艦船圖像顯著性區域檢測技術研究與仿真

張亞倫楊露菁陳煜康劉樹衎

（海軍工程大學武漢430033）

艦船圖像顯著性區域檢測技術研究與仿真

張亞倫楊露菁陳煜康劉樹衎

（海軍工程大學武漢430033）

圖像顯著性區域檢測技術是圖像分析領域的重要研究內容，在艦船目標識別和紅外成像處理過程中具有重要意義。論文介紹了顯著性檢測技術中常用的五種算法：Itti算法、剩余頻譜算法、FT算法、MZ算法和AC算法，并以實際艦船圖片為例，針對每種算法進行了仿真實驗，對各種算法的檢測效果進行了比較分析。仿真結果顯示，綜合考慮處理后圖像的清晰度、抗噪性、分辨率和運算時間等性能因素，FT算法對海上艦船圖像的處理具有最好的效果。

圖像顯著性區域檢測；模式識別；Itti算法；剩余頻譜算法；FT算法；MZ方法；AC方法

Class NumberTP391.41

1 引言

圖像顯著性區域檢測是當前圖像分析技術和數字圖像處理領域中的一個重要研究課題，是實現圖形形式化描述、圖像分類、圖形模式識別等高層圖像處理的基礎。圖像顯著性區域檢測利用計算機技術，結合特定算法原理，能夠從圖像中快速提取和定位感興趣的物體，因此在諸如圖像分割［1］、圖像比對及檢索［2］等領域具有十分重大的研究意義，能夠用于完成人臉及指紋識別、機器視覺分析等工作。

在圖像分類、異常區域檢測、目標定位、圖像影像的分割分類等問題中，都需要使用顯著性區域檢測進行圖像的預處理：顯著性檢測能夠分析出目標可能出現的大致區域，使后續的圖像分析操作能把重點放在這一顯著性區域，從而節約圖像處理的運算時間，提高計算分析的時效性。

2 圖像顯著性區域檢測算法

為了解決圖像顯著性區域檢測問題，人們進行了大量的探索研究：1998年，Itti等提出了基于多尺度中心-周圍算子模型的圖像顯著性區域檢測技術［3］；2007年，Hou和Zhang提出了基于剩余頻譜理論的分析算法［4］，即SR（Spectral-Residual）算法；2008年，Guo等提出了基于傅里葉變換相位譜的檢測算法［5］；2009年，Achanta等提出了基于頻率調諧的檢測模型［6］。

此后研究發現，最能引起人類視覺注意的因素是對比度。通過計算圖像中不同物體、不同區域的像素差異程度，能夠對圖像進行更加科學合理的分割處理。2003年，Ma和Zhang提出了基于局部對比方法的顯著性區域檢測模型［7］；2008年，Achanta等基于局部對比度提出了有名的AC算法［8］，將會在下文中予以介紹。此外，還有Goferman等于2012年提出的改進的CA算法［9］。

此外，隨著人工智能技術的不斷發展興起，基于相關新技術的顯著性檢測方法被陸續提出：Menon等于2010年在模擬人腦腦島機能的基礎上，提出了能夠對視覺信息進行聚類分析的顯著性檢測方法［10］；Liang等于2012年提出了結合分割算法的顯著性區域檢測算法法［11］；Lang等于2012年提出了基于稀疏和低秩表示的顯著性檢測方法［12］。

2.1 Itti算法

Itti算法由Itti等提出，其計算過程如下：

1）特征提取

輸入的圖像基于RGB顏色空間，定義r，g，b作為圖像的紅綠藍三個通道，圖像的強度特征為I=(r+g+b)/3，并提取圖像的寬頻調諧顏色特征。而后，通過Gabor濾波選取4個方向θ∈{0°，45°，90°，135°}的特征量，從而得到強度特征、4個寬頻調諧顏色特征量、4個方向特征。

2）建立高斯金字塔

對步驟1）所得的9個特征量進行多尺度分解，建立9層的高斯金字塔。

3）建立圖像特征圖

定義一個中心-周圍算子，先進行插值使其具有相同大小，然后對應相減并取絕對值，其數學定義為Θ=|p-q|，即表示不同尺度空間的特征圖相應點的差值，其中p表示在中心尺度c∈{2，3，4}下的一個像素，q表示在周圍尺度s=c+δ，δ∈{3，4}下的一個像素。

