劉曉陽(yáng)，薛純

　　（中國(guó)海洋大學(xué) 信息科學(xué)與工程學(xué)院，青島 山東 266100）

　　摘要：圖像顯著性檢測(cè)在目標(biāo)識(shí)別、目標(biāo)跟蹤、視覺信息挖掘等研究中具有重要價(jià)值，而水下圖像研究又是海洋相關(guān)學(xué)科的基礎(chǔ)。文章針對(duì)水下圖像特性，提出一種結(jié)合Retinex圖像增強(qiáng)和超像素分割算法的多尺度顯著性區(qū)域檢測(cè)方法，以獲取均勻、清晰的顯著圖。在每個(gè)尺度上進(jìn)行超像素顯著性估計(jì)和貝葉斯概率估計(jì)，將不同尺度的顯著圖進(jìn)行加權(quán)求和與導(dǎo)向?yàn)V波，得到平滑且邊緣清晰的顯著圖。根據(jù)水下不同倍數(shù)的衰減距離建立數(shù)據(jù)集，驗(yàn)證了該算法具有較強(qiáng)的魯棒性。

　　關(guān)鍵詞：圖像增強(qiáng)；超像素；貝葉斯估計(jì)；顯著性

　　中圖分類號(hào)：TP391文獻(xiàn)標(biāo)識(shí)碼：ADOI： 10.19358/j.issn.1674-7720.2017.09.014

　　引用格式：劉曉陽(yáng)，薛純.基于多尺度的水下圖像顯著性區(qū)域檢測(cè)［J］.微型機(jī)與應(yīng)用，2017,36（9）：45-48.

0引言

　　視覺注意指人類及其他靈長(zhǎng)類動(dòng)物在面對(duì)復(fù)雜場(chǎng)景時(shí)能夠快速地找到自己感興趣或比較顯著的區(qū)域，并對(duì)其進(jìn)行優(yōu)先處理，在很大程度上提高了視覺系統(tǒng)的信息處理效率。視覺注意機(jī)制是一個(gè)多學(xué)科多交叉的領(lǐng)域，受到許多學(xué)科研究者的關(guān)注，如：神經(jīng)科學(xué)、生理學(xué)、心理學(xué)以及計(jì)算機(jī)科學(xué)等。

　　其中，將視覺注意引入到計(jì)算機(jī)領(lǐng)域稱為顯著性檢測(cè)，即檢測(cè)出圖像的顯著性信息，忽略冗余信息。視覺注意計(jì)算模型被應(yīng)用到很多計(jì)算機(jī)視覺領(lǐng)域，如圖像分割、目標(biāo)識(shí)別、視覺信息挖掘及視頻壓縮等［1］。顯著性檢測(cè)算法已有很多成型的模型，比如Itti等提出的顯著圖模型［2］、Harel 等提出的基于圖論的圖像顯著性分析算法（GBVS算法）［3］、Achanta等提出的兩種顯著圖模型（AC算法和IG算法）［4-5］以及Hou Xiaodi等提出的基于頻域空間分析的一種剩余譜方法（SR算法）［6］等。它們基于不同的理論基礎(chǔ)，非常具有代表性，且在計(jì)算機(jī)上易于實(shí)現(xiàn)，實(shí)驗(yàn)得到的效果比較好。

　　在水下成像系統(tǒng)中，由于水介質(zhì)對(duì)光的吸收作用和水中微粒對(duì)光的散射作用，使得水中圖像伴有較強(qiáng)的衰減和分辨率不足的特性。所以，現(xiàn)有的顯著性檢測(cè)模型雖然用于陸地上光學(xué)成像的顯著性檢測(cè)具有較好的效果，但是并不適用于水下光學(xué)成像的顯著性檢測(cè)。本文提出了一種結(jié)合Retinex圖像增強(qiáng)［7］和超像素分割算法［8］的多尺度顯著性區(qū)域檢測(cè)方法，使得水下圖像顯著性檢測(cè)得到了較好的效果。

1Retinex圖像增強(qiáng)算法

　　由于水體對(duì)光的吸收效應(yīng)和散射效應(yīng)使得水下圖像有嚴(yán)重的非均勻亮度和細(xì)節(jié)模糊、信噪比很低、對(duì)比度明顯變差，整體偏藍(lán)或者偏綠，顏色深淺不一，而且亮度常常不均勻，所以，研究水下圖像需要先進(jìn)行圖像增強(qiáng)處理。本文選取基于色彩恒常性的Retinex圖像增強(qiáng)算法進(jìn)行水下圖像增強(qiáng)。

