论文部分内容阅读
人类视觉系统(Human Visual System,HVS)可以用来描述图像处理的掩蔽特性。一般来说,只有当图像中的变化大于人眼可察觉的失真(Just Noticeable Distortion,JND)阈值时,才能被人类察觉。人类视觉关注机制的感知机制有限,不能把注意力集中于所有的视觉刺激上。具体地说,这些机制只会对某个场景中更重要的刺激做出反应,它可以提高或降低视觉敏感性,也就是说,视觉关注对JND阈值有调制影响。因为涉及到了视觉关注机制,所以我们需要引入视觉显著性来更加精确地模拟HVS的感知特性。视觉显著性可以使对象、区域或像素相对于其邻域更突出,从而吸引我们的注意力。对HVS来说,图像中的显著部分通过显著图显示出来,利用显著图可以使图像处理更有效地进行。了解重要区域的位置对许多应用有重要的作用,诸如图像分割,目标识别,内容感知,图像编辑和图像检索等。目前存在的JND模型很少将视觉显著性考虑在内,一般情况仅仅考虑了JND的影响因素,这导致了JND模型不能更好地与HVS结合。因此,我们对JND模型进行了创新,并融合了视觉关注特性,提出了性能更加优越的显著性调制JND(Saliency-Modulated JND,SJND)模型。离散小波变换(Discrete Wavelet Transform,DWT)本质是一种时频分析的方法,可以进行多尺度变换,经变换后的图像能够得到不同的分辨率尺度以及不同频率下的图像信息,既有高分辨率的特性,又有分频的优良特性,它更符合人眼视觉特性。所以我们提出的模型都是基于DWT的。本文所研究的模型应用领域十分广泛,比如数字水印、视频压缩等多种图像处理工作。该论文的主要工作如下:1、JND阈值是HVS能够察觉到变化的最小值,它也可以定义为空间对比敏感度函数(Contrast Sensitivity Function,CSF)的倒数。现有的JND模型一般由三部分组成:对比度敏感函数(CSF)、亮度自适应(Luminance Adaptation,LA)和对比度掩蔽(Contrast Masking,CM)。我们在原有JND模型的框架基础之上,主要针对CSF、LA和CM进行了修改和创新,对相应的参数进行了优化,提出了一个性能优越的显著性调制JND模型。2、视觉显著性的应用简化了图像处理中繁琐的步骤,极大地提高了工作效率,已经受到了广泛的关注。因此在图像处理中将其与JND模型进行结合显得尤为重要。本论文采用一个高效的显著图检测方法,对JND阈值进行调制,得到了一个新的SJND模型。在图像处理时,分别对显著区域和非显著区域进行不同的操作,这样就减少了图像失真,更好的提高了图像的感知质量。需要说明的是,本文的调制函数是非线性的,可以使显著图检测与JND阈值更加契合。最后,主观、客观实验结果证明:相比现有的显著性检测算法,本文提出的显著性检测方法更具优越性;提出的显著性JND模型也优越于已有的JND模型。