郝昕疌　崔敬敏　王曉曉

摘要：提出了一種改進(jìn)的基于區(qū)域生長的彩色圖像顯著區(qū)域提取算法。該算法在顏色梯度圖上應(yīng)用分水嶺分割算法，改進(jìn)了圖像初始分割的效果。綜合考慮分割區(qū)域的顯著度和邊界強(qiáng)度，選取恰當(dāng)?shù)姆N子區(qū)域。在區(qū)域生長時考慮分割區(qū)域間低層特征的相似性、區(qū)域是否位于物體邊界以及區(qū)域間的可合并度， 設(shè)計了三個區(qū)域可生長度評價函數(shù)。實(shí)驗(yàn)結(jié)果表明，該算法簡單、快速，且能提取出更符合人眼視覺特征的顯著區(qū)域。

關(guān)鍵詞：顯著區(qū)域；彩色分量梯度圖；分水嶺分割；區(qū)域生長；可生長度評價

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2013）08-1876-04

1 概述

圖像的顯著區(qū)域是指圖像中最能表達(dá)圖像語義的部分，提取圖像的顯著區(qū)域可以忽略圖像中不容易引起人眼興趣的次要部分，對于圖像壓縮、圖像檢索等研究都有重要意義。為了獲取圖像的顯著區(qū)域，研究人員總結(jié)出一種自底向上的區(qū)域生長方法。即先使用分水嶺等方法將圖像分成細(xì)小的子區(qū)域，再對子區(qū)域進(jìn)行篩選、合并等方法[1]以最終得到人眼感興趣的顯著區(qū)域。

為了克服傳統(tǒng)區(qū)域生長算法存在的顯著區(qū)域過生長、欠生長和空洞等缺陷，該文提出一種改進(jìn)的方法：選擇符合人眼視覺感知的顏色空間，對初始分割前的圖像計算彩色分量的梯度圖，以克服傳統(tǒng)方法利用灰度圖像進(jìn)行分割而忽略人眼對圖像的顏色感知所帶來的不足；對梯度圖利用分水嶺分割算法，將圖像預(yù)分割成子區(qū)域；綜合評價顯著度和邊界強(qiáng)度，選取得分較高的子區(qū)域作為種子區(qū)域；對得到的種子區(qū)域進(jìn)行區(qū)域生長，利用區(qū)域的低層特征和鄰域間的相互關(guān)系等多種因素決定生長的尺度和方向，得到最終的符合人眼視覺特征的顯著區(qū)域。

2 本文算法詳述

2.3 種子區(qū)域選取

分水嶺算法將圖像分割成大量子區(qū)域，為了得到圖像的顯著區(qū)域，需要選擇顯著區(qū)域所在的種子區(qū)域進(jìn)行后續(xù)的區(qū)域生長。傳統(tǒng)的選取種子區(qū)域的方法存在許多不足：衡量標(biāo)準(zhǔn)單一或標(biāo)準(zhǔn)之間不具備互補(bǔ)性，不符合人眼顯著特征[3]，設(shè)置參數(shù)過多等導(dǎo)致計算復(fù)雜度較高[4]。

本文在選取種子區(qū)域的過程中，選取兩個特征作為衡量標(biāo)準(zhǔn)——顯著度與邊界強(qiáng)度。綜合考慮這兩個特征可以較好地符合人眼顯著特征。

本文選擇RC算法是因?yàn)橛迷撍惴ǖ玫降娘@著圖用于圖像分割，不論是固定閾值二值化還是迭代應(yīng)用GrabCut[6]方法進(jìn)行顯著性物體分割，在Achanta等[7]提供的公開測試集上測試準(zhǔn)確率和召回率都能達(dá)到90%以上。

本文改進(jìn)了RC算法，將區(qū)域的顯著值進(jìn)行排序，記錄前10個顯著值最大的區(qū)域作為候選的種子區(qū)域，記錄它們的幾何中心點(diǎn)P（x，y）和顯著度值[λs]。

