一種基于改進(jìn)直方圖均衡化的顯著圖提取算法

羅 強(qiáng)，吳俊峰，于 紅，孫建偉，張美玲

1(大連海洋大學(xué) 信息工程學(xué)院，遼寧 大連 116023)2(遼寧省海洋信息技術(shù)重點(diǎn)實(shí)驗(yàn)室，遼寧 大連 116023)

1 引 言

隨著計(jì)算機(jī)視覺(jué)技術(shù)的發(fā)展，圖像的視覺(jué)顯著性檢測(cè)在圖像分割、圖像目標(biāo)提取、自適應(yīng)圖像壓縮和編碼、圖像檢索等領(lǐng)域得到了廣泛的應(yīng)用，已經(jīng)成為計(jì)算機(jī)視覺(jué)領(lǐng)域中的研究熱點(diǎn)之一，并引起了許多專(zhuān)家、學(xué)者們的廣泛關(guān)注[1，2].目前比較常用的顯著性檢測(cè)方法可分為兩類(lèi)[3]：一類(lèi)是根據(jù)圖像自身的特性來(lái)提取顯著性區(qū)域，從局部特征出發(fā)，計(jì)算特征和背景平均值的差異，如果差異大，或者出現(xiàn)的頻率小，則說(shuō)明該特征比較顯著[4，5]；另一類(lèi)是從已有的先驗(yàn)知識(shí)出發(fā)，針對(duì)特定物體的識(shí)別，具體來(lái)說(shuō)就是把圖像或幾何物體搜集起來(lái)作為一個(gè)整體數(shù)據(jù)，然后從整體數(shù)據(jù)中來(lái)度量特定物體的顯著性[6].

在從局部特征出發(fā)的顯著性檢測(cè)算法中，比較具有代表性的是Cheng等提出的基于直方圖對(duì)比度的HC算法，該方法對(duì)顏色信息進(jìn)行提取，根據(jù)像素與其他像素的色彩差異來(lái)分配顯著值，并產(chǎn)生具有全分辨率的顯著性圖像，應(yīng)用于處理普通的自然景象，對(duì)于處理紋理清晰的圖像效果不夠理想[7]；Stas Goferman等提出的CA算法(即Goferman算法)具有與其他顯著圖不一樣的觀點(diǎn)，作者認(rèn)為顯著圖可以代表整幅圖像，該算法根據(jù)局部底層信息、全局信息以及目標(biāo)位置等高級(jí)特征來(lái)確定顯著區(qū)域[8]；RanMargolin等提出基于主成分分析的PCA顯著性提取算法，綜合考慮了顏色差異和模式差異，并對(duì)兩者進(jìn)行了有效結(jié)合，取得了較好的效果[9]；度量顯著性的另一類(lèi)算法是以人類(lèi)先驗(yàn)知識(shí)為指導(dǎo)，針對(duì)特定物體的識(shí)別比較有效，但依賴(lài)于特征數(shù)據(jù)庫(kù)的建立，在人臉識(shí)別和車(chē)輛匹配等領(lǐng)域中得到了廣泛的應(yīng)用.

在復(fù)雜環(huán)境下(比如夜晚、水下等環(huán)境中)采集到的圖像往往存在偏暗、低對(duì)比度等問(wèn)題，對(duì)于這類(lèi)圖像的顯著性圖提取問(wèn)題，上述方法雖然可以提取出顯著區(qū)域，但由于圖像本身的特點(diǎn)，提取出的顯著區(qū)域通常會(huì)遺失掉圖像的某些信息，同時(shí)因圖像的模糊不清容易將非顯著區(qū)域錯(cuò)誤歸納到顯著區(qū)域中，給圖像的顯著性提取帶來(lái)麻煩[10，11].對(duì)于此類(lèi)圖像，提高其亮度和對(duì)比度是解決問(wèn)題的關(guān)鍵.目前現(xiàn)有的提高圖像對(duì)比度的方法有基于圖像特征的方法和基于圖像視覺(jué)效果的方法以及基于圖像增強(qiáng)所用理論的方法[12]，其中基于圖像特征的方法就是現(xiàn)在比較常用的直方圖均衡化方法[13]；基于圖像視覺(jué)效果的方法常采用Retinex算法，但由于該算法受多尺度卷積運(yùn)算的影響，運(yùn)算復(fù)雜度偏高，在實(shí)際運(yùn)用中存在一定的局限性[14]；基于圖像增強(qiáng)所用理論的方法將數(shù)學(xué)理論運(yùn)用于圖像處理技術(shù)中，但由于其不考慮圖像采集的過(guò)程，對(duì)于不同環(huán)境下采集到的圖像并不是都能取得好的效果[15].綜上所述，直方圖均衡化方法在改善圖像質(zhì)量、提高圖像對(duì)比度方面取得了很好的效果，因此本文也采用直方圖均衡化方法來(lái)改善此類(lèi)圖像質(zhì)量，現(xiàn)有的直方圖均衡化方法已經(jīng)對(duì)傳統(tǒng)直方圖均衡化方法存在的灰度“吞噬”、增強(qiáng)后圖像存在的過(guò)暗、曝光過(guò)度、輪廓不清晰等問(wèn)題進(jìn)行了不同程度的改進(jìn)[16-19].但是由于直方圖均衡化本身的不適定性，雖然已有諸多典型算法，但并不存在一個(gè)通用算法，還需要具體問(wèn)題具體分析，因此針對(duì)本文圖像的特點(diǎn)，提出了一種改進(jìn)的直方圖均衡化方法.