　　根據(jù)Retinex理論，人眼感知物體的亮度取決于環(huán)境的照明和物體表面對(duì)照射光的反射，其數(shù)學(xué)表達(dá)式為：

　　S（x,y）=R(x,y)×L(x,y)（1）

　　式中：S（x,y）代表被觀察或照相機(jī)接收到的圖像信號(hào)；L（x,y）代表環(huán)境光的照射分量；R（x,y）表示攜帶圖像細(xì)節(jié)信息的目標(biāo)物體的反射分量。Retinex理論的目的就是從獲得的圖像中消除照射分量獲得物體的反射分量，即獲得物體的本來(lái)面貌。

　　將式(1)兩邊取對(duì)數(shù)，即：

　　log［R（x,y）］=log［S（x,y）］-log［L（x,y）］（2）

　　其中，L（x,y）可通過(guò)對(duì)原始圖像S（x,y）做高斯模糊得到。

　　多尺度Retinex算法是單尺度Retinex算法的加權(quán)求和，既能實(shí)現(xiàn)圖像動(dòng)態(tài)范圍的壓縮，又能保持色感較好的一致性。其數(shù)學(xué)表達(dá)式為：

　　log［R（x,y）］=∑Ni=1ωi×{log［Si（x,y）］-log［Li（x,y）］}(3)

　　其中，N表示尺度的個(gè)數(shù),通常為3；ωi表示加權(quán)系數(shù)，各尺度權(quán)重之和必須為1，經(jīng)典取值為等權(quán)重。

2多尺度水下圖像顯著性區(qū)域檢測(cè)

　　在顯著性檢測(cè)時(shí)，選擇超像素分割與高斯平滑，得到不同尺度下的超像素分割結(jié)果，在每個(gè)尺度上進(jìn)行超像素估計(jì)和貝葉斯概率估計(jì)，最后將不同尺度下得到的顯著圖進(jìn)行加權(quán)求和及導(dǎo)向?yàn)V波，最終得到平滑且邊緣清晰的顯著圖。

　　2.1高斯濾波與SLIC超像素分割

　　2.1.1高斯濾波

　　高斯濾波是一種線性平滑濾波，用一個(gè)模板掃描圖像中的每一個(gè)像素，用模板確定的鄰域內(nèi)像素的加權(quán)平均灰度值去替代模板中心像素點(diǎn)的值。其二維表達(dá)式為：

　　通過(guò)改變參數(shù)σ，可得到不同的平滑結(jié)果， σ越大，高斯濾波器的頻帶就越寬，平滑程度就越好。

　　2.1.2SLIC超像素分割

　　SLIC算法基于像素間顏色相似性和空間位置的接近度對(duì)圖像進(jìn)行聚類產(chǎn)生人們期望數(shù)量的超像素(不超過(guò)圖像中像素的個(gè)數(shù))，計(jì)算量較小。其基本步驟為：

　?。?）初始化聚類中心。按照設(shè)定的超像素個(gè)數(shù)，在圖像內(nèi)均勻地分配種子點(diǎn)。假設(shè)圖片總共有N個(gè)像素點(diǎn)，預(yù)分割為K個(gè)相同尺寸的超像素，那么每個(gè)超像素的大小為s=N/K，則相鄰種子點(diǎn)的距離（步長(zhǎng)）近似為S=sqrt(N/K)。

　?。?）在種子點(diǎn)的n×n鄰域內(nèi)重新選擇種子點(diǎn)（一般取n=3）。計(jì)算該鄰域內(nèi)所有像素點(diǎn)的梯度值，將種子點(diǎn)移到該鄰域內(nèi)梯度最小的地方。

　　(3)在每個(gè)種子點(diǎn)周圍的鄰域內(nèi)為每個(gè)像素點(diǎn)分配類標(biāo)簽，即屬于哪個(gè)聚類中心。期望的超像素尺寸為S×S ，搜索范圍限制為2S×2S，可以加速算法收斂。

　　(4)距離度量。包括顏色距離和空間距離，對(duì)于每個(gè)搜索到的像素點(diǎn)，分別計(jì)算它與該種子點(diǎn)的距離，將最小值對(duì)應(yīng)的種子點(diǎn)作為該像素點(diǎn)的聚類中心。

