一种自适应计算图像底层特征重要性权重的方法

摘要

本发明是一种自适应计算图像底层特征重要性权重的方法，用于保证图像压缩时敏感目标的视觉完整性。本方法根据图像自适应的计算最佳的压缩参数，其中包括颜色、梯度、亮度和中心距离四个特征。在颜色的计算上，对待处理图片进行颜色直方图的统计并根据频率建立权重函数计算颜色权重；计算梯度时，将图像分块，在每个小块内计算像素点的梯度并对其方向进行直方图统计，计算块内方向变化规律来确定梯度重要性权重；在亮度的计算上，将待处理图像分割为两部分，计算每部分的亮度值并以值较大的部分作为权重计算的主要参考依据；在位置的计算上则赋予固定值，最终得到各底层特征相应的权重参数。

权利要求

1.一种自适应计算图像底层特征重要性权重的方法，包括以下步骤：

步骤一，计算颜色重要性权重：将待处理图像转换到HSV空间，对H通道的每行像素建立以n为步长的行直方图并进行统计，保存每个行直方图中的最大值和最小值；通过以下公式(1)计算出在待处理图像中表征颜色重要性的权重值wC，其中fmin是所有行直方图中最小值的平均值，fmax是所有行直方图中最大值的平均值；

步骤二，计算梯度重要性权重：将待处理图像分为若干块，计算各块内每个像素点的梯度并统计梯度方向，建立梯度直方图，然后计算所述各个块内像素值的方差，通过以下公式(2)计算出在待处理图像中表征梯度重要性的权重值wg；

其中图像被划分为若干块，gradmax为所有块中梯度值最大的值，gradmin为所有块中梯度值最小的值，M为将0到2π区间以预定间隔分割的区间个数；

gradi为第i个块的梯度值；

公式(3)，将0到2π区间以预定间隔分为M个方向，xj为落入此M个方向中第j个方向的像素个数， 为落入每个方向的平均像素个数，D(Si)为块梯度直方图落入每个方向的方差，patchi表示所划分的块中的任意一块；

步骤三，计算亮度重要性权重：图像中亮度较高的区域往往是图像中的敏感区域由于LAB空间中L分量代表了图像的亮度，将待处理图像转换到LAB空间，将转换后的图像以“回”字形分为面积相等的两个区域，对两个区域的L分量进行归一化处理并求和，根据以下公式(4)、(5)计算出在待处理图像中表征亮度重要性的权重值wi；

其中wi为亮度重要性权重，Si为亮度重要性，

I(x，y)表示在Lab空间中像素坐标为(x，y)的亮度值，region1为“回”字形中心区域，region2为剩余区域，Sregion1为“回”字形中心区域的面积；

步骤四，将位置重要性权重值wp设为固定的值，其中wp在(0，1)范围内；

步骤五：对以上获得的四种权重值wc、wg、wi、wp按照以下公式进行归一化得到最终的底层特征重要性权重值，w′c，w′g，w′i，w′p为归一化后四种底层特征的最终权重值；

2.如权利要求1所述的方法，其特征在于所述步骤一中，在计算行直方图最小值时去掉数值为0的统计值。

3.如权利要求1所述的方法，其特征在于所述步骤四中位置重要性权重值wp为0.1。

说明书

一种自适应计算图像底层特征重要性权重的方法

技术领域

[0001] 本发明是一种能够自动计算图像中重要区域的方法，尤其涉及图像的多种底层特征在图像重要区域识别过程中权重系数的自适应计算，属于计算机视觉技术领域。

背景技术

[0002] 人们在观察和理解图像时，会本能地将其分为重要区域(视觉感兴趣区域，如一幅图像中的主体部分建筑、花鸟、人像摄影中的人等等)和非重要区域，整幅图像的主观视觉质量往往取决于重要区域的视觉质量，而非重要区域的降质常常不易被人觉察，对整幅图像视觉质量的影响较小。因此，图像中重要区域的提取方法在图像压缩和视频分析等应用领域，都具有非常重要的意义。

[0003] 在信道传输带宽和存储空间有限的条件下，为了最大限度地保证压缩图像的质量，可以在提取的图像重要区域基础上，对图像的不同区域采用不同的压缩策略，尽可能减少图像中重要区域的信息损失，从而既保证了重建图像的视觉效果又提高了压缩效率。

[0004] 在视频分析的镜头检测和聚类过程中，如果在提取的图像重要区域基础上，仅对各帧中重要区域的相似性进行比较和分析，不仅能够提高镜头检测和聚类的效率，而且能够提高其准确率。

[0005] 为了提取图像中的重要区域，最初的方法是采用人工方式，通过手动标注出图像的重要区域，然后面向不同的具体应用再进行后续的处理。但是，随着图像数据的不断增多，以及图像处理实时性要求的不断提高，图像中重要区域的人工标注方式的效率不再能够满足要求，因此，一些图像重要区域自动提取方法不断被提出。