3 實(shí)驗(yàn)及結(jié)果討論

3.1 實(shí)驗(yàn)結(jié)果

為比較衡量本文區(qū)域生長算法的性能，將本文算法與幾種分割方法進(jìn)行了對比實(shí)驗(yàn)。這里介紹一下Achanta等[8]的Frequency-tuned（FT）顯著區(qū)域檢測算法。FT算法首先利用Mean-shift對圖像進(jìn)行初始分割，通過獲取圖像的頻率、顏色及亮度信息計算各個區(qū)域的顯著值，最后將各個區(qū)域的顯著值與整幅圖像的顯著值進(jìn)行比較，將較大于平均值的區(qū)域塊歸為顯著區(qū)域部。圖4列出了本文方法的分割結(jié)果與其他幾種方法的比較。

3.2 實(shí)驗(yàn)結(jié)果評價

為評測本文算法的有效性，我們從文獻(xiàn)[8]中獲取400幅圖像的人工分割結(jié)果（Ground Truth）作為基準(zhǔn)數(shù)據(jù)集。基準(zhǔn)數(shù)據(jù)集是經(jīng)兩個階段獲取的，首先用戶對顯著物所在區(qū)域繪制矩形框，接著再在矩形框內(nèi)人工分割出顯著物體并保存成二值圖。人工分割的二值圖能準(zhǔn)確地標(biāo)注出圖像中單個或多個顯著物體。

將基準(zhǔn)數(shù)據(jù)集中的二值圖記為G，將算法提取的顯著圖記為A，我們用準(zhǔn)確率和召回率來檢測算法的有效性。進(jìn)一步，為了更準(zhǔn)確地計算算法的平均正確率和召回率的性能，我們引入Fb測量：

4 結(jié)束語

本文提出了一種基于區(qū)域生長的彩色圖像顯著區(qū)域提取算法。首先將顏色梯度圖應(yīng)用于分水嶺算法，得到較優(yōu)的初始分割區(qū)域。之后結(jié)合RC顯著區(qū)域檢測算法與邊界強(qiáng)度信息定位最有可能符合人眼視覺特點(diǎn)的若干個種子區(qū)域。最后通過綜合考慮區(qū)域間顏色面積等低層特征的相似性、區(qū)域是否位于物體邊界以及區(qū)域間的可合并度，設(shè)計衡量函數(shù)，迭代地完成區(qū)域生長算法，得到圖像的顯著區(qū)域。實(shí)驗(yàn)結(jié)果表明，該文的方法能提取到相對于其他算法更加準(zhǔn)確、完整和空洞較少的符合人眼視覺注意機(jī)制的顯著區(qū)域。

參考文獻(xiàn)：

[1] 王艷娟，陳曉紅，鄒麗.圖像感興趣區(qū)域自動提取算法[J].科學(xué)技術(shù)與工程，2007，7（12）：2867-2871.

[2] 鄭劍鋒.基于感興趣區(qū)域的圖像分割及其在圖像檢索中的應(yīng)用[D].上海：上海交通大學(xué)，2008.

[3] Luc Vincent，Pierre Soille.Watersheds in Digital Spaces：An Efficient Algorithm Based on Immersion Simulations[J].IEEE transactions on pattern analysis and machine intelligence，1991，13（6）：583-598.

[4] Jia-Nan Wang，Jun Kong，Ying-Hua Lu，et al.A Region-Based SRG Algorithm for Color Image Segmentation[C].International Conference on Machine Learning and Cybernetics，Hong Kong，2007： 1542-1547.

[5] 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.

[6] Ming-Ming Cheng，Guo-Xin Zhang，et al.Global Contrast Based Salient Region Detection[C].IEEE Conf on Computer Vision and Pattern Recognition，2011：409-416.

[7] C. Rother，V. Kolmogorov，A. Blake.Grabcut：Interactive Foreground Extraction Using Iterated Graph Cuts[J].ACM Transactions on Graphics，2004，23（3）：309-314.

[8] R. Achanta，S. Hemami，F(xiàn). Estrada，et al.Frequency-tuned Salient Region Detection[C].IEEE Conf on Computer Vision and Pattern Recognition，2009：1597-1604.

[9] 劉友明，劉希順，等.一種基于LUB均勻顏色空間的彩色分割方法[J].微型電腦應(yīng)用，2000，16（12）：27-29.

[10] 李蘇祺，張廣軍.基于鄰接表的分水嶺變換快速區(qū)域合并算法[J].北京航空航天大學(xué)學(xué)報，2008，34（11）：1327-1330.