　　（5）迭代優(yōu)化。不斷迭代直到誤差收斂，一般迭代次數(shù)取10。

　?。?）增強(qiáng)連通性。為避免出現(xiàn)多連通、超像素尺寸過(guò)小、單個(gè)超像素被切割成多個(gè)不連續(xù)超像素等情況，可新建一張標(biāo)記表，按照“Z”型走向（從左到右，從上到下順序）將不連續(xù)的超像素、尺寸過(guò)小超像素重新分配給鄰近的超像素，遍歷過(guò)的像素點(diǎn)分配給相應(yīng)的標(biāo)簽，直到所有點(diǎn)遍歷完畢。

　　2.2超像素顯著度估計(jì)

　　針對(duì)每一個(gè)尺度下的分割圖，都通過(guò)三種顯著性策略來(lái)判斷某一塊超像素是否具有顯著性［9］。局部對(duì)比度：通過(guò)計(jì)算每塊超像素之間的歐氏距離來(lái)表示。中心偏離：通過(guò)計(jì)算超像素幾何中心與圖像幾何中心的空間距離來(lái)表示，靠近圖像中心的超像素更有可能具有顯著性。超像素完整性：通過(guò)計(jì)算某一塊超像素內(nèi)包含的圖像邊緣像素來(lái)表示，含有圖像邊緣像素越多的超像素區(qū)域越有可能不完整。具體公式如下：

　　其中，cmi表示某一塊超像素，nmj表示與cmi相鄰的超像素區(qū)域，Nmi表示相鄰區(qū)域的數(shù)量，wmij表示nmj與全部相鄰超像素集合{nmj}的比；d(cmi,nmj)表示歐氏距離；h（φ）=-log(1-φ)函數(shù)保證輸出為正；g(x,y)表示超像素cmi的幾何中心（x，y）與全圖幾何中心（x0,y0）的空間距離，δx、δy分別為全圖的寬與高的1/3，進(jìn)而可得靠近圖像中心的超像素更有可能具有顯著性；q(u)表示cmi的完整性，u表示cmi中包含的邊緣像素?cái)?shù)量，E表示邊緣像素總數(shù)量，u越大，在邊緣處的像素越多，q(u)越小，該超像素區(qū)域越不完整。因此，通過(guò)上述計(jì)算，可以獲取具有顯著性的超像素區(qū)域。

　　2.3計(jì)算觀測(cè)似然函數(shù)

　　運(yùn)用Harris角點(diǎn)檢測(cè)提取出圖像的顯著點(diǎn)，用凸包將邊緣顯著點(diǎn)之外的所有顯著點(diǎn)包圍進(jìn)來(lái)，若某一超像素區(qū)域與凸包的重疊部分大于設(shè)定的閾值，則將其標(biāo)記為前景，進(jìn)而將前景與背景分離；分別計(jì)算L、a、b三通道的觀測(cè)似然函數(shù)，進(jìn)行乘法運(yùn)算；最后，與上一步中得到的超像素顯著性函數(shù)相結(jié)合，得到最終顯著性函數(shù)。

　　在（L，a，b）三個(gè)通道上分別計(jì)算某一像素點(diǎn)z的觀測(cè)似然函數(shù)：

　　其中，NS1、NS0分別表示前景S1和背景S0的所有像素值，N1(zr)、N0(zr)分別表示r(z)=(l,a,b)在顏色空間統(tǒng)計(jì)直方圖上的值。進(jìn)而計(jì)算出每個(gè)像素點(diǎn)是前景還是背景的概率。

　　綜合上一步，將超像素顯著性估計(jì)與像素觀測(cè)似然函數(shù)相結(jié)合，得某一尺度下的像素顯著性函數(shù)：

　　2.4尺度加權(quán)求和

　　將多尺度下得到的顯著圖進(jìn)行加權(quán)求和，假設(shè)M個(gè)尺度，則對(duì)于像素點(diǎn)z的最終顯著性函數(shù)V(z)為：

　　其中，Wm(z)表示每一個(gè)尺度的權(quán)重，cm(z)表示z所在的超像素區(qū)域，cm(z)表示這些超像素區(qū)域內(nèi)的像素平均值，γ（z）表示進(jìn)行歸一化。

3實(shí)驗(yàn)結(jié)果與分析

　　在能見度為2.5 m的海水中獲取圖片，根據(jù)海水中能見度與衰減距離的關(guān)系，即能見度為3.5倍衰減距離，建立3組數(shù)據(jù)集，分別為目標(biāo)距CCD 1.5倍衰減距離、2.0倍衰減距離、2.5倍衰減距離，每組約80幅圖像，在數(shù)據(jù)集上驗(yàn)證算法的有效性。圖1為1.5倍衰減距離（約1.5×0.7 m）下獲得的水下圖像。

