0 引言

    顯著性可以描述為場景中的某一元素相對于同場景其他元素更加能吸引人的注意力，是人類在視覺感知的過程中總結出來的，由于人的視覺共性，使得有些元素對于不同的人來講吸引力是共同的，這些區域往往集中了最重要的信息，因此顯著性檢測在圖像處理領域顯得十分重要，主要的應用領域包括：圖像的檢索、數據壓縮、目標識別、導航定位等。目前國內外學者對這一領域進行了廣泛深入的研究，主要的研究方法有：ITTI L和KOCH C^[1]提出跨尺度周邊算子模型來進行顯著區域的檢測，主要原理是通過計算小尺度和大尺度特征差別來計算顯著性。但是該方法計算過程復雜，并且精確性不高。HARBEL J^[2]提出使用馬爾科夫鏈計算中心周邊概率，并用基于圖論的概率模型得到顯著圖，此方法的提取精度有提升，但是計算仍然復雜。GAO D^[3]通過最大值法提取中心和周邊區域中特征分布的相互信息，提取的效果較好。

1 圖像量化

    圖像的顯著性計算需要對每個像素點進行計算，那么在計算時就有256³種顏色。顏色變化范圍很小時人眼是無法準確區分的。如圖1所示，每個通道的顏色小范圍變化時，所得到的最終顏色圖的差異是不大的。每個通道的顏色變化較大時，最終所得到的圖的顏色可以觀察到明顯的變化。所以，在小范圍減少圖像中顏色數目，圖像質量會下降，但是對最終圖像的顯示影響很小，所以可以將相似的顏色量化為相同的顏色。

    定義如下：

    經過量化后的RGB空間有1 728中顏色，也就是123，很顯然自然圖像的色彩只屬于這1 728種顏色的一小部分，同時人眼也無法精確辨別這些顏色。所以就需要對圖像進行篩選，為了不影響圖片的質量，就要確保篩選出的色值能夠覆蓋大多數的像素點，對于少部分沒有覆蓋到的像素點可以用距離其最近的色值替代。

    根據式(9)、式(10)可把出現頻率比較低的顏色用最相似的顏色代替。

    經過量化后大大降低了顏色的數目，以圖2為例，量化前顏色數目為58 921，量化后的顏色數目為100，這樣就加快了圖像處理的速度。

    量化后的數據集定義為：

2 顏色空間轉換

    將圖像從RGB空間轉換到XYZ空間，轉換矩陣如下：

    轉化后得到像素帶點在XYZ空間下每個通道的色值，接著再轉換到Lab顏色空間，經過一系列的顏色空間轉換之后，顏色數據集定義為：

3 擬人視覺系統的顯著性計算

    使用GB分割算法對圖像進行分割，得到每一個小的圖像塊，相同的圖像塊可認為是一個整體，則可認為一個圖像塊中的像素點具有相同的顯著性。當兩個圖像塊距離較遠時，對人的視覺影響比較大，同理，較近時對人眼的視覺影響較小。則顯著性計算公式如下：

其中，f(c_k，j)表示圖像塊s_k中第j種顏色出現的次數。

    視覺角度來講，人眼在觀察圖像的時候首先是會集中在圖像的中心，然后再移動到顯著性區域，所以本文提出一種擬人視覺系統的顯著性計算方法，顯著性計算公式改寫如下：

其中，D_s(s_k，VF_n)表示圖像塊s_k和視覺點VF_n之間的距離。

    分割后不同的圖像塊對人眼的吸引是不同的，人在觀察圖像時最先會被中心吸引，然后才會被顯著性區域吸引，這種吸引稱為視覺引力。視覺引力的大小與像素點的顯著性和視覺點之間的距離有關，這里定義每個像素對視覺點的引力如下：

