CN102867313B - 一种融合区域颜色和HoG特征的视觉显著性检测方法 - Google Patents

Abstract

本发明涉及一种融合区域颜色和HoG特征的视觉显著性检测方法。目前方法通常都基于区域颜色特征的纯计算模型，对于纹理的显著性差异不敏感。本发明方法首先在原始图像的CIELAB空间彩色分量图上，通过分析超像素区域的颜色对比度和分布特性，计算每个像素的颜色显著性值；然后在原始图像的RGB空间彩色分量图上，提取基于HoG的局部矩形区域纹理特征，并通过分析局部矩形区域的纹理对比度和分布特性，计算每个像素的纹理显著性值；最后采用二次非线性融合方法将每个像素的颜色显著性值和纹理显著性值融合为该像素的最终显著性值。本发明方法获得不仅可获得符合人眼视觉感官的全分辨率显著性图像，并且对显著性目标具有更强的区分能力。

Description

一种融合区域颜色和HoG特征的视觉显著性检测方法

技术领域

本发明属于计算机视觉领域，具体来说是一种融合区域颜色对比度和梯度方向直方图（以下采用其英文简写“HoG”代替）特征的视觉显著性检测方法。

背景技术

视觉显著性被定义为视觉的不可预测性、稀缺性。由于相关的人类视觉注意理论的支持，视觉显著性模型提供了一种快速且高效的方法，在计算机视觉和图像处理中作为重要的预处理机制。

目前的研究成果表明，多数视觉显著性模型基于底层特征驱动的自底向上的过程。其中，具有深远意义的工作是L. Itti等人提出的特征融合理论。在他们的模型中，颜色、亮度和方向特征分别从输入图像中提取，标注地理特征地图，然后使用线性融合方式合成主显著性图像。A. Borji等人提出基于区域稀有性的分析方法。该方法是在Lab和RGB空间学习全局和局部的颜色特征，分配图像显著性。这些方法模拟人类眼球运动，追踪眼部的关注焦点，在生物学中有重要研究价值，但存在明显的不足：低分辨率，高亮局部轮廓，缺少完整的区域意识。

为此，R. Achanta等人提出了一种简单的频域协调方法，度量像素与图像平均色的差异决定图像的显著性。该方法得到全分辨率的显著性图。之后，R. Achanta等人改用最大对称环绕的检测算子，降低背景干扰。M.-M. Cheng等人用图分割抽象区域颜色，提出基于全局的区域空间相关性的计算模型，该方法是对区域对比理论的解释。最近，F. Perazzi等人引入显著性滤波器的概念，分别从元素独立性和空间分布两方面实现显著性滤波，得到与输入图像大小一致的高质量显著性图。这些方法都面向纯计算模型，表现出区域完整，物体轮廓清晰，复杂度低的优点。然而上述这些方法都是基于区域颜色，对于纹理的显著性差异不敏感。

发明内容

本发明针对现有技术的不足，融合区域颜色和HoG特征，提供了一种基于区域对比度的视觉显著性检测方法。

本发明方法的具体步骤如下：

步骤(1)：采用彩色变换方法，分别提取输入图像在Lab空间的l彩色分量图、a彩色分量图和b彩色分量图。

步骤(2)：采用SLIC超像素聚类方法，将输入图像划分为多个互不相交且区域面积近似相等的超像素区域。

步骤(3)：根据步骤(2)的结果，计算每个超像素区域的颜色特征，具体为：

对于超像素区域r _i ，其颜色特征是由超像素区域r _i 的颜色均值矢量                                               、超像素区域r _i 的质心坐标和超像素区域r _i 的面积率组成。

所述的超像素区域r _i 的颜色均值矢量表示为，其中为超像素区域r _i 内所有像素的l彩色分量均值，为超像素区域r _i 内所有像素的a彩色分量均值，为超像素区域r _i 内所有像素的b彩色分量均值。

所述的超像素区域r _i 的质心坐标表示为，其中为超像素区域r _i 内所有像素垂直方向坐标的均值与输入图像高度的比值，为超像素区域r _i 内所有像素水平方向坐标的均值与输入图像宽度的比值。

所述的超像素区域r _i 的面积率表示超像素区域r _i 内的像素个数与输入图像总像素的比值。

步骤(4)：根据步骤(3)得到的各超像素区域的颜色特征，计算每个超像素区域的颜色独特性，具体为：

对于超像素区域r _i ，其颜色独特性表示为：

      