第一組特征圖是通過對強度特征I進行上述運算得到，可得到6張強度特征圖；第二組特征圖對顏色特征進行計算，可得到12張顏色特征圖；第三組特征圖對局部方位信息進行計算，該信息是由強度圖I通過Gabor濾波器濾波而得，得到24張方位特征圖。

4）特征圖融合

定義標準化操作N(·)如下：將每幅顯著圖中每個像素的顯著值歸一化到區間[0，M]。再找出全局最大值M以及其他局部最大值的平均值m。對特征圖的每一個位置分別乘以(M-m)2，將每幅特征圖中潛在的顯著區域位置進行放大。將上一步驟生成的共42張特征圖進行標準化，然后通過線性插值調整到同一大小并相加，分別計算得到強度、顏色和方向上的顯著圖。

5）生成顯著圖

將上一步驟所得的三個特征顯著圖，再次進行標準化操作然后合并，最終生成顯著圖。

2.2 SR算法

Hou和Zhang提出的剩余頻譜算法基于編碼理論和信息理論。編碼系統有一條基本原則是抑制頻繁出現的特征，而從信息理論角度出發：信息可分為冗余部分和變化部分。人們的視覺對變化部分更敏感。視覺系統的一個基本原則就是抑制對頻繁出現的特征的響應，同時對非常規的特征保持敏感。即將圖像分為兩部分：

H（圖像）=H（新穎信息）+H（先驗知識）

先驗知識部分是被編碼系統抑制的冗余部分，而新穎信息部分則被認為是輸入圖像的顯著圖。對大量圖像的log頻譜研究發現了如下規律：

定義A(f)是圖像的振幅譜，P(f)是圖像的相位譜，L(f)是圖像的對數譜，由振幅譜取對數得到R(f)為圖像的剩余譜。

SR方法十分簡單，可分為以下三個步驟：

1）將輸入的圖像進行傅里葉變換，使其變換到頻域，并計算其振幅譜和相位譜；2）對振幅譜求自然對數，將其轉換為對數譜，然后計算剩余譜；3）對剩余譜和相位譜進行反傅里葉變換，再進行高斯模糊濾波，即可得到顯著圖。

2.3 FT（Frequency-Tuned）算法

Frequency-tuned（FT）算法的基本思想是，圖像變換到頻域時，可分為低頻和高頻兩個部分：低頻部分反映圖像的整體信息，如物體的輪廓，基本的組成區域；高頻部分反映了圖像的細節信息，如物體的紋理。而圖像顯著性區域檢測更多地用到低頻部分的信息。設ωlc為低頻截止頻率，ωhc為高頻截止頻率，為了突出大的顯著對象，ωlc需要盡可能的低；為了得到較好的輪廓信息，ωhc需要盡可能的高。圖像的最高頻的部分應舍去，該部分很可能是物體的紋理或者噪聲。

為保證DoG濾波器（Difference of Gaussian）帶寬[ωlcωhc]足夠大，FT算法采用N個DoG帶通濾波器組合的方法。組合濾波器表達如下

σ為高斯濾波器的標準差，ρN決定了組合DoG濾波器的帶寬，(x，y)為像素點坐標。為舍去圖像的最高頻部分，σ的標準差要小，這時，可使用二項式濾波器近似提高算法的運算速度。

最終，FT方法用CIELab顏色空間，則圖像像素的顯著值計算公式可表達如下

其中，Iμ是圖像在CIELab顏色空間的算術平均值，Iωhc(x，y)是原圖像通過高斯模糊濾波（使用二項式濾波器）后圖像的某一像素點，‖‖·是L2范式，即計算Iμ與Iωhc(x，y)之間的歐式距離。

2.4 MZ（Ma-Zhang）算法

MZ方法的基本思想不再是實現計算機算法模擬視覺感知機制，而是注重圖像的性質以及計算機的計算能力，其核心思路是：對于目標是否顯著起決定性作用的因素是對比度。

MZ方法的具體處理步驟如下：

1）對圖像進行預處理：調整圖像大小并保持其長寬比不變，將圖像從RGB顏色空間轉換到CIELUV顏色空間；圖像去噪，使用濾波器進行平滑處理。

2）生成顯著圖：定義感知域（Perceive Field）的概念，對應于人眼的感知區域。將輸入圖像分解為M×N個感知單元（圖像像素大小為M×N，即一個像素為一個感知單元Perceive Unit）。則一個感知單元在其感知域上的對比度定義為