本文的結(jié)構(gòu)是這樣安排的：第二部分介紹了基于傳統(tǒng)直方圖均衡化的顯著性提取算法；第三部分闡述了基于改進(jìn)的直方圖均衡化的顯著性提取算法；第四部分進(jìn)行了實(shí)驗(yàn)，并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行了分析；第五部分對(duì)整篇論文進(jìn)行了總結(jié).

2 基于傳統(tǒng)直方圖均衡化的顯著性提取方法

傳統(tǒng)的直方圖均衡化方法的基本原理是根據(jù)輸入圖像的灰度概率密度函數(shù)確定映射函數(shù)，使得輸出圖像的直方圖呈現(xiàn)均勻分布，對(duì)比度得到增強(qiáng).在像素映射過(guò)程中，要保證原來(lái)的大小關(guān)系不變，較亮的區(qū)域依舊較亮，較暗的區(qū)域依舊較暗，且映射函數(shù)的值域要控制在0到255之間，不能越界，所以直方圖均衡化方法采用累積分布函數(shù)對(duì)灰度值進(jìn)行“調(diào)整”以實(shí)現(xiàn)對(duì)比度的提高，公式如下：

(1)

其中Sk為映射后的灰度級(jí)累積概率密度，nj為j灰度級(jí)出現(xiàn)的個(gè)數(shù)，N為像素總個(gè)數(shù)，L為最大灰度級(jí).通過(guò)輸入圖像獲得各灰度值的累積概率密度以后，傳統(tǒng)的直方圖均衡化方法將該累積概率密度乘以(0-255)得到均衡化后的灰度值映射，這樣就實(shí)現(xiàn)了圖像的直方圖均衡化.

由于本文采集圖像偏暗、低對(duì)比度的特點(diǎn)，其直方圖分布普遍存在高峰，且像素集中于部分灰度級(jí)區(qū)域.通過(guò)使用直方圖均衡化方法，對(duì)圖像中像素個(gè)數(shù)多的灰度級(jí)進(jìn)行了展寬，使得圖像的直方圖呈現(xiàn)均勻分布，圖像像素占有更多的灰度級(jí)，提高了對(duì)比度和灰度色調(diào)的變化，然后把灰度圖的直方圖均衡化結(jié)果加到HSV彩色通道的V(明度)通道上，以實(shí)現(xiàn)彩色偏暗圖像的直方圖均衡化.

綜上所述，進(jìn)行了直方圖均衡化后圖像的對(duì)比度得到了提升，顏色差異得到了增強(qiáng)，然后將傳統(tǒng)的直方圖均衡化方法應(yīng)用到顯著性提取算法中，本文采用的是基于主成分分析(PCA)的顯著性提取算法，該算法將顏色差異和模式差異相結(jié)合來(lái)得到顯著圖，公式如下：

S(px)=P(px)·C(px)·G(px)

(2)

公式中：px——圖像小塊，對(duì)圖像進(jìn)行均勻裁剪得到的圖像小塊；P——模式差異，指在PCA空間下，圖像小塊在像素的統(tǒng)計(jì)分布中所體現(xiàn)的差異值；C——顏色差異，圖像小塊在LAB空間中的與其他小塊的差異；G——高斯加權(quán)，σ=10000為經(jīng)驗(yàn)值，m為顯著圖質(zhì)心.