其中为超像素区域r _i 和超像素区域r _j 在Lab空间的颜色距离；为超像素区域r _i 和超像素区域r _j 的空间相关性权重；n为步骤(2)中划分出的超像素个数。

所述的超像素区域r _i 和超像素区域r _j 在Lab空间的颜色距离表示为超像素区域r _i 的颜色均值矢量与超像素区域r _j 的颜色均值矢量的L2距离，具体描述为：

      

所述的超像素区域r _i 和超像素区域r _j 的空间相关性权重具体表示为：

其中为高斯函数标准差，为超像素区域r _i 的质心坐标与超像素区域r _j 的质心坐标的L2距离。

步骤(5)：根据步骤(3)得到的各超像素区域的颜色特征，计算每个超像素区域的颜色空间分布特性，具体为：

对于超像素区域r _i ，其颜色空间分布特性表示为：

      

其中为超像素区域r _i 和超像素区域r _j 的空间距离；为超像素区域r _i 和超像素区域r _j 的颜色相关性权重。

所述超像素区域r _i 和超像素区域r _j 的空间距离表示为超像素区域r _i 的质心坐标与超像素区域r _j 的质心坐标的L2距离，具体描述为：

          

所述的超像素区域r _i 和超像素区域r _j 的颜色相关性权重具体表示为：

      

其中为高斯函数标准差，为超像素区域r _i 的颜色均值矢量与超像素区域r _j 的颜色均值矢量的L2距离。

步骤(6)：根据步骤(4)和步骤(5)的结果，计算每个超像素区域的颜色显著性值，具体为：

对于超像素区域r _i ，其颜色显著性值表示为：

        

其中为高斯函数标准差。

步骤(7)：根据步骤(4)中得到的超像素区域的颜色独特性值，对超像素区域的颜色显著性值进行平滑优化，以保证颜色独特性值近似的两个相邻超像素区域间颜色显著性值的连续平滑。

所述的超像素区域的颜色显著性值的平滑优化方法具体为：

   对于超像素区域r _i ，其颜色显著性值经平滑优化后结果表示为：

            

其中表示超像素区域r _i 颜色独特性和超像素区域r _j 颜色独特性的距离，为距离归一化值。

步骤(8)：为输入图像中每个像素分配颜色显著性值，具体为：

对于超像素区域r _i 中的像素，其颜色显著性值表示为：

         

步骤(9)：采用彩色变换方法，分别提取输入图像在RGB空间的r彩色分量图、g彩色分量图和b彩色分量图；计算r彩色分量图、g彩色分量图和b彩色分量图的积分图。

步骤(10)：利用步骤(9)的积分图结果，采用梯度方向直方图提取方法，将输入图像从图像左上角开始按序划分为若干个不重叠的8×8像素的局部矩形区域，并提取每个局部矩形区域的纹理特征。

所述的局部矩形区域的纹理特征提取方法具体为：

对于局部矩形区域t _i ，其纹理特征是由局部矩形区域t _i 的HoG矢量和局部矩形区域t _i 的质心坐标组成。

所述的局部矩形区域t _i 的HoG矢量表示为，其中，为在所属的彩色分量图上局部矩形区域t _i 中所有像素在梯度方向为0°、20°、40°、60°、80°、100°、120°、140°、160°下的梯度幅度值。

所述的局部矩形区域t _i 的质心坐标表示为，其中为局部矩形区域t _i 内所有像素垂直方向坐标的均值，为局部矩形区域t _i 内所有像素水平方向坐标的均值。

步骤(11)：根据步骤(10)得到的每个局部矩形区域的纹理特征，计算每个局部矩形区域的纹理空间分布特性。

所述的局部矩形区域的纹理空间分布特性计算方法具体为：

对于局部矩形区域t _i ，其纹理空间分布特性表示为：

其中为局部矩形区域t _i 在所属的彩色分量图上的纹理空间分布特性；为梯度方向取值；为在所属的彩色分量图上所有局部矩形区域在第j个梯度方向下梯度幅度值的归一化方差；为在所属的彩色分量图上所有局部矩形区域在第j个梯度方向下梯度幅度值的归一化期望。

    所述的和归一化方法为：

，

其中为在所属的彩色分量图上所有局部矩形区域在第j个梯度方向下梯度幅度值的方差；为在所属的彩色分量图上所有局部矩形区域在第j个梯度方向下梯度幅度值的期望。

步骤(12)：为输入图像中每个像素分配纹理显著性值，具体为：

对于局部矩形区域t _i 中的像素p，其纹理显著性值表示为：

步骤(13)：根据步骤(8)和步骤(12)的结果，计算输入图像中每个像素的最终显著性值，具体为：

对输入图像中像素p，其最终显著性值表示为：

    

