí)，n自增1。

本文實(shí)驗(yàn)中，設(shè)置c=3。在這2K個(gè)候選點(diǎn)之中，依據(jù)式（1）計(jì)算侯選點(diǎn)與點(diǎn) i的非相似性；之后只保留2K個(gè)像素點(diǎn)中K個(gè)相似性值最大的像素點(diǎn)，舍棄其他圖形塊；再根據(jù)式（2），利用 K個(gè)相似性值大的像素點(diǎn)計(jì)算像素i的顯著性值。由于這2K個(gè)圖像塊只是圖像中所有圖像塊中的一小部分，因此會(huì)使顯著性檢測(cè)結(jié)果存在一定的誤差，但是隨著K值的增大，即采樣數(shù)量增加，顯著性檢測(cè)結(jié)果的誤差會(huì)隨之減小，當(dāng)然這樣的代價(jià)就是實(shí)驗(yàn)速率相對(duì)緩慢。

（4）改善粗糙顯著性圖

為同時(shí)兼顧良好的實(shí)驗(yàn)效率以及較為精確的顯著性檢測(cè)結(jié)果，在均勻的顯著性檢測(cè)中，本文僅僅設(shè)定K=32。顯然，這樣一種不完全采樣行為會(huì)使檢測(cè)結(jié)果存在大量噪聲，也就是說(shuō)像素點(diǎn)的采樣量嚴(yán)重不足會(huì)給顯著性檢測(cè)帶來(lái)誤差。為解決這個(gè)問(wèn)題，本文引入了雙邊濾波器來(lái)減少噪聲。

（5）合并精化顯著性檢測(cè)圖

利用金字塔分層進(jìn)行顯著性檢測(cè)圖的合并。在第i層的坐標(biāo)p處，改善了的顯著性值為且 被 歸 一 化到了[0，1]。為了計(jì)算在第i層中合并了的顯著性值，第i-1層的粗糙顯著性圖被縮放到了與第i層中顯著性圖一致的尺寸。表示在縮放了的顯著性圖中位置 p 處的顯著性值。這樣，相鄰兩層改善后的顯著性圖的合并方法如下：

至此，合并后的顯著性圖已經(jīng)比較精細(xì)，可以用于一些基本的圖像應(yīng)用。

3 實(shí)驗(yàn)結(jié)果分析及討論

本文使用VSC++程序設(shè)計(jì)語(yǔ)言在Windows XP系統(tǒng)環(huán)境下實(shí)現(xiàn)算法，機(jī)器硬件配置為：雙核的CPU E6300 CPU，2 GB內(nèi)存。實(shí)驗(yàn)在Achanta等人提供的公開(kāi)測(cè)試集上進(jìn)行算法測(cè)試，此測(cè)試集是此類數(shù)據(jù)最大的測(cè)試集，并且已由人工精確標(biāo)注了顯著性區(qū)域，實(shí)驗(yàn)過(guò)程中設(shè)置圖像尺寸規(guī)格為 640×480。

3.1 顯著性檢測(cè)過(guò)程中不同參數(shù)的分析比較

3.1.1 圖像聚類的實(shí)驗(yàn)結(jié)果分析

圖4是對(duì)圖像分別用3種圖像聚類方法進(jìn)行聚類后的實(shí)驗(yàn)結(jié)果。實(shí)驗(yàn)結(jié)果表明，均值漂移聚類算法得到的聚類效果中，圖像的前景和背景分離較為徹底，突出的前景與人的主觀意志最為一致，而其他兩種算法得到的聚類效果則相差太遠(yuǎn)，不利于進(jìn)行后續(xù)的顯著性檢測(cè)。本文最終選取的聚類算法為均值漂移聚類算法，其能給后續(xù)的顯著性檢測(cè)工作提供一個(gè)較為準(zhǔn)確的人們感興趣的粗檢區(qū)域。

3.1.2 選取不同均勻塊K值的實(shí)驗(yàn)結(jié)果分析

圖5和圖6表明，K的不同取值將導(dǎo)致不同的顯著性檢測(cè)質(zhì)量和檢測(cè)效率。當(dāng)K=16時(shí)，顯著性檢測(cè)質(zhì)量受噪聲影響較大，隨著K值的增大，噪聲影響逐漸減少，但作為代價(jià)，其檢測(cè)效率將逐漸降低。本實(shí)驗(yàn)取K=32，在保證圖像的顯著性檢測(cè)效率的同時(shí)保證了其顯著性檢測(cè)質(zhì)量。

3.2 本文方法與其他顯著性檢測(cè)算法的實(shí)驗(yàn)結(jié)果比較

為了分析和驗(yàn)證本文提出的基于聚類以及均勻分布的顯著性檢測(cè)算法的實(shí)際效果，本文同時(shí)采用了參考文獻(xiàn)[7]的隨機(jī)的顯著性檢測(cè)算法、參考文獻(xiàn)[6]的基于上下文的顯著性檢測(cè)算法、均勻的顯著性檢測(cè)算法、基于聚類以及隨機(jī)的顯著性檢測(cè)算法進(jìn)行比較，實(shí)驗(yàn)結(jié)果如圖7所示。

