摘 要： 基于Itti模型，提出了一種改進的模型來提取圖像顯著區(qū)域，采用Itti方法提取圖像的亮度、朝向特征顯著圖，在此基礎(chǔ)上，將圖像的頻域特征融入到圖像的顏色特征提取中，并且加入圖像的輪廊特征提取，避免了Itti模型提取特征時沒有明顯的輪廊邊界的現(xiàn)象。在顯著圖的合并階段，采用局部迭代法取代直接相加的合并方式。此模型與Itti模型相比，提取的顯著圖效果更加明顯。
關(guān)鍵詞： Itti模型；顯著圖；頻域特征；局部迭代法
0 引言
當(dāng)人們看到一副圖像時，首先將注意力集中在視覺上感興趣的區(qū)域，其中圖片的主要信息最能引起人們的注意，這樣的區(qū)域就被稱為顯著區(qū)域。顯著特征圖是一個表征圖像視覺關(guān)注區(qū)域的二維分布，如果也將它看成圖像，那么灰度值越大則表示該區(qū)域的顯著性越強，灰度的局部最大值即為圖像的顯著特征點[1]。
視覺注意機制[2]是依據(jù)視覺心理學(xué)等領(lǐng)域的研究結(jié)果，仿照人的視覺生理結(jié)構(gòu)建立起計算模型，模擬自底向上（bottom-up）的低級視覺方式找出圖像中容易吸引人注意的區(qū)域。目前在這方面比較有代表性的是Itti模型[3]。
本文提出一種改進的模型，在提取顏色、亮度、朝向特征基礎(chǔ)上，提取圖像的輪廊特征，共同融合為最終的圖像顯著圖；特征顯著圖[4]的合并采用局部迭代取代直接的線性相加，能夠更好地抑制目標之外區(qū)域。
1 Itti模型
Itti模型首先對輸入的圖像在9個尺度上進行非均勻采樣，然后通過高斯金字塔和center-surround算子進行局部視覺反差的計算，提取出亮度、顏色和朝向特征，通過多尺度的合并以及歸一化得到三個特征的顯著圖，再對得到的三幅特征顯著圖進行線性融合，得到綜合的視覺顯著圖[5]。Itti模型的基本框圖如圖1所示。
1.1 初級視覺特征的提取
在Itti模型中，用I表示輸入的圖像，r、g、b表示紅綠藍三種顏色，紅、綠、藍、黃四個顏色通道分別用R、G、B、Y來表示。
R=r-（b+g）/2（1）
G=g-（r+b）/2（2）
B=b-（r+g）/2（3）
Y=（r+g）/2-|r-g|/2-b（4）
計算紅色對抗對RG和藍黃色對抗對BY這兩組顏色對：
RG=|R-G|（5）
BY=|B-Y|（6）
Itti模型提取亮度特征：
I=（r+g+b）/3（7）
Gabor函數(shù)有很好的方向選擇性，對自然圖像中朝向特征的提取采用Gabor濾波器較為合適。
1.2 顯著圖的生成
顯著圖計算方法如下：
利用中心c和周邊s的高斯差分DOG計算圖像的特征顯著度。
用符號表示中央c和周邊s差計算，亮度特征圖、顏色特征圖和朝向特征圖分別用I、C和O來表示。
亮度特征圖：I（c，s）=|I（c）I（s）|（10）
顏色特征圖：
RG（c，s）=|（R（c）-G（c））（G（s）-R（s））|（11）
BY（c，s）=|（B（c）-Y（c））（Y（s）-B（s））|（12）
朝向特征圖：
將得到的特征圖通過歸一化、降采樣和層間相加操作可以得到三個特征顯著圖，最終線性加權(quán)融合這三個特征的顯著圖而生成總的顯著圖。
2 算法的改進
2.1 融合輪廊特征
由于Itti模型提取的圖像特征是顏色、亮度、朝向特征，因此Itti模型提取出來的顯著圖邊緣信息不明顯，而一幅圖像最能吸引人類視覺注意的是其邊緣信息，本文在Itti模型的特征部分加入了圖像的輪廊特征。圖像梯度信息可以有效地表現(xiàn)圖像邊緣情況[6]，Sobel算子可以檢測水平和垂直方向的梯度，本文采用Sobel算子進行邊緣提取，那么輪廊特征可以表示為：