本发明提供了一种融合区域颜色和HoG特征的视觉显著性检测方法，该方法考虑颜色和HoG特征融合策略，提取和融合区域颜色对比度和区域纹理对比度，从而获得符合人眼视觉感官的全分辨率显著性图像。该方法要优于目前已有方法，并且对显著性目标具有更强的区分能力。

附图说明

图1为本发明中的方法流程图；

图2为本发明方法与现有方法的显著性检测结果图像比较。

具体实施方式

以下结合附图对本发明作进一步说明。

如图1所示，一种融合区域颜色和HoG特征的视觉显著性检测方法具体步骤如下：

步骤(1)：采用彩色变换方法，分别提取输入图像在Lab空间的l彩色分量图、a彩色分量图和b彩色分量图；所述的彩色变换方法为成熟技术。

步骤(2)：采用SLIC超像素聚类方法，将输入图像划分为多个互不相交且区域面积近似相等的超像素区域；所述的SLIC超像素聚类方法由R. Achanta等人提出^[1]。

步骤(3)：根据步骤(2)的结果，计算每个超像素区域的颜色特征，具体为：

对于超像素区域r _i ，其颜色特征是由超像素区域r _i 的颜色均值矢量、超像素区域r _i 的质心坐标和超像素区域r _i 的面积率组成。

所述的超像素区域r _i 的颜色均值矢量表示为，其中为超像素区域r _i 内所有像素的l彩色分量均值，为超像素区域r _i 内所有像素的a彩色分量均值，为超像素区域r _i 内所有像素的b彩色分量均值。

所述的超像素区域r _i 的质心坐标表示为，其中为超像素区域r _i 内所有像素垂直方向坐标的均值与输入图像高度的比值，为超像素区域r _i 内所有像素水平方向坐标的均值与输入图像宽度的比值。

所述的超像素区域r _i 的面积率表示超像素区域r _i 内的像素个数与输入图像总像素的比值。

步骤(4)：根据步骤(3)得到的各超像素区域的颜色特征，计算每个超像素区域的颜色独特性，具体为：

对于超像素区域r _i ，其颜色独特性表示为：

      

其中为超像素区域r _i 和超像素区域r _j 在Lab空间的颜色距离；为超像素区域r _i 和超像素区域r _j 的空间相关性权重；n为步骤(2)中划分出的超像素个数。

所述的超像素区域r _i 和超像素区域r _j 在Lab空间的颜色距离表示为超像素区域r _i 的颜色均值矢量与超像素区域r _j 的颜色均值矢量的L2距离，具体描述为：

所述的超像素区域r _i 和超像素区域r _j 的空间相关性权重具体表示为：

其中为高斯函数标准差，为超像素区域r _i 的质心坐标与超像素区域r _j 的质心坐标的L2距离。

步骤(5)：根据步骤(3)得到的各超像素区域的颜色特征，计算每个超像素区域的颜色空间分布特性，具体为：

对于超像素区域r _i ，其颜色空间分布特性表示为：

      

其中为超像素区域r _i 和超像素区域r _j 的空间距离；为超像素区域r _i 和超像素区域r _j 的颜色相关性权重。

所述超像素区域r _i 和超像素区域r _j 的空间距离表示为超像素区域r _i 的质心坐标与超像素区域r _j 的质心坐标的L2距离，具体描述为：

          

所述的超像素区域r _i 和超像素区域r _j 的颜色相关性权重具体表示为：

      

其中为高斯函数标准差，为超像素区域r _i 的颜色均值矢量与超像素区域r _j 的颜色均值矢量的L2距离。

步骤(6)：根据步骤(4)和步骤(5)的结果，计算每个超像素区域的颜色显著性值，具体为：

对于超像素区域r _i ，其颜色显著性值表示为：

        

其中为高斯函数标准差。

步骤(7)：根据步骤(4)中得到的超像素区域的颜色独特性值，对超像素区域的颜色显著性值进行平滑优化，以保证颜色独特性值近似的两个相邻超像素区域间颜色显著性值的连续平滑。

所述的超像素区域的颜色显著性值的平滑优化方法具体为：

   对于超像素区域r _i ，其颜色显著性值经平滑优化后结果表示为：

            

