一種圖像的感興趣區域提取方法

于 明，邳艷芹

（河北工業大學 信息工程學院，天津 300401）

在視覺上，人們總是能迅速地把目光集中在自己感興趣的方面[1]。隨著圖像處理技術的發展，感興趣區域的提取是近期圖像處理技術發展的熱點，在圖像處理中把計算資源用于處理感興趣區域，會提高圖像處理的效率。感興趣區域（ROI）檢測將人類的視覺注意機制引入到圖像分析過程中，對于提高現有圖像分析系統的工作效率有著積極的作用[2]，同時在視頻壓縮及檢索領域也得到了應用。

感興趣區域（ROI）是圖像中可能引起人眼視覺關注的區域。視覺關注是人類視覺系統捕獲場景中有意義部分的一種機制，通過對視覺關注的分析能提取圖像中的感興趣區域。視覺選擇性注意機制包括兩種，一是從下至上的注意（數據驅動的注意模型），是與任務無關且不受意識控制的，是基于視覺輸入景象的顯著性計算的，屬于低級認知的過程。目前另一個是自上而下的注意 （任務驅動的注意模型），與人的主觀意識有關且受意識控制[3]。其中最具影響力的當屬Itti和Koch等人提出的Saliency模型[1]，利用人的視覺感受野、側抑制神經網絡模擬了人的視覺注意力機制。但是該模型最終的顯著區域的范圍是固定的形狀，并且存在著漏檢測和檢測順序不合乎人類視覺注意特征的情況。

1 視覺顯著圖的生成

1.1 早期視覺特征提取

想要全面準確的描述一幅圖像，就要針對其各個方面的視覺屬性選擇多種簡單圖像特征。文中基于Itti模型[4-5]的基本方法來提取圖像的顏色、亮度和方向3個低層特征來獲得圖像各個特征的特征圖。

1）亮度特征圖的提取

設 r（t），g（t）和 b（t）分別表示原始圖像中的紅色、綠色和藍色通道，其中t表示圖像的尺度，將原始圖像的尺度設置為0，則亮度特征圖的計算方法如式（1）所示。

2）方向特征圖的提取

神經還原論中提到，視皮層細胞可以看做是一個線性空間濾波器，而二維的Gabor函數剛好有效的描述了哺乳動物視皮層簡單細胞感受野的刨面。

由于Gabor函數有很好的方向選擇性，能很好的描述視覺皮層中具有方向選擇性的簡單細胞的感受野。因此用濾波器對I進行卷積以提取方向特征，采用二維Gabor濾波器，取Gabor濾波器 （0，π/4，π/2，3π/4）4 個方向的輸出作為圖像的方向特征圖。

1.2 興趣圖（顯著圖）的生成

低層特征提取后，關鍵問題是計算特征興趣圖。本文對亮度特征圖4個方向分量共5個分量特征圖采用非線性尺度空間表示，中央圖像對應高分辨率下的尺度，外圍圖像對應低分辨率下的尺度，通過感受野和整合野的中央-外圍的計算策略計算特征興趣圖。

1）亮度特征興趣圖（顯著圖）

Itti模型認為高分辨率圖像代表感受野的中央區域，低分辨率圖像代表感受野的周邊區域，通過跨尺度計算不同分辨率圖像之間的差值來提取特征圖。

根據亮度對比度產生亮度顯著圖，亮度特征計算如下：

其中c是非線性尺度空間中表示的高分辨率的尺度因子，s是對應的低分辨率下的尺度，通過高分辨率圖像中的像素減低分辨率圖像中的對應像素來實現。

2）顏色特征興趣圖（顯著圖）

顯著區域即為變化強烈的區域，也就是頻譜中的高頻成分。由于Itti模型在提取顏色特征時可能會出現顯著區域反轉現象，因此，可以通過過濾掉圖像中的低頻部分，提取圖像中的高頻部分來作為圖像的顯著區域。