圖7表明，均勻的顯著性檢測(cè)結(jié)果與參考文獻(xiàn)[6]和參考文獻(xiàn)[7]的檢測(cè)結(jié)果相比更加精細(xì)，更加能突出感興趣區(qū)域，只是還存在少量噪聲；基于聚類的隨機(jī)的顯著性檢測(cè)結(jié)果與基于均勻分布的顯著性檢測(cè)結(jié)果相比，部分圖像最后顯示不出檢測(cè)結(jié)果，而能顯示出檢測(cè)結(jié)果的圖像與均勻的顯著性檢測(cè)結(jié)果相比，去掉了大部分噪聲，這點(diǎn)歸功于聚類算法?；诖?，本文提出的算法將聚類以及均勻分布相結(jié)合，在此基礎(chǔ)上進(jìn)行顯著性檢測(cè)。從圖7（g）可以看出，本文算法得到的顯著性檢測(cè)結(jié)果明顯優(yōu)于其他4種算法的檢測(cè)結(jié)果，在去掉了大部分噪聲的同時(shí)還能保證顯著性區(qū)域的清晰存在，較符合人類視覺(jué)注意機(jī)制。

從時(shí)間消耗這一因素來(lái)說(shuō)，本文的算法也明顯優(yōu)于參考文獻(xiàn)[6]的算法。在隨機(jī)的顯著性檢測(cè)算法以及本文算法中，圖像塊的采樣量比較少，加速了程序運(yùn)行的速度。而參考文獻(xiàn)[6]的算法是利用全部的圖像塊來(lái)進(jìn)行像素顯著性值的計(jì)算，計(jì)算效率非常低下。此外，均勻的顯著性檢測(cè)與隨機(jī)的顯著性檢測(cè)算法相比，時(shí)間消耗明顯減少許多，這是由于隨機(jī)的顯著性檢測(cè)算法中，圖像塊需要按照一定的規(guī)則去逐個(gè)尋找，這個(gè)過(guò)程需耗費(fèi)一定的時(shí)間，而均勻的顯著性檢測(cè)算法中，圖像塊是固定的，省去了查找圖像塊的時(shí)間。最終各算法的時(shí)間消耗如圖8所示。

3.3 關(guān)于顯著性檢測(cè)結(jié)果穩(wěn)定性的結(jié)果討論

顯著性檢測(cè)結(jié)果的穩(wěn)定性源于整個(gè)檢測(cè)過(guò)程中圖像聚類和圖像塊的選取方式兩個(gè)關(guān)鍵步驟。先對(duì)圖像用聚類算法進(jìn)行粗檢測(cè)，可以很好地去除圖像中的背景信息，保留前景部分中感興趣的區(qū)域；然后將圖像均勻進(jìn)行分塊，選取每個(gè)圖像塊的中心像素點(diǎn)，如此獲得2K個(gè)圖像塊，這將避免隨機(jī)的顯著性檢測(cè)中出現(xiàn)的情況，兼顧圖像的全局信息，因此其顯著性檢測(cè)結(jié)果較為穩(wěn)定。結(jié)合聚類算法能更好地去除圖像中的背景信息，加強(qiáng)了最終的檢測(cè)結(jié)果的穩(wěn)定性。本文算法與其他算法生成的顯著性結(jié)果穩(wěn)定性比較如圖9所示。

大量實(shí)驗(yàn)表明，本文提出的基于聚類以及均勻分布的顯著性檢測(cè)算法能得到一個(gè)比較準(zhǔn)確的顯著性檢測(cè)結(jié)果，與人類視覺(jué)注意機(jī)制符合程度較高，這表明本文方法存在較大的價(jià)值。在未來(lái)的工作中，將進(jìn)一步致力于研究顯著性檢測(cè)的困難問(wèn)題——背景復(fù)雜圖像的顯著性檢測(cè)算法，以進(jìn)一步獲取對(duì)圖像顯著性檢測(cè)原理的認(rèn)識(shí)。

參考文獻(xiàn)

[1]李寅.基于張量分解的視覺(jué)顯著性算法[D].上海：上海交通大學(xué)，2011.

[2]ITTI L， KOCH C， NIEBUR E.A model of saliency-based visual attention for rapid scene analysis[J].IEEE Transactions on Pattern Analysis and Machine Intelligence， 1998， 20（11）： 1254-1259.

[3]田明輝.視覺(jué)注意機(jī)制建模及其應(yīng)用研究[D].合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2010.

[4]Hou Xiaodi， Zhang Liqing.Saliency detection： a spectral residual approach[C].Proceedings of IEEE Conference on Computer Vision and Pattern Recognition， 2007： 1-8.

[5]GuoChenlei， Ma Qi， Zhang Liming.Spatio-temporal saliency detection using phase spectrum ofquaternion fourier transform[C].Proceedings of IEEE Conference on Computer Vision and Pattern Recognition， 2008： 116-124.

[6]GOFERMAN S， ZELNIK-MANOR L， TAL A.Contextaware saliency detection [C].Proceedingsofthe IEEE Conference on Computer Vision and Pattern Recognition，2010：2376-2383.

[7]黃志勇，何發(fā)智，蔡賢濤，等.一種隨機(jī)的視覺(jué)顯著性檢測(cè)算法[J].中國(guó)科學(xué)（信息科學(xué)），2011，41（7）：863-874.

[8]李翠，馮冬青.基于改進(jìn)K-均值聚類的圖像分割算法研究[J].鄭州大學(xué)學(xué)報(bào)（理學(xué)版），2011，43（1）：109-113.

[9]JAHNE B.Digital image processing （5rd ed）[M].Berlin：Springer-Verlag，2002.

[10]劉技，康曉東，賈富倉(cāng).基于圖割與均值漂移算法的脊椎骨自動(dòng)分割[J].計(jì)算機(jī)應(yīng)用，2011，31（3）：760-762.

[11]RAFAEL C G，RICHARD E W.Digital image processing（2rd ed）[M].阮秋奇， 阮宇智， 譯.New Jersey，Prentice Hall，2002.