其中表示超像素区域r _i 颜色独特性和超像素区域r _j 颜色独特性的距离，为距离归一化值。

步骤(8)：为输入图像中每个像素分配颜色显著性值，具体为：

对于超像素区域r _i 中的像素，其颜色显著性值表示为：

         

步骤(9)：采用彩色变换方法，分别提取输入图像在RGB空间的r彩色分量图、g彩色分量图和b彩色分量图；计算r彩色分量图、g彩色分量图和b彩色分量图的积分图。

步骤(10)：利用步骤(9)的积分图结果，采用梯度方向直方图提取方法，将输入图像从图像左上角开始按序划分为若干个不重叠的8×8像素的局部矩形区域，并提取每个局部矩形区域的纹理特征；所述的梯度方向直方图提取方法由N.Dalal等人提出。

所述的局部矩形区域的纹理特征提取方法具体为：

对于局部矩形区域t _i ，其纹理特征是由局部矩形区域t _i 的HoG矢量和局部矩形区域t _i 的质心坐标组成。

所述的局部矩形区域t _i 的HoG矢量表示为，其中，为在所属的彩色分量图上局部矩形区域t _i 中所有像素在梯度方向为0°、20°、40°、60°、80°、100°、120°、140°、160°下的梯度幅度值。

所述的局部矩形区域t _i 的质心坐标表示为，其中为局部矩形区域t _i 内所有像素垂直方向坐标的均值，为局部矩形区域t _i 内所有像素水平方向坐标的均值。

步骤(11)：根据步骤(10)得到的每个局部矩形区域的纹理特征，计算每个局部矩形区域的纹理空间分布特性。

所述的局部矩形区域的纹理空间分布特性计算方法具体为：

对于局部矩形区域t _i ，其纹理空间分布特性表示为：

其中为局部矩形区域t _i 在所属的彩色分量图上的纹理空间分布特性；为梯度方向取值；为在所属的彩色分量图上所有局部矩形区域在第j个梯度方向下梯度幅度值的归一化方差；为在所属的彩色分量图上所有局部矩形区域在第j个梯度方向下梯度幅度值的归一化期望。

    所述的和归一化方法为：

，

其中为在所属的彩色分量图上所有局部矩形区域在第j个梯度方向下梯度幅度值的方差；为在所属的彩色分量图上所有局部矩形区域在第j个梯度方向下梯度幅度值的期望。

步骤(12)：为输入图像中每个像素分配纹理显著性值，具体为：

对于局部矩形区域t _i 中的像素p，其纹理显著性值表示为：

步骤(13)：根据步骤(8)和步骤(12)的结果，计算输入图像中每个像素的最终显著性值，具体为：

对输入图像中像素p，其最终显著性值表示为：

    

如图2所示，本发明方法与现有方法的显著性检测结果图像比较说明如下：第一列为输入图像，第二列为人工标记的正确视觉显著性区域，第三列为本发明方法检测结果，第四列为F. Perazzi 等人提出的SF方法的检测结果，第五列是M.-M. Cheng等人提出的HC方法^[4]的检测结果，第六列是M.-M. Cheng等人提出的RC方法的检测结果，第7列是R. Achanta等人提出的FT方法的检测结果，第8列是R. Achanta等人提出的AC方法的检测结果, 第9列是S. Goferman等人提出的CA方法的检测结果。

Claims (1)

1.一种融合区域颜色和HoG特征的视觉显著性检测方法，其特征在于该方法包括如下步骤：

步骤(1)：采用彩色变换方法，分别提取输入图像在Lab空间的l彩色分量图、a彩色分量图和b彩色分量图；

步骤(2)：采用SLIC超像素聚类方法，将输入图像划分为多个互不相交且区域面积近似相等的超像素区域；

步骤(3)：根据步骤(2)的结果，计算每个超像素区域的颜色特征，具体为：

对于超像素区域r_i，其颜色特征是由超像素区域r_i的颜色均值矢量μⁱ、超像素区域r_i的质心坐标pⁱ和超像素区域r_i的面积率kⁱ组成；

所述的超像素区域r_i的颜色均值矢量μⁱ表示为 ${\mathrm{\μ}}^i=\left[\begin{array}{ccc}{\mathrm{\μ}}_l^i& {\mathrm{\μ}}_a^i& {\mathrm{\μ}}_b^i\end{array}\right],$ 其中为超像素区域r_i内所有像素的l彩色分量均值，为超像素区域r_i内所有像素的a彩色分量均值，为超像素区域r_i内所有像素的b彩色分量均值；