[0006] 现有图像重要区域自动提取方法，一般都是对图像的某一种底层特征(例如颜色、纹理、亮度等)进行分析，通过大量实验得出一组统计经验值，然后基于这组经验值自动分析出图像中的重要区域。这类方法虽然能够实现重要区域的自动提取，但是仍然存在不足：1)由于仅利用了单一的底层特征，因此重要区域的提取有时并不准确；2)由于其采用的是固定系数因此，对各类图像不具有普适性。

[0007] 专利申请号为201010185241.X的专利中也涉及到图像重要区域的计算，其中采用的方法是综合利用图像的颜色、梯度、亮度、位置等多种底层特征，实现对图像重要区域的计算。该方法虽然克服了仅利用图像单一底层特征的不足，但是在各底层特征的权重系数选取时，采用的是固定的经验值，因此，不能够很好地适应不同图像纹理、颜色等的变化，普适性还有待改进。

发明内容

[0008] 本发明的目的是提供一种自适应计算图像中重要区域的方法。该方法综合利用图像的颜色、梯度、亮度、位置等多种底层特征信息，能够更加准确地计算出图像中的重要区域并利用这些底层特征的物理意义进行整合，从全局考虑，动态给出各种底层信息的权重，兼顾了对不同内容图像的普遍适用性。

[0009] 为实现上述目的，本发明采用下述的技术方案。其特征在于包括以下步骤：

[0010] 步骤一，计算颜色重要性权重：将待处理图像转换到HSV空间，对H通道的像素建立以n为步长的行直方图并进行统计，保存每个行直方图中的最大值和最小值，通过以下公式(1)计算出在待处理图像中表征颜色重要性的权重值wC，

[0011]

[0012] 其中fmin是所有行直方图中最小值的平均值，fmax是所有行直方图中最大值的平均值；

[0013] 步骤二，计算梯度重要性权重：将待处理图像分为若干块，计算各块内每个像素点的梯度并统计梯度方向建立梯度直方图，然后计算所述各个块内像素值的方差，判断通过以下公式(2)计算出在待处理图像中表征梯度重要性的权重值wg；

[0014]

[0015] 其中图像被划分为若干块，gradmax为所有块中梯度值最大的值，gradmin为所有块中梯度值最小的值，M为已预定间隔将0到2π范围分割成的区间个数。

[0016] 为第i个块的梯度值。

[0017]

[0018] 公式(3)将0到2π区间以预定为间隔分为M个方向，D(Si)为块梯度直方图落入每个方向的方差，patchi表示所划分的块中的任意一块；

[0019] 步骤三，计算亮度重要性权重：图像中亮度较高的区域往往是图像中的敏感区域由于LAB空间中L分量代表了图像的亮度，将待处理图像转换到LAB空间，将转换后的图像以“回”字形分为面积相等的两个区域，对两个区域的L分量进行归一化处理并求和，根据以下公式(4)、(5)计算出在待处理图像中表征亮度重要性的权重值wi；

[0020]

[0021]

[0022] 其中wi为亮度重要性权重，Si为亮度重要性，

[0023] I(x，y)表示在Lab空间中像素坐标为(x，y)的亮度值，region1为“回”字形中心区域，region2为剩余区域，Sregionl为“回”字形中心区域的面积，

[0024] 步骤四，将位置重要性权重值wp设为固定的值：其中wp在(0，1)范围内，[0025] 步骤五：对以上获得的四种权重值wc、wg、wI、wp按照以下公式进行归一化得到最终的底层特征重要性权重值，w′c，w′g，w′i，w′p为归一化后四种底层特种的最终权重值，

[0026]

[0027] 如上所述的方法，其中所述步骤一中，在计算行直方图最小值时去掉数值为0的统计值。

[0028] 如上所述的方法，其中所述步骤四中，位置重要性权重值wp优选为0.1。

[0029] 本发明所提供的自适应计算图像中重要区域的方法可以根据不同图像的自身特点，准确地计算出图像中的重要区域。有关的初步测试结果表明，本方法对不同类图像都能获得较好的效果。该方法还可用于本专利发明人曾申请过一个“一种保持敏感目标视觉质量的图像缩放方法”的专利，有效地提高原方法的图像缩放质量。

附图说明

[0030] 图1是本发明自适应参数产生方法的流程图

具体实施方式

[0031] 前已述及，本发明综合分析图像的颜色、梯度、亮度等底层特征信息，计算出各种底层特征在重要区域计算过程中的权重系数，从而使图像重要区域的计算能够与图像内容相适应。

[0032] 下面结合附图说明本发明的实现方式，图1中明确表示了本发明的过程。首先，计算图像颜色重要性权重；其次，计算梯度重要性权重；然后，计算亮度重要性权重；最后，确定位置重要性权重。

[0033] 需要注意的是，以下仅是示例性的列举了本发明的一种实施方式：步骤一：计算图像颜色重要性权重

[0034] RGB三原色虽然表示直接，但是R、G、B数值和色彩的三属性没有直接的联系，不能揭示色彩之间的关系，而HSV色彩模型从CIE三维颜色空间演变而来，它采用的是用户直观的色彩描述方法，它跟孟塞尔显色系统的HVC球型色立体较接近，所以在研究颜色重要性时采用HSV空间更为方便。