其中，Θ表示為感知單元所在的感知域，Θ越小，感知域越敏感。p(x，y)表示感知單元，q表示感知域中的其他像素，d[] ·表示計算p(x，y)和q之間的距離，可以根據不同的應用選擇合適的距離函數。C(x，y)表示感知單元與感知域內其他所有像素的差值的和。將所有像素的對比值C(x，y)規范到區間[0，255]，即可得到顯著圖。

2.5 AC（Achanta）算法

AC算法中，圖像像素的顯著值由一個局部區域R1與其周圍鄰域R2的局部對比度的計算得出，該局部區域R1可稱為一個感知單元（也可以是一個區域），通過改變該感知單元的鄰域R2大小，從而實現多尺度的顯著性計算。且這樣得到的顯著圖分辨率與原圖是一致的。這個局部對比度，是指在這個感知單元平均特征向量和它的鄰域平均特征向量的差。AC算法的基本步驟如下：

1）輸入圖像，將圖像從RGB顏色空間轉換到CIELab顏色空間；2）在不同的尺度下計算顯著性值：在某一圖像尺度下，位于(x，y)的像素點基于對比的顯著值定義為局部區域R1的特征平均向量和周圍鄰域R2的特征平均向量的歐氏距離；3）將上一步驟所得的不同尺度的顯著圖直接相加，按照下述公式計算，得到最終顯著圖：

3 檢測結論

3.1 實驗環境

仿真實驗的硬件平臺設置為：Intel?Core?i7-4710MQ CPU@2.50GHz、8.00GB RAM，操作系統為Window 7旗艦版Service Pack 1，仿真軟件為Matlab R2017a。

3.2 樣例圖片

本文選取兩幅來自互聯網上的典型海上船只圖像，其中一幅中僅有單艘船只，另一幅包含多艘船只。且多艘船只的航向不同，能夠更全面地分析算法。如圖1所示。

3.3 實驗結論

參數設置如下：Itti算法中，設置中心尺度為c∈{2，3，4}，周圍尺度為s=c+δ，δ∈{3，4}，方向特征選取4個方向為θ∈{0°，45°，90°，135°}；MZ算法中，感知域大小選取為Θ=5×5；AC算法中，鄰域寬度大小為WR2=N/8，N為圖像寬度。最終得到圖像檢測結果，如圖2和3所示。

下面從四個方面分析仿真結果：

1）物體顯示的清晰度：FT算法、AC算法都能令人較為滿意地將整個船舶高亮地顯示出來；SR算法、MZ算法只能夠將船舶的輪廓即船舶與海面背景的邊界高亮顯示出來，其內部細節被忽略；Itti基本不能將船舶的整體顯示出來。

2）物體邊界提?。篒tti算法基本不能描述船舶邊緣信息；其余算法對于邊界的描述都比較準確，但是MZ算法得到的邊緣信息不十分顯著。

3）抗噪性：AC算法不能完全濾除船舶周圍噪聲，Itti算法不能很好濾除海面噪聲，另外三種算法都能較好濾除海面海浪的噪聲信息。

4）分辨率：Itti算法使用的高斯金字塔分解圖像，得到的顯著圖分別率較低，是由插值算法將其轉換為原分辨率，實際上降低了顯著圖分辨率；SR算法得到的也是分辨率較低的顯著拓撲圖。其他3種算法顯著圖分辨率與原圖像一致。

4 算法效能比較與分析

使用原圖像建立相應的人工分割圖4。

通過計算算法所得圖像的P值、R值（即查準率與查全率）、F值（P和R的幾何平均值）和運算時間，可以對幾種檢測算法的性能進行較為全面的比較。因此，選取包括上述兩幅圖在內的7幅海上船舶圖像分別利用5種算法進行顯著性區域檢測，其性能比較結果如圖5所示。

綜上所述，通過觀察所得顯著圖結合計算所得P、R、F值，考慮到運算時間的因素，本文認為FT算法是檢測海面船舶圖像顯著性的最佳算法，通過該算法所獲得的顯著圖的各項性能都比較好，且運算時間很短。