    想要獲得最終視覺點的位置，就需要計算初始的視覺點的位移偏量，由式(18)得出每個像素點在水平和垂直方向上的分力：

其中，p_x和p_y表示像素點在水平和垂直方向的坐標，VF_x、VF_y表示視覺點在水平和垂直方向的坐標。

    這里參考力學模型，所以可以理解，視覺點在視覺引力的作用下，移動的規則與力學中的規則是一致的。

    例如，如圖3 F₂的值比F₁的值大，但是他們的方向是相反的，因此視覺點就從L₁移到L₂。

    所有像素點在水平和垂直方向上分力的合力為：

    則根據式(16)可得最終的視覺點。

    算法流程如下：(1)輸入圖像，并分割得到其圖像塊集；(2)計算圖像塊集中每一個圖像塊的顯著值；(3)計算每一個像素對上一個視覺點的引力；(4)計算引力在橫坐標和縱坐標上的分力；(5)計算所有像素在橫坐標和縱坐標上分力的合力；(6)計算出視覺點移動的距離；(7)計算出新視覺點的位置；(8)重復步驟(2～7)，直到兩個視覺點的距離小于一個閾值，則可認為最終計算的視覺點為顯著性區域。

4 實驗與分析

    采用achanta圖像集，選用該圖像集的好處就是每一張圖像都對顯著區域進行了標注，有利于確認算法最終結果的準確性。對其中的圖像進行分類，選取200張顯著區域在中心的圖片，記為數據集A；選取200張顯著區域不在中心的圖片，記為數據集B。

    評價指標選用準確率和召回率，并選用目前常用的區域對比顯著性檢測方法^[4]和多尺度顯著性檢測方法^[5]同時來處理圖片，與本文方法進行對比。實驗中分別檢測數據集A和數據集B中的顯著性區域，并與人工標準的結果進行對比計算，獲得每一副圖像的準確率和召回率。

    使用實驗集A去評估3種方法的顯著性檢測結果，并計算出準確率和召回率的平均值，繪制出直方圖進行對比。

    如圖4所示，使用本文方法和區域對比法計算出的準確率和召回率要高于多尺度法，這是由于選取的數據集A中的圖片顯著性區域都位于圖片的中心，使用本文算法和區域對比法方法進行視覺焦點加權時，顯著性檢測的效果會更好，使得圖片中的顯著性區域會被準確地檢測出來。

    再使用實驗集B來評估本文算法、區域對比法、多尺度法對于顯著性區域的檢測效果。

    如圖5所示，本文算法和多尺度法的準確率和召回率比區域對比法高，這是由于數據集B中的圖片的顯著區域沒有位于圖像的中心。區域對比方法的效果較差是因為加強了中心區域，也就是非顯著性區域，而使用本文算法，由于是模擬人眼的視覺機制，可以正確找到視覺顯著區域，所以在數據集B上使用本文算法方法可以更加準確地檢測出顯著性區域。

    圖6分別表示顯著性區域在中心和不在中心的檢測結果。可以看出，區域對比方法對顯著區域不在中心的檢測效果不理想，因為其會分割出不屬于顯著區域的部分并對其效果進行增強。多尺度法對于顯著區域在中心的圖片檢測效果不理想，是因為其會導致周圍的區域顯著值過大，從而影響中心區域的顯著值。

5 結束語

    本文從人眼視覺機制角度提出了擬人視覺系統的顯著性檢測方法，首先概述了目前常見的顯著性檢測的研究方法，然后詳細闡述了本文所提算法的前提條件，也就是圖像量化和顏色篩選。從人眼視覺機制出發，提出了視覺引力的概念，并給出了詳細的計算方法，通過視覺引力計算出人眼對于圖像中的視覺點，并最終獲取到顯著性區域。通過實驗構建了兩個不同類型的數據集，通過與其他常見算法的對比證明本文所提算法的準確性要高，并證明了算法的可行性。

參考文獻

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

[2] HAREL J，KOCH C，PERONA P.Graph-based visual saliency[C].Advances in Neural Information Processing Systems，2006：545-552.

[3] GAO D，MAHADEVAN V，VASCONCELOS N.The discriminant center-surround hypothesis for bottom-up saliency[C].Advances in Neural Information Processing Systems，2007：497-504.

[4] 敖歡歡.視覺顯著性應用研究[D].合肥：中國科學技術大學，2013.

[5] 李勇.多尺度特征檢測：方法和應用研究[D].合肥：中國科學技術大學，2010.