此方法將模式差異和顏色差異綜合考慮且采用主成分分析的方法來(lái)提取顯著圖(PCAS)，有效地避免了傳統(tǒng)的K近鄰算法所帶來(lái)的誤差.而且將模式差異和顏色差異結(jié)合使用可以較好的避免背景對(duì)前景的干擾.

通過(guò)引言分析我們可以看出，圖像的顯著性是通過(guò)計(jì)算特征和背景的差異性來(lái)分辨的，也就是說(shuō)，差異性越大，就越容易識(shí)別出顯著區(qū)域，而對(duì)比度就是我們這里提到的差異性，對(duì)比度提高，圖像的目標(biāo)區(qū)域更顯著，對(duì)于我們提取圖像的顯著性會(huì)提供很大的幫助.

3 基于改進(jìn)直方圖均衡化的顯著性提取方法

傳統(tǒng)的直方圖均衡化方法對(duì)要處理的數(shù)據(jù)不加選擇，且對(duì)于本文圖像直方圖存在的高峰問(wèn)題，均衡化后的直方圖灰度級(jí)差異過(guò)大或過(guò)小，對(duì)比度會(huì)不自然的過(guò)分增強(qiáng)，造成圖像的失真.所以本文對(duì)傳統(tǒng)的直方圖均衡化方法進(jìn)行了改進(jìn).

3.1 改進(jìn)的基于全局的累積概率密度函數(shù)

公式如下：

(3)

其中，nj為j灰度級(jí)出現(xiàn)的個(gè)數(shù)，N為像素總個(gè)數(shù)，Sk為映射后的灰度級(jí)累積概率密度，k為輸入圖像的最大灰度級(jí).

通過(guò)公式可以看出，該映射函數(shù)可以有效地將累積概率密度控制在0.5左右，通過(guò)這樣處理能夠?qū)Ψ植疾町惔蟮幕叶燃?jí)進(jìn)行抑制，對(duì)分布差異小的灰度級(jí)進(jìn)行保留，并且具有一定的灰度級(jí)壓縮能力，使得灰度分布更加均衡.

此方法在提高對(duì)比度的同時(shí)也保證了圖像質(zhì)量，雖然對(duì)比傳統(tǒng)直方圖均衡化方法會(huì)在一定程度上限制圖像的差異性，但是可以有效避免圖像的失真，不會(huì)造成過(guò)度曝光以及對(duì)比度不自然的過(guò)分增強(qiáng)的問(wèn)題.

3.2 基于局部特征的函數(shù)

傳統(tǒng)直方圖均衡化方法對(duì)圖像的盲目處理也會(huì)帶來(lái)直方圖灰度級(jí)的損失，從而造成圖像細(xì)節(jié)信息丟失，目標(biāo)區(qū)域輪廓模糊，給顯著性提取帶來(lái)困擾.所以，又考慮了基于局部的映射函數(shù)，公式如下：

(4)

Ave為m×n大小的窗口內(nèi)的像素平均值.

Dif(xi，j)=(xi，j-Ave)

(5)

其中xi，j為圖像中的像素灰度，Ave為該像素局部區(qū)域的平均值，Dif(xi，j)為該局部區(qū)域內(nèi)原像素灰度值與平均值的差值，用以表達(dá)細(xì)節(jié)信息.

通過(guò)公式可以看出，局部均衡化公式可以保留并突出細(xì)節(jié)信息，實(shí)現(xiàn)細(xì)節(jié)增強(qiáng)，但是這種方法只起到窗內(nèi)局部對(duì)比度增強(qiáng)作用，并沒(méi)有調(diào)節(jié)整幅圖像動(dòng)態(tài)范圍的效果.基于局部特征的直方圖均衡化方法對(duì)于保留圖像的細(xì)節(jié)信息有著至關(guān)重要的作用，對(duì)于顯著區(qū)域的輪廓紋理特征進(jìn)行了很好地加強(qiáng)，使得圖像更加清晰，顯著區(qū)域更加突出.

3.3 EBCHE算法

本文采用3.1、3.2提到的兩種改進(jìn)函數(shù)結(jié)合的EBCHE(Enhance Brightness and Contrast Histogram Equalization)算法.