這里采用 Achanta等人[6]提出的頻域調和（Frequencytuned）的顯著性檢測方法。先將顏色變化到均勻的CIELab顏色空間，再對變換后的圖像進行高斯低通濾波，最后求原圖與濾波后的圖像的差的平方即為顏色的顯著圖記為C（x，y）：

其中，Iu為像素值的算術平均，Iwhc為原始圖像經過高斯模糊得到的。

3）方向特征興趣圖（顯著圖）

通過局部方向對比度計算方向特征顯著圖，將方向特征圖 O（c，s，θ）編碼成一組：

1.3 多個興趣圖的合并策略

由于全局加強法沒有考慮到自然圖像中的信噪比問題，并且視皮層的神經元是局部互連的，尋找全局極大在生物學上也是不合理的。因此本文采用局部迭代法對不同機理產生特征圖進行合并。具體做法是：

首先將各特征圖的特征值歸一化到同一個范圍，其次引入高斯差分函數（DOG），最后將歸一化的特征值與高斯差分函數進行卷積。圖1描述了局部迭代法的工作流程。

圖1 局部迭代法流程Fig.1 Local iteration process

局部迭代法是中央自激勵、范圍內抑制的結構，很好的促進了相鄰顯著點之間的局部競爭。迭代次數是根據實驗經驗人為設定的，一般是到特征圖中大多數位置的特征值收斂且接近于0時就停止迭代過程。

高斯差分函數就是中央自激勵、鄰域范圍內抑制的結構；從生物學的角度來講，與人眼主視皮層的中央自激勵、鄰域范圍內抑制的神經元間的側連接組織方式相似，具有生物學上的合理性[8]。這種結構促成相鄰顯著點之間的局部競爭。由該方法產生的興趣圖更接近稀疏分布，目標之外的部分被很好的抑制。局部迭代法對其他非顯著目標部分產生強烈抑制的特點，表明了該策略在對噪聲有良好的魯棒性。

2 感興趣區域的提取

如何確定感興趣區域的范圍，又該如何排除干擾，使區域的選擇更精確，基于前文顯著圖的獲取，利用綜合自動閾值分割和種子點的區域生長方法分別對各個顯著圖進行區域提取進而得到各自的興趣區域，在根據判決準則對各個區域進行篩選合并，從而得到最后的感興趣區域：具體步驟如下：

1）保留前文生成的亮度、顏色和方向的顯著圖I，C，O。

2）利用最優直方圖方法從合并的興趣圖生成閾值Hs。

3）根據Hs分別對底層特征顯著圖進行閾值分割。

4）用保留的最佳尺度的注視點[Xi，Yi]，i∈（I，C，O）為種子點，然后通過逐個對分割后的顯著圖進行區域生長的方法得到各自的興趣區域 R，i∈（I，C，O）。

5）定義興趣區域面積 Sregion=|max（x）-min（x）|×|max（y）-min（y）|，（x，y）∈R 如果 Sregion>65%Smap，則該區域被刪除。 其中Smap為興趣圖的面積。

6）將保留的感興趣區域進行合并，得到最終的感興趣區域。

感興趣區域提取方法的流程如圖2所示。

圖2 感興趣區域提取模型Fig.2 Region of interest extraction model

該方法與閾值分割技術和種子點的區域生長技術相結合，近似的估算了顯著圖目標的尺寸。經過對多幅興趣圖的處理后發現，當興趣區域面積過大時表明該顯著圖的顯著點分布過于平坦和均勻，顯著圖會給最終顯著圖和興趣圖的合并帶來干擾，影響到最終興趣區域范圍的精度。因此我們選擇用顯著圖面積的65%來作為篩選指數。

