【手撕算法】HC显著性检测算法_hc算法

前言

HC算法出自程明明老师的论文：

Global Contrast based Salient Region Detection
1

这个论文一共提到了两种算法，分别是HC与RC。

HC仅仅是考虑了颜色特征，而RC考虑了空间特征。我们上一篇文章介绍的LC算法就是仅考虑了颜色特征。

HC算法和LC算法本质上是没有什么区别的， 但上篇LC算法我们给出代码处理的是灰度图，而HC算法是在LAB颜色空间处理的彩色图。

RC以后再说。

此外我建了一个微信交流群，号主我比较菜，不过群里有厉害的哈哈，欢迎大家进群一起学习昂。

算法原理

HC算法原理和LC有很多类似之处。最基本的算法思路可以说是完全相同：

该方法只用到了颜色特征。一个像素的显著值是通过与图像中的所有其它像素的色差来定义的。比如方程1：

其中D(Ik,Ii)是空间Lab中两个像素的颜色距离度量，上式经过扩展像素等级变为方程2：

其中N为图像I中的像素数量。

由于测量没考虑空间关系，同样颜色值的像素具有相同的显著值。从具有相同颜色值的像素被组合在一起的角度重新整理方程2，我们就得到每个颜色的显著值如下方程3:

其中，Cl是像素Ik中的颜色值，n是不同像素颜色的数量，fi是图像I中像素颜色Cj出现的频率。

但是按这个写代码同样有很大的时间复杂度，所以添加了两个优化方法以及一个辅助方法。

两个优化：

缩减颜色空间。三通道图像可能的像素值为255255255个。这就导致无法使用直方图来进行加速程序，因此我们将每个通道量化为12个颜色，这样就是121212个可能的像素值。

此外，算法还从图像中筛选出了可以覆盖图像95%像素的颜色值，剩余的5%的颜色值用直方图中的临近像素替代，从而进一步减少可能的颜色值。这样就苦于应用直方图加速了。

一个辅助：

为了达到更好的效果，可以进行一步平滑操作。

一些相似的颜色可能被数量化为不同的值。为了减少这类由于随机性给显著结果引入的噪声，采取一套平滑程序来改善每个颜色的显著值。用相似颜色的显著值加权平均来代替每个颜色（以Lab*距离测量）的显著值。选择m=n/4个最近的颜色作为代表来改善颜色c的显著值，如方程：

算法实现

算法步骤：

1. 量化颜色通道。找出图像中一共有多少种颜色以及对应的像素总数。
2. 按照像素总数从大到小排序，并同时记录相应颜色。
3. 找出像素数目覆盖图像不小于95%的高频颜色，以及其他的不高于5%的颜色种类，假设高频颜色共有maxnum种。
4. 把低频颜色的像素归类到与它lab颜色距离相距最近的高频颜色中。
5. 在maxnum种颜色中，计算颜色i到所有其他颜色j的颜色距离。并按照距离从小到大排序，记录相应j的颜色种类。
6. 按照方程3计算每一种颜色的显著值。根据第5步，可以找到距离颜色i相距最近的m种颜色，从而可以根据方程4计算每种颜色显著值，即最终的显著值。
7. 为图像中每一个像素分配显著值。像素(i,j)是什么颜色，就赋予它相应颜色的显著值。
8. 至此，显著图生成。进行归一化、线性空间滤波。

算法实现：

这个算法一共200来行，，就不贴这儿有碍观瞻了吧，放微信群了。

看看算法效果。

算法效果

THE END

今天就到这里啦，下一篇会更AC算法，vx搜索【Opencv视觉实践】及时观看。