局部對(duì)比度增強(qiáng)法能強(qiáng)化局部圖像細(xì)節(jié)，不能改善整幅圖像動(dòng)態(tài)范圍，而直方圖均衡法雖能改善整幅圖像的動(dòng)態(tài)范圍但是以犧牲圖像細(xì)節(jié)為代價(jià).因此考慮將這兩種方法結(jié)合起來(lái)，從而彌補(bǔ)各自的不足.

f(xi，j)=w1·Sk+w2·Dif(xi，j)

(6)

其中，f(xi，j)為灰度映射函數(shù)，w1，w2為權(quán)重.不同的權(quán)重對(duì)全局和局部的側(cè)重會(huì)有所不同，針對(duì)本文圖像數(shù)據(jù)的特殊性，采用不同參數(shù)對(duì)進(jìn)行實(shí)驗(yàn)，結(jié)果證明權(quán)重取值0.5效果最佳，即：w1=w2=0.5.

隨后將改進(jìn)的直方圖均衡化方法和顯著性提取方法結(jié)合使用，針對(duì)自然場(chǎng)景下偏暗、低對(duì)比度的圖像進(jìn)行顯著性提取.公式如下：

Sc(px)=f(xi，j)·S(px)

(7)

通過(guò)改進(jìn)的直方圖均衡化方法對(duì)所采集數(shù)據(jù)直方圖進(jìn)行基于全局和局部的均衡化處理，有效地提高圖像的亮度和對(duì)比度，使得圖像的質(zhì)量得到提高，目標(biāo)區(qū)域更加清晰明確.然后將該方法和Ran Margolin等人提出的基于主成分分析的顯著性提取算法結(jié)合使用.經(jīng)過(guò)改進(jìn)直方圖均衡化方法處理過(guò)的圖像，目標(biāo)對(duì)象更為突出，我們?cè)賹?duì)其進(jìn)行顯著性提取.

4 實(shí)驗(yàn)及結(jié)果分析

為了驗(yàn)證算法的有效性，我們?cè)趙indows7系統(tǒng)下使用Matlab2012b進(jìn)行實(shí)驗(yàn).實(shí)驗(yàn)環(huán)境的硬件配置為：Intel(R)Core i3-4150 CPU 3.5GHz處理器，4.00GB內(nèi)存.

圖1 ASD1000數(shù)據(jù)集圖片示例Fig.1 ASD1000 picture sample data set

圖2 LEB數(shù)據(jù)集圖片示例Fig.2 LBE picture sample data set

本文采用在ASD1000[21]數(shù)據(jù)集和實(shí)驗(yàn)室收集建立的含有300多幅特定圖片的LBE數(shù)據(jù)集上驗(yàn)證了算法的有效性.ASD1000數(shù)據(jù)集是由MSRA中的1000幅圖片組成，而MSRA數(shù)據(jù)集是被9個(gè)不同的人標(biāo)注且包含5000幅圖片的數(shù)據(jù)集，也是目前做顯著性檢測(cè)最大的數(shù)據(jù)集.數(shù)據(jù)示例如圖1所示.LBE數(shù)據(jù)集是由大連海洋大學(xué)圖像處理研究組搜集并建立，共包含307幅不同場(chǎng)景下偏暗、低對(duì)比度的圖片，數(shù)據(jù)示例如圖2所示.

本文采用AUC(Area-Under-The-Curve)作為評(píng)價(jià)指標(biāo)來(lái)評(píng)估所提算法在兩類(lèi)數(shù)據(jù)集上的魯棒性和準(zhǔn)確性.

分別進(jìn)行了3個(gè)實(shí)驗(yàn)：

1)傳統(tǒng)直方圖均衡化方法和改進(jìn)直方圖均衡化方法的對(duì)比實(shí)驗(yàn)：

圖3 直方圖均衡化方法對(duì)比圖Fig.3 Histogram equalization method contrast figure

改進(jìn)的直方圖均衡化方法：對(duì)所采集到的偏暗、低對(duì)比度的圖片進(jìn)行實(shí)驗(yàn)，通過(guò)實(shí)驗(yàn)證明了改進(jìn)的直方圖均衡化方法的有效性(如圖3)，生成原圖灰度化結(jié)果以及每種算法的均衡化結(jié)果，并對(duì)相應(yīng)的灰度直方圖進(jìn)行評(píng)價(jià).人眼觀測(cè)到的均衡化的效果(視覺(jué)感受)，以及灰度直方圖均勻程度(分布越均勻則均衡化效果越好)，灰度級(jí)的損失程度(損失程度越大證明均衡化效果對(duì)細(xì)節(jié)的丟失越大).

