前言

HC算法出自程明明老師的論文：

Global Contrast based Salient Region Detection

這個(gè)論文一共提到了兩種算法，分別是HC與RC。

HC僅僅是考慮了顏色特征，而RC考慮了空間特征。我們上一篇文章介紹的LC算法就是僅考慮了顏色特征。

HC算法和LC算法本質(zhì)上是沒有什么區(qū)別的， 但上篇LC算法我們給出代碼處理的是灰度圖，而HC算法是在LAB顏色空間處理的彩色圖。

RC以后再說。

此外我建了一個(gè)微信交流群，號(hào)主我比較菜，不過群里有厲害的哈哈，歡迎大家進(jìn)群一起學(xué)習(xí)昂。

算法原理

HC算法原理和LC有很多類似之處。最基本的算法思路可以說是完全相同：

該方法只用到了顏色特征。一個(gè)像素的顯著值是通過與圖像中的所有其它像素的色差來定義的。比如方程1：

其中D(Ik,Ii)是空間Lab中兩個(gè)像素的顏色距離度量，上式經(jīng)過擴(kuò)展像素等級(jí)變?yōu)榉匠?：

其中N為圖像I中的像素?cái)?shù)量。

由于測(cè)量沒考慮空間關(guān)系，同樣顏色值的像素具有相同的顯著值。從具有相同顏色值的像素被組合在一起的角度重新整理方程2，我們就得到每個(gè)顏色的顯著值如下方程3:

其中，Cl是像素Ik中的顏色值，n是不同像素顏色的數(shù)量，fi是圖像I中像素顏色Cj出現(xiàn)的頻率。

但是按這個(gè)寫代碼同樣有很大的時(shí)間復(fù)雜度，所以添加了兩個(gè)優(yōu)化方法以及一個(gè)輔助方法。

兩個(gè)優(yōu)化：

縮減顏色空間。三通道圖像可能的像素值為255255255個(gè)。這就導(dǎo)致無法使用直方圖來進(jìn)行加速程序，因此我們將每個(gè)通道量化為12個(gè)顏色，這樣就是121212個(gè)可能的像素值。

此外，算法還從圖像中篩選出了可以覆蓋圖像95%像素的顏色值，剩余的5%的顏色值用直方圖中的臨近像素替代，從而進(jìn)一步減少可能的顏色值。這樣就苦于應(yīng)用直方圖加速了。

一個(gè)輔助：

為了達(dá)到更好的效果，可以進(jìn)行一步平滑操作。

一些相似的顏色可能被數(shù)量化為不同的值。為了減少這類由于隨機(jī)性給顯著結(jié)果引入的噪聲，采取一套平滑程序來改善每個(gè)顏色的顯著值。用相似顏色的顯著值加權(quán)平均來代替每個(gè)顏色（以Lab*距離測(cè)量）的顯著值。選擇m=n/4個(gè)最近的顏色作為代表來改善顏色c的顯著值，如方程：

算法實(shí)現(xiàn)

算法步驟：

量化顏色通道。找出圖像中一共有多少種顏色以及對(duì)應(yīng)的像素總數(shù)。

按照像素總數(shù)從大到小排序，并同時(shí)記錄相應(yīng)顏色。

找出像素?cái)?shù)目覆蓋圖像不小于95%的高頻顏色，以及其他的不高于5%的顏色種類，假設(shè)高頻顏色共有maxnum種。

把低頻顏色的像素歸類到與它lab顏色距離相距最近的高頻顏色中。

在maxnum種顏色中，計(jì)算顏色i到所有其他顏色j的顏色距離。并按照距離從小到大排序，記錄相應(yīng)j的顏色種類。

按照方程3計(jì)算每一種顏色的顯著值。根據(jù)第5步，可以找到距離顏色i相距最近的m種顏色，從而可以根據(jù)方程4計(jì)算每種顏色顯著值，即最終的顯著值。

為圖像中每一個(gè)像素分配顯著值。像素(i,j)是什么顏色，就賦予它相應(yīng)顏色的顯著值。

至此，顯著圖生成。進(jìn)行歸一化、線性空間濾波。

算法實(shí)現(xiàn)：

這個(gè)算法一共200來行，，就不貼這兒有礙觀瞻了吧，放微信群了。

看看算法效果。

算法效果

THE END

今天就到這里啦，下一篇會(huì)更AC算法，vx搜索【Opencv視覺實(shí)踐】及時(shí)觀看。

總結(jié)

以上是生活随笔為你收集整理的【手撕算法】HC显著性检测算法的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。