S（c，s）=|S（c）·S（s）|（14）
把特征圖合并得到輪廊顯著圖：
2.2 顏色特征的提取
本文提取圖像中的高頻部分作為圖像的顯著區(qū)域，采取提取高頻、濾掉低頻作為顏色顯著圖的提取方法[7]。利用顏色特征的中央-周邊算子來得到顯著圖，用W、H來表示輸入圖像I的寬度和高度，則顯著圖S可表示為：
S（x，y）=‖I-Iwhc（x，y）‖（16）
其中，I為圖像像素值的算術(shù)平均；Iwhc為原始圖像經(jīng)過高斯模糊得到的，高斯模糊的目的是為了避免噪音的影響，‖‖代表歐式距離。圖2為顏色顯著圖對比。
由圖2可見，采用頻域信息提取的顏色顯著圖亮度更明顯，更加清晰。
2.3 多特征顯著圖的合并
本文采用局部迭代法代替Itti中的直接相加的合并方式，局部迭代法是引入高斯差分函數(shù)和偏置常量進行迭代，迭代過程是先將各個顯著圖歸一化到同一個范圍內(nèi)，再與高斯差分函數(shù)進行卷積，采用局部迭代法產(chǎn)生的最終顯著圖更接近稀疏分布，這樣目標之外的背景區(qū)域得到了更好的抑制。
局部迭代的具體計算如下：
M=?M+M*DOG-C」（17）
其中，*表示卷積運算，M是歸一化后的各顯著圖，C是一個偏置。
3 實驗結(jié)果分析
本文采用MATLAB 2010a實現(xiàn)上述算法，采用的原圖片是網(wǎng)上下載的圖像處理常用圖片庫的圖片，得到的Itti模型最終顯著圖和本文算法的顯著圖如圖3所示。
由實驗結(jié)果看出，本文算法提取的顯著圖有明顯的邊界，克服了Itti模型容易丟失邊緣信息的缺點。從運行時間上來看，本文算法在顏色特征提取處提高了效率，本文的方法平均耗時2.624 00 s，Itti算法平均耗時2.687 00 s，本文算法的運行效率與Itti算法相比有所提高。
4 結(jié)論
本文在視覺注意模型的基礎(chǔ)上，對Itti模型方法進行了改進，生成各特征顯著圖時加入了輪廊特征，顏色顯著圖生成時采用了頻域特性取代Itti模型，減少了計算的復(fù)雜度。在特征顯著圖的合并過程中，采用局部迭代法代替直接線性相加的方式，這樣避免了不同特征圖之間顯著性互相抵消的情況，具有更強的魯棒性。實驗表明，本文算法能夠較好地實現(xiàn)顯著圖的提取。
參考文獻
[1] Hou Xiaodi， Zhang Liqing. Saliency detection： a spectral residual approach[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， Minneapolis， Minnesota， USA， 2007： 1-8.
[2] 陳嘉威.視覺注意的研究及其應(yīng)用[D].廈門：廈門大學(xué)，2009.
[3] ITTI L， KOCH C. Computational modeling of visual attention[J]. Nature Reviews Neuroscience，2001，2（3）：194-203.
[4] 李毅泉.基于注意力機制的顯著區(qū)域提取研究和實現(xiàn)[D].北京：北京交通大學(xué)，2007.
[5] 單列.視覺注意機制的若干關(guān)鍵技術(shù)及其應(yīng)用研究[D].合肥：中國科學(xué)技術(shù)大學(xué)，2008.
[6] 彭素靜.基于視覺感知機理的顯著區(qū)域研究[D].重慶：重慶大學(xué)，2009.
[7] 付榮.基于活動輪廓模型和顯著圖的自然圖像分割研究[D].上海：復(fù)旦大學(xué)，2010.