圖4 顯著性提取結(jié)果對(duì)比圖Fig.4 Saliency detection result contrast figure

通過(guò)實(shí)驗(yàn)結(jié)果可以看出，采用本文所提算法對(duì)圖像進(jìn)行處理，圖片的亮度得到了明顯提升，且其對(duì)應(yīng)的灰度直方圖也不是單純的均衡化，而是從整體和局部綜合考量，既從全局特征出發(fā)對(duì)整幅圖像進(jìn)行了直方圖的均衡化，同時(shí)又避免了細(xì)節(jié)信息的丟失，因此對(duì)圖像質(zhì)量的提升取得了很好的效果.

2)基于傳統(tǒng)直方圖均衡化顯著性提取結(jié)果和基于改進(jìn)直方圖均衡化顯著性提取結(jié)果對(duì)比實(shí)驗(yàn)如圖4所示.

通過(guò)應(yīng)用Ran Margolin等人提出的基于主成分分析的顯著性提取算法對(duì)改善后的圖片進(jìn)行顯著性提取，比較于對(duì)原圖直接進(jìn)行顯著性提取以及基于傳統(tǒng)直方圖均衡化方法的顯著性提取效果有明顯提升.

通過(guò)實(shí)驗(yàn)結(jié)果可以看出采用本文改進(jìn)算法處理過(guò)的圖像質(zhì)量從亮度和細(xì)節(jié)信息上要明顯高于傳統(tǒng)HE算法處理過(guò)的圖像，并且在進(jìn)行顯著性提取時(shí)，改進(jìn)算法的顯著性提取結(jié)果明顯更接近于標(biāo)注過(guò)的真實(shí)數(shù)據(jù)(Ground Truth)，且提取出的顯著區(qū)域信息更加完整.

3)對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行指標(biāo)測(cè)試：

同時(shí)，我們還進(jìn)行了AUC(Area-Under-The-Curve)指標(biāo)測(cè)試，如圖5-圖8所示.

圖5 PCAS算法在ASD1000上提取結(jié)果 圖6 PCAS算法在LBE上提取結(jié)果

圖7 BSCA算法在ASD1000上提取結(jié)果 圖8 BSCA算法在LBE上提取結(jié)果

我們還使用了Yao Qin等人提出的BSCA顯著性提取算法[20]來(lái)驗(yàn)證算法的有效性，通過(guò)AUC實(shí)驗(yàn)結(jié)果圖可以看出，在ASD1000數(shù)據(jù)集上原圖的顯著性提取效果要稍好于改進(jìn)算法處理的顯著性提取結(jié)果，但在實(shí)驗(yàn)室建立的LBE小型數(shù)據(jù)集上，算法的有效性還是得到了很好地驗(yàn)證，原因在于算法的自適應(yīng)性能較差，針對(duì)PCAS算法設(shè)計(jì)的改進(jìn)的直方圖均衡化算法并沒(méi)有很好地契合所有的顯著性提取算法，只是針對(duì)偏暗、低對(duì)比度等特點(diǎn)顯著的圖像效果更加明顯，這是該算法還有待于改進(jìn)的地方.

5 總 結(jié)

首先通過(guò)實(shí)驗(yàn)證明了本文所提方法的有效性，針對(duì)特定的應(yīng)用環(huán)境，即自然場(chǎng)景下偏暗、低對(duì)比度等低質(zhì)量圖像，在原有傳統(tǒng)直方圖均衡化算法的基礎(chǔ)上進(jìn)一步改進(jìn)，找到了適應(yīng)性和魯棒性更強(qiáng)的直方圖均衡化方法，并將此方法首次應(yīng)用于顯著性檢測(cè)這一新興領(lǐng)域，為直方圖均衡化方法及圖像的顯著性檢測(cè)提供了新的思路.

但與此同時(shí)，我們也看到了此方法的局限性.首先此方法只針對(duì)符合條件的特定數(shù)據(jù)效果明顯，對(duì)于自然場(chǎng)景下的正常圖片效果提升一般，后續(xù)的研究工作還需跟進(jìn)；同時(shí)有關(guān)此類(lèi)特定環(huán)境條件下的數(shù)據(jù)集稀少，有待于進(jìn)一步擴(kuò)充與完善.

：

[1] Bulthoff H H，Lee S W，Poggio T，et al.Biologically motivated computer vision[M].New York ：Springer Publishing Company，2003：150-159.

[2] Toet A.Computational versus psychophysical bottom-up image saliency：a comparative evaluation study[J].IEEE Transactions on Software Engineering，2011，33(11)：2131-2146.

[3] Wang Hong-yan，Gao Shang-bing.Saliency detection based on fusion of global and local features[J].Journal of Data Acquisition and Processing，2014，29(5)：801-808.