該模型的工作流程敘述如下：首先對輸入的原始圖像進行處理生成顯著圖，然后根據生成的顯著圖產生各自的顯著區域。由于輸入的圖像特征不同，因此所得到顏色、亮度、和方向顯著區域對顯著圖的合并貢獻不同。比如顏色顯著圖的顯著性較強，對合并的貢獻就較大；然而方向顯著圖的顯著性卻分布較為均勻，對合并的貢獻就較小而且還會帶來干擾。

3 實驗結果和分析

為了驗證本文方法的正確性和有效性，在Intel Pentium 1.6 GHz、內存 1 GB 的微機上，利用 Matlab 7.6.0（R2008a）分別對簡單背景單一目標、簡單背景復雜目標和復雜背景的多幅自然圖像進行了實驗。如圖3所示，該方法生成的可變區域包含了視覺上最為顯著的目標，比較準確的提取了符合人類視覺感知[8]的感興趣區域。

圖3 感興趣區域提取的結果展示圖Fig.3 Results of extraction region of interest map

4 結 論

本文在基于經典的Itti模型[10]基礎上，采用了局部迭代的特征合并策略并在此基礎上綜合自動閾值分割和種子點的區域生長方法實現了感興趣區域的提取方法。該方法很好的實現了感興趣區域的提取，通過實驗表明其檢測順序和結果比較符合人類視覺感知，具有良好的魯棒性和實時性。

[1]王國營，梁春迎.一種圖像顯著區域的提取方法[J].計算機應用，2010，30（6）：1619-1621.

WANG Guo-ying，LIANG Chun-ying.Extraction of salient regions in image[J].Joumal of Computer Applications，2010，30（6）：1619-1621.

[2]張菁，沈蘭蓀，高靜靜.基于視覺注意機制的感興趣區檢測[J].光子學報，2009，38（6）：1561-1565.

ZHANG Jing，SHEN Lan-sun，GAO Jing-jing. Extraction of interests region based on visual attention mechanism[J].Acta Photonica Sinica，2009，38（6）：1561-1565.

[3]韋靈麗，李翠彬.基于視覺選擇性注意機制的目標檢測的研究[J].計算機與現代化，2010，180（8）：92-97.

WEI Ling-li，LI Cui-bin.Object dectection based on visual selection attention mechanism[J].Computer and Modernization，2010，180（8）：92-97

[4]Itti L，Kouch C.Computational modeling of visual attention[J].Nature Reviews Neuroscience，2001，2（3）：194-230.

[5]IttiL，Kouch C.Feature combination strategies for saliency-based visual attention systems[J].Journal of Electronic Imaging，2001，10（1）：161-169.

[6]Aehanta R，Hemami S，Estrada F，et al.Frequeney-tuned salient region deteetion[C]//InProeeedings of IEEE Conferenee on Computer Vision and Pattern Reeognition（CVPR2009），2009：1597-1604.

[7]HU Yi-qun，XIE Xing，MA Wei-ying.Salient region detection using weighted feature maps based on the human visualattention model [C]//Advances in Multimedia Information Processing.Heidelberg：Springer，2004：993-1000.

[8]Weliky M，Kander K，Fitzpatrick D，et al.Patterns of excitation and inhibition evoked by horizontal connections in visual cortex share a common relationship to orientation columns[J].Neuron，1995，15（3）：541-552.

[9]張卓，張學武，梁瑞宇，等.基于視覺感知的船閘監控系統研究與實現[J].現代電子技術，2009（22）：135-138.

ZHANG Zhuo，ZHANG Xue-wu，LIANG Rui-yu，etal.Research and Implementation ofShip-lock Monitoring System Based on SVM and Visual Perception[J].Modern Electronics Technique，2009（22）：135-138.

[10]吳月娥，邊后琴.尺度與特征引導視覺選擇性注意機制模型[J].現代電子技術，2009（22）：84-87.

WU Yue-e，BIAN Hou-qin.Model of visual selective attention mechanism deployed by scale and features[J].Modern Electronics Technique，2009（22）：84-87.