[0035] 本发明中采用HSV空间的H通道对图像的行直方图进行统计，这样就可以直观的看出颜色出现的频率，并为颜色分布较少的赋较大的权重。

[0036] 步骤一的一种示例性实施步骤如下：

[0037] 取导入图像色调通道的值，以bin大小为10建立行色调直方图，统计每个bin值。然后将值小于10的bin(认为是有干扰的像素的色调)去掉后，记录此时的最大bin值fmax和最小bin值fmin，对每行像素都进行这样的处理，并把所有行中最大的fmax及所有行中最小的fmin进行取平均处理，我们认为fmin/fmax值代表了颜色分布的均衡性，当改比值较大时说明颜色分布比较均衡，颜色种类较多属于前景区域的概率大重要性高，反之当该比值较小时颜色分布不均匀，颜色种类较少为背景区域概率大重要性低，之后便可按公式(1)计算出颜色重要性权重

[0038]

[0039] 步骤二：计算图像梯度重要性权重

[0040] 图像梯度是图像灰度值的变化，由于梯度反映了图像结构等信息，在计算机视觉领域被广泛应用于图像的特征提取以及边缘检测，图像的边缘代表了图像中灰度值变化最显著的区域，图像边缘受关注的程度要高于图像其它区域。首先将导入图像划分为m×m的块，在边缘部分不能取整的则可以裁去或是将不够一个块的像素点补充进来使之构成一个块，并将像素点的值置零。在各块内计算每个像素点的梯度，并对梯度的方向建立直方图进行统计，统计时，将0到2π范围区间以预定间隔分为M个bin，对每个块内的bin统计其方差，我们认为如果在一个方向内像素的个数与均值相差正负2则该图像块的方向分布属于均匀的，该图像块为背景区域的概率大，相反一个方向内的像素的个数与均值相差大于2个，那么该区域方向分布不均匀，梯度变化较大属于前景区域的概率大，因此计算块i的方差D(si)，如果D(si)小于4M，则认为该块的纹理性较强，属于重要性较低的区域，将该块的梯度重要性置为0；否则，认为该块的重要性较高。其后再将每个块的梯度值归一化后作为其梯度重要性权重。其计算过程如公式(2)所示。

[0041]

[0042] 其中图像被划分为若干块，gradmax为所有块中梯度值最大的值，gradmin为所有块中梯度值最小的值，M为已预定间隔将0到2π范围分割成的区间个数。

[0043] 为第i个块的梯度值。

[0044]

[0045] 公式(3)D(Si)为块梯度直方图落入每个方向的方差，将0到2π区间以预定间隔分为M个bin，xj为落入每个bin的像素的个数，x为像素落入每个bin平均个数，patchi表示所划分的块中的任意一块。

[0046] 步骤三：计算图像亮度重要性权重

[0047] 一般情况下，图像中亮度较高的区域往往是图像中的敏感区域由于LAB空间中L分量代表了图像的亮度，因此，可以将图像由RGB颜色空间转换为LAB颜色空间。通过大量实验我们得出，在一般情况下，图像的重要信息一般分布在图像的中部。我们对图像进行“回”字形分割并保证图像的两部分面积相等，然后分别计算这两部分的L分量求和，将值较大的部分作为亮度权重设计的主要依据。在进行图像分割为“回”形时，如果图像的长宽都是奇数，就无法分割为面积相等的两部分，这时我们采取将最右边一列像素扩展的方法。在计算亮度重要性时我们令“回”字形中心区域的亮度值为region1周围区域的亮度值为region2。由此我们可由公式(5)得到亮度重要性Si又由于先验知识告诉我们一幅图像某部分的重要与否不能完全由亮度因素来左右，所以我们在考虑亮度重要性权重时应对其权重加以限制，由此我们可以得到亮度重要性权重wi计算公式(4)。

[0048]

[0049] 其中wi为亮度重要性权重，Si为亮度重要性。

[0050]

[0051] I(x，y)表示像素坐标为(x，y)的亮度值，Iregionl为“回”字形中心区域，Iregion2为剩余区域，Sregionl为“回”字形中心区域的面积。Si表示整幅图像的亮度重要性值。

[0052] 步骤四：计算图像位置重要性权重

[0053] 结合上述三种底层特性，赋予图像的位置以固定的重要性权重。由于大部分图像信息的重要物体会集中在图像中部，所以不妨把位置重要性权重设置为固定值wP。由上面三步可分别得到wc、wg、wi 但是我们并保证不了前三者的和一定在(0，1)范围内。在这里设最终的颜色、梯度、亮度、位置重要性的权重分别为w′c，w′g，w′i，w′p。

[0054]

[0055] 以上公开的仅为本发明的具体实例，根据本发明提供的思想，本领域的技术人员能思及的变化，都应落入本发明的保护范围内。