[4] Ma Y F，Zhang H J.Contrast-based image attention analysis by using fuzzy growing[C].Eleventh ACM International Conference on Multimedia，Berkeley，Ca，Usa，November，DBLP，2003：374-381.

[5] Li Ce，Hu Ya-ling，Cao Jie.Hypercomplex visual saliency detection algorithm based on Log-Gabor[J].Computer Engineering，2012，38(7)：148-151.

[6] Wu Y，Shen X.A unified approach to salient object detection via low rank matrix recovery[C].Computer Vision and Pattern Recognition，IEEE，2012：853-860.

[7] Margolin R，Tal A，Zelnik-Manor L.What makes a patch distinct?[C].Computer Vision and Pattern Recognition，IEEE，2013：1139-1146.

[8] Goferman S，Zelnikmanor L，Tal A.Context-aware saliency detection[J].IEEE Transactions on Software Engineering，2012，34(10)：1915-1926.

[9] Torres-Méndez L A，Dudek G.Color correction of underwater images for aquatic robot inspection[M].Energy Minimization Methods in Computer Vision and Pattern Recognition，Springer Berlin Heidelberg，2005：60-73.

[10] Cheng M M，Zhang G X，Mitra N J，et al.Global contrast based salient region detection[C].Computer Vision and Pattern Recognition，IEEE，2015：409-416.

[11] Hou X，Zhang L.Saliency detection：a spectral residual approach[C].Computer Vision and Pattern Recognition，CVPR′07，IEEE Conference on.IEEE，2007：1-8.

[12] Wang Jun-ping，Li Jin.Development and prospect of image contrast enhancement[J].Electronic Technology，2013,26(5)：937-940.

[13] Gonzalez R C，Wintz P.Digital image processing[M].Publishing House of Electronics Industry，2007.

[14]Jobson D J，Rahman Z，Woodell G A.Properties and performance of a center/surround retinex[J].IEEE Transactions on Image Processing A Publication of the IEEE Signal Processing Society，1997，6(3)：451-462.

[15] Niu He-ming，Chen Xiang-jun，Zhang Jian-xun.Image contrast enhancement based on wavelet transform and unsharp masking[J].High Technology Letters，2011，21(6)：600-606.

[16]Hu Dian-hai，Lv Xu-liang，Wen Liu-qiang.Image enhancement method using improved histogram equalization[J].Electro-optic Technology Application，2012，27(3)：65-68.

[17] Yang H，Wang J.Color image contrast enhancement by co-occurrence histogram equalization and dark channel prior[C].International Congress on Image and Signal Processing，IEEE，2010：659-663.

[18] Yang F，Wu J.An improved image contrast enhancement in multiple-peak images based on histogram equalization[C].International Conference on Computer Design and Applications，IEEE，2010：346-349.

[19] Chauhan R，Bhadoria S S.An improved image contrast enhancement based on histogram equalization and brightness preserving weight clustering histogram equalization[C].International Conference on Communication Systems and Network Technologies，IEEE，2011：597-600.

[20] Qin Y，Lu H，Xu Y，et al.Saliency detection via cellular automata[C].IEEE Conference on Computer Vision and Pattern Recognition，IEEE，2015：110-119.

[21]Achanta R，Hemami S，Estrada F，et al.Frequency-tuned salient region detection[C].Computer Vision and Pattern Recognition，2009：1597-1604.

附中文參考文獻(xiàn)：

[3] 王紅艷，高尚兵.基于全局和局部特征融合的顯著性提取方法[J].數(shù)據(jù)采集與處理，2014，29(5)：801-808.

[5] 李 策，虎亞玲，曹 潔，等.基于對(duì)數(shù)Gabor的超復(fù)數(shù)視覺(jué)顯著性檢測(cè)算法[J].計(jì)算機(jī)工程，2012，38(7)：148-151.

[12] 王俊平，李 錦.圖像對(duì)比度增強(qiáng)研究的進(jìn)展[J].電子科技，2013，26(5)：937-940.

[15] 牛和明，陳祥軍，張建勛，等.基于小波變換與反銳化掩模的圖像對(duì)比度增強(qiáng)[J].高技術(shù)通訊，2011，21(6)：600-606.

[16] 扈佃海，呂緒良，文劉強(qiáng).一種改進(jìn)的直方圖均衡化圖像增強(qiáng)方法[J].光電技術(shù)應(yīng)用，2012，27(3)：65-68.