　　3.1水下圖像增強(qiáng)

　　本文選擇幾種經(jīng)典的圖像增強(qiáng)算法進(jìn)行比較，結(jié)果如圖2所示。

　　如圖2所示，多尺度Retinex增強(qiáng)算法得到的增強(qiáng)效果對(duì)比度更強(qiáng)，對(duì)之后的顯著性檢測(cè)更有幫助，因此本文選擇多尺度Retinex增強(qiáng)算法對(duì)水下圖像進(jìn)行圖像增強(qiáng)。最大尺度為300，尺度數(shù)為3。

　　3.2多尺度超像素分割

　　將增強(qiáng)后的圖像進(jìn)行多尺度超像素分割，通過(guò)改變SLIC尺度參數(shù)s和高斯平滑參數(shù)σ，得到不同尺度下的超像素分割結(jié)果。在超像素的小區(qū)域內(nèi)的像素具有極為相似的顏色和紋理信息，最大程度地保持了圖像中目標(biāo)原有的邊界結(jié)構(gòu)信息。圖3為一幅多尺度分割圖案。

　　3.3顯著區(qū)域檢測(cè)結(jié)果

　　在每一尺度上進(jìn)行超像素顯著性估計(jì)和貝葉斯顯著概率估計(jì)，進(jìn)行加權(quán)求和得到最終的顯著圖，最后再進(jìn)行導(dǎo)向?yàn)V波，最終得到平滑且邊緣清晰的顯著圖。圖4~圖6為幾組實(shí)驗(yàn)結(jié)果。

　　（1）圖4為1.5倍衰減距離（約1.5×0.7 m）時(shí)水下圖像顯著性檢測(cè)結(jié)果。

　?。?）圖5為2倍衰減距離（約2×0.7 m）時(shí)水下圖像顯著性檢測(cè)結(jié)果。

　?。?）圖6為2.5倍衰減距離（約2.5×0.7 m）時(shí)水下圖像顯著性檢測(cè)結(jié)果。

　　實(shí)驗(yàn)結(jié)果表明，本文算法在不同數(shù)據(jù)集上都取得了較好效果，進(jìn)而驗(yàn)證了其處理水下圖像顯著性檢測(cè)的有效性和魯棒性。

4結(jié)論

　　本文主要研究水下圖像顯著性區(qū)域檢測(cè)，根據(jù)水下圖像特性結(jié)合圖像增強(qiáng)算法，獲取均勻、清晰的顯著圖；根據(jù)不同倍數(shù)的衰減距離，建立相應(yīng)數(shù)據(jù)集，驗(yàn)證了算法的有效性和魯棒性，為水下目標(biāo)識(shí)別、目標(biāo)跟蹤、視覺信息挖掘等研究奠定了基礎(chǔ)。

　　參考文獻(xiàn)

　　［1］ 吳世東. 一種基于目標(biāo)先驗(yàn)信息的視覺跟蹤算法［J］. 微型機(jī)與應(yīng)用, 2016, 35(4):46-49.

　?。?］ 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.

　　［3］ HAREL J, KOCH C, PERONA P. Graphbased visual saliency［J］.  Advances in Neural Information Processing Systems, 2007（19）:545-552.

　?。?］ ACHANTA R, ESTRADA F, WILS P, et al. Salient region detection and segmentation［C］. International Conference on Computer Vision Systems, 2008:66-75.

　　［5］ ACHANTA R, HEMAMI S, ESTRADA F, et al. Frequencytuned salient region detection［C］. IEEE International Conference on Computer Vision and Pattern Recognition, 2009:1597-1604.

　?。?］ Hou Xiaodi, Zhang Liqing. Saliency detection: a spectral residual approach［C］. IEEE Conference on Computer Vision and Pattern Recognition, 2007:1-8.

　　［7］ 肖燕峰．基于Retinex理論的圖像增強(qiáng)恢復(fù)算法研究 ［D］．上海：上海交通大學(xué)，2007.

　?。?］ 阮士峰．基于超像素的圖像顯著性研究［D］．西安：西安電子科技大學(xué)，2014.

　　［9］ Tong Na, Lu Huchuan, Zhang Lihe, et al. Saliency detection with multiscale superpixels［J］. IEEE Signal Processing Letters, 2014, 21(9):1035-1039.