5 結語

本文詳細介紹了顯著性檢測技術中常用的五種算法：Itti算法、剩余頻譜（SR）算法、FT算法、MZ算法和AC算法，并選取兩幅海上船舶圖像分別利用每種算法進行了仿真實驗，最終對各種算法的檢測效果進行了比較分析。結論顯示，FT算法在相同條件下較其他算法而言具有較為優秀的檢測效果和實時性。

［1］W.H J.Unsupervised Extraction of Visual Attention Objects In Color Images［J］.IEEE Trans.Circuits Syst.Video Technol，2006，16（1）：141-145.

［2］Chen T，Cheng M，Tan P，et al.Sketch2Photo：Internet Image Montage［J］.ACMSIGGRAPH Asia，2009，28（5）：89-97.

［3］L.ITTI，C.KOCH，E.NIEBUR.A Model of Saliency-based Visual Attention for Rapid Scene Analysis［J］. IEEE Transaction on Pattern Analysis and Machine Intelligence，1998，20（11）：1254-1259.

［4］X.Hou，L.Zhang.Saliency Detection：A Spectral Residual Approach［C］//2007 IEEE Conferece on Computer Vision and Pattern Recognition，Minnesota：IEEE.2007：1-8.

［5］C.Guo，Q.Ma，L.Zhang.Spatio-temporal Saliency Detection Using Phase Spectrum of Quaternion Fourier Transform［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，Anchorage：IEEE，2008：1-8.

［6］R.Achanta，S.Hemani，F.Estrada，et al.Frequency-tuned Salient Region Detection［C］//Proceedings of the International Conference on Computer Vision and Pattern Recognition，Los Alamitos：IEEE.2009：1597-1604.

［7］Y.F.Ma，H.J.Zhang.Contrast-based Image Attention Analysis by Using Fuzzy Growing［C］//Proceedings of the 11th ACM international conference on Multimedia.California：ACM，2003：374-381.

［8］R.Achanta，F.Estrada，P.Wils，et al.Salient Region Detection and Segmentation［C］//Computer Vision Systems of Lecture Notes in Computer Science，Heidelberg：Springer，2008：66-75.

［9］Goferman S，Zelnik-Manor L，Tal A.Context-aware Saliency Detection［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2012，34（10）：1915-1926.

［10］Menon V，Uddin L Q.Saliency，Switching，Attention and Control：A Network Model of Insula Fiinction［J］. Brain Structure and Function，2010，214（5-6）：655-667.

［11］Liang Z，Chi Z，Fu H，et al.Salient Object Detection Using Content-sensitive Hypergraph Representation and Partitioning［J］.Pattern Recognition，2012，45（11）：3886-3901.

［12］Lang C，Liu G，Yu J，et al.Saliency Detection by Multitask Sparsity Pursuit［J］.IEEE Transactions on Image Processing，2012，21（3）：1327-1338.

Technological Study and Simulation of Ships’Image Salient Region Detection

ZHANG YalunYANG LujingCHEN YukangLIU Shukan
（Naval University of Engineering，Wuhan430033）

Image salient region detection is an important topic in the current image analysis.This kind of technology has a significant impact on the infrared imaging process and ships'pattern recognition.This paper introduces five algorithms of image salient region detection，including Itti algorithm，SR algorithm，FT algorithm，MZ algorithm and AC algorithm.Furthermore，the paper completes the simulation experiment with real ships'photos by each algorithm.After comparing and analyzing the result of various algorithms，taking clarity and resolution into account，it's showed that FT algorithm has the best effect.

image salient region detection，pattern recognition，Itti algorithm Spectral-Residual algorithm，Frequency-Tuned algorithm，Ma-Zhang algorithm，Achanta algorithm

TP391.41

10.3969/j.issn.1672-9730.2017.07.019

2017年1月20日，

2017年2月27日

張亞倫，男，碩士研究生，研究方向：模式識別與智能系統，大數據分析與挖掘。楊露菁，女，博士，教授，研究方向：輔助決策，模式識別與智能系統。陳煜康，男，助理工程師，研究方向：模式識別與智能系統。劉樹衎，男，博士，講師，研究方向：模式識別與智能系統。