摘 要： 基于Itti模型，提出了一种改进的模型来提取图像显著区域，采用Itti方法提取图像的亮度、朝向特征显著图，在此基础上，将图像的频域特征融入到图像的颜色特征提取中，并且加入图像的轮廊特征提取，避免了Itti模型提取特征时没有明显的轮廊边界的现象。在显著图的合并阶段，采用局部迭代法取代直接相加的合并方式。此模型与Itti模型相比，提取的显著图效果更加明显。
关键词： Itti模型；显著图；频域特征；局部迭代法
0 引言
当人们看到一副图像时，首先将注意力集中在视觉上感兴趣的区域，其中图片的主要信息最能引起人们的注意，这样的区域就被称为显著区域。显著特征图是一个表征图像视觉关注区域的二维分布，如果也将它看成图像，那么灰度值越大则表示该区域的显著性越强，灰度的局部最大值即为图像的显著特征点[1]。
视觉注意机制[2]是依据视觉心理学等领域的研究结果，仿照人的视觉生理结构建立起计算模型，模拟自底向上（bottom-up）的低级视觉方式找出图像中容易吸引人注意的区域。目前在这方面比较有代表性的是Itti模型[3]。
本文提出一种改进的模型，在提取颜色、亮度、朝向特征基础上，提取图像的轮廊特征，共同融合为最终的图像显著图；特征显著图[4]的合并采用局部迭代取代直接的线性相加，能够更好地抑制目标之外区域。
1 Itti模型
Itti模型首先对输入的图像在9个尺度上进行非均匀采样，然后通过高斯金字塔和center-surround算子进行局部视觉反差的计算，提取出亮度、颜色和朝向特征，通过多尺度的合并以及归一化得到三个特征的显著图，再对得到的三幅特征显著图进行线性融合，得到综合的视觉显著图[5]。Itti模型的基本框图如图1所示。
1.1 初级视觉特征的提取
在Itti模型中，用I表示输入的图像，r、g、b表示红绿蓝三种颜色，红、绿、蓝、黄四个颜色通道分别用R、G、B、Y来表示。
R=r-（b+g）/2（1）
G=g-（r+b）/2（2）
B=b-（r+g）/2（3）
Y=（r+g）/2-|r-g|/2-b（4）
计算红色对抗对RG和蓝黄色对抗对BY这两组颜色对：
RG=|R-G|（5）
BY=|B-Y|（6）
Itti模型提取亮度特征：
I=（r+g+b）/3（7）
Gabor函数有很好的方向选择性，对自然图像中朝向特征的提取采用Gabor滤波器较为合适。
1.2 显著图的生成
显著图计算方法如下：
利用中心c和周边s的高斯差分DOG计算图像的特征显著度。
用符号表示中央c和周边s差计算，亮度特征图、颜色特征图和朝向特征图分别用I、C和O来表示。
亮度特征图：I（c，s）=|I（c）I（s）|（10）
颜色特征图：
RG（c，s）=|（R（c）-G（c））（G（s）-R（s））|（11）
BY（c，s）=|（B（c）-Y（c））（Y（s）-B（s））|（12）
朝向特征图：
将得到的特征图通过归一化、降采样和层间相加操作可以得到三个特征显著图，最终线性加权融合这三个特征的显著图而生成总的显著图。
2 算法的改进
2.1 融合轮廊特征
由于Itti模型提取的图像特征是颜色、亮度、朝向特征，因此Itti模型提取出来的显著图边缘信息不明显，而一幅图像最能吸引人类视觉注意的是其边缘信息，本文在Itti模型的特征部分加入了图像的轮廊特征。图像梯度信息可以有效地表现图像边缘情况[6]，Sobel算子可以检测水平和垂直方向的梯度，本文采用Sobel算子进行边缘提取，那么轮廊特征可以表示为：
S（c，s）=|S（c）·S（s）|（14）
把特征图合并得到轮廊显著图：
2.2 颜色特征的提取
本文提取图像中的高频部分作为图像的显著区域，采取提取高频、滤掉低频作为颜色显著图的提取方法[7]。利用颜色特征的中央-周边算子来得到显著图，用W、H来表示输入图像I的宽度和高度，则显著图S可表示为：
S（x，y）=‖I-Iwhc（x，y）‖（16）
其中，I为图像像素值的算术平均；Iwhc为原始图像经过高斯模糊得到的，高斯模糊的目的是为了避免噪音的影响，‖‖代表欧式距离。图2为颜色显著图对比。
由图2可见，采用频域信息提取的颜色显著图亮度更明显，更加清晰。
2.3 多特征显著图的合并
本文采用局部迭代法代替Itti中的直接相加的合并方式，局部迭代法是引入高斯差分函数和偏置常量进行迭代，迭代过程是先将各个显著图归一化到同一个范围内，再与高斯差分函数进行卷积，采用局部迭代法产生的最终显著图更接近稀疏分布，这样目标之外的背景区域得到了更好的抑制。
局部迭代的具体计算如下：
M=?M+M*DOG-C」（17）
其中，*表示卷积运算，M是归一化后的各显著图，C是一个偏置。
3 实验结果分析
本文采用MATLAB 2010a实现上述算法，采用的原图片是网上下载的图像处理常用图片库的图片，得到的Itti模型最终显著图和本文算法的显著图如图3所示。
由实验结果看出，本文算法提取的显著图有明显的边界，克服了Itti模型容易丢失边缘信息的缺点。从运行时间上来看，本文算法在颜色特征提取处提高了效率，本文的方法平均耗时2.624 00 s，Itti算法平均耗时2.687 00 s，本文算法的运行效率与Itti算法相比有所提高。
4 结论
本文在视觉注意模型的基础上，对Itti模型方法进行了改进，生成各特征显著图时加入了轮廊特征，颜色显著图生成时采用了频域特性取代Itti模型，减少了计算的复杂度。在特征显著图的合并过程中，采用局部迭代法代替直接线性相加的方式，这样避免了不同特征图之间显著性互相抵消的情况，具有更强的鲁棒性。实验表明，本文算法能够较好地实现显著图的提取。
参考文献
[1] Hou Xiaodi， Zhang Liqing. Saliency detection： a spectral residual approach[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， Minneapolis， Minnesota， USA， 2007： 1-8.
[2] 陈嘉威.视觉注意的研究及其应用[D].厦门：厦门大学，2009.
[3] ITTI L， KOCH C. Computational modeling of visual attention[J]. Nature Reviews Neuroscience，2001，2（3）：194-203.
[4] 李毅泉.基于注意力机制的显著区域提取研究和实现[D].北京：北京交通大学，2007.
[5] 单列.视觉注意机制的若干关键技术及其应用研究[D].合肥：中国科学技术大学，2008.
[6] 彭素静.基于视觉感知机理的显著区域研究[D].重庆：重庆大学，2009.
[7] 付荣.基于活动轮廓模型和显著图的自然图像分割研究[D].上海：复旦大学，2010.