所述的超像素区域r_i的质心坐标pⁱ表示为其中为超像素区域r_i内所有像素垂直方向坐标的均值与输入图像高度的比值，为超像素区域r_i内所有像素水平方向坐标的均值与输入图像宽度的比值；

所述的超像素区域r_i的面积率kⁱ表示超像素区域r_i内的像素个数与输入图像总像素的比值；

步骤(4)：根据步骤(3)得到的各超像素区域的颜色特征，计算每个超像素区域的颜色独特性，具体为：

对于超像素区域r_i，其颜色独特性S_cs(r_i)表示为：

$S_{\mathrm{cs}}\left(r_i\right)=k^i\underset{j=1,j\≠i}{\overset{n}{\mathrm{\Σ}}}\log (1+D_{\mathrm{ij}}^c\·w_{\mathrm{ij}}^c)$

其中为超像素区域r_i和超像素区域r_j在Lab空间的颜色距离；为超像素区域r_i和超像素区域r_j的空间相关性权重；n为步骤(2)中划分出的超像素个数；

所述的超像素区域r_i和超像素区域r_j在Lab空间的颜色距离表示为超像素区域r_i的颜色均值矢量μⁱ与超像素区域r_j的颜色均值矢量μ^j的L2距离，具体描述为：

$D_{\mathrm{ij}}^c={\left|\right|{\mathrm{\μ}}^i-{\mathrm{\μ}}^j\left|\right|}_2$

所述的超像素区域r_i和超像素区域r_j的空间相关性权重具体表示为：

$w_{\mathrm{ij}}^c={\exp }^{-\left(\frac{1}{{2\mathrm{\σ}}_p^2}{\left|\right|p^i-p^j\left|\right|}_2\right)}$

其中σ_p＝0.25为高斯函数标准差，||pⁱ-p^j||₂为超像素区域r_i的质心坐标pⁱ与超像素区域r_j的质心坐标p^j的L2距离；

步骤(5)：根据步骤(3)得到的各超像素区域的颜色特征，计算每个超像素区域的颜色空间分布特性，具体为：

对于超像素区域r_i，其颜色空间分布特性S_cd(r_i)表示为：

$S_{\mathrm{cd}}\left(r_i\right)=k^i\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\log (1+D_{\mathrm{ij}}^d\·w_{\mathrm{ij}}^d)$

其中为超像素区域r_i和超像素区域r_j的空间距离；为超像素区域r_i和超像素区域r_j的颜色相关性权重；

所述超像素区域r_i和超像素区域r_j的空间距离表示为超像素区域r_i的质心坐标pⁱ与超像素区域r_j的质心坐标p^j的L2距离，具体描述为：

$D_{\mathrm{ij}}^d={\left|\right|p^i-p^j\left|\right|}_2$

所述的超像素区域r_i和超像素区域r_j的颜色相关性权重具体表示为：

$w_{\mathrm{ij}}^d={\exp }^{-\left(\frac{1}{{2\mathrm{\σ}}_c^2}{\left|\right|{\mathrm{\μ}}^i-{\mathrm{\μ}}^j\left|\right|}_2\right)}$

其中σ_c＝20为高斯函数标准差，||μⁱ-μ^j||₂为超像素区域r_i的颜色均值矢量μⁱ与超像素区域r_j的颜色均值矢量μ^j的L2距离；

步骤(6)：根据步骤(4)和步骤(5)的结果，计算每个超像素区域的颜色显著性值，具体为：

对于超像素区域r_i，其颜色显著性值表示为：

$\left\{\begin{array}{c}{\tilde{S}}_{\mathrm{cr}}\left(r_i\right)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{S}_{\mathrm{cs}}\left(r_i\right)(1-S_{\mathrm{cd}}\left(r_i\right))\\ w_{\mathrm{ij}}={\exp }^{-(\frac{1}{{2\mathrm{\σ}}_s^2}{\left|\right|{\mathrm{\μ}}^i-{\mathrm{\μ}}^j\left|\right|}_2+\frac{1}{{2\mathrm{\σ}}_s^2}{\left|\right|p^i-p^j\left|\right|}_2)}\end{array}\right.$

其中σ_s＝6为高斯函数标准差；

步骤(7)：根据步骤(4)中得到的超像素区域的颜色独特性值，对超像素区域的颜色显著性值进行平滑优化，以保证颜色独特性值近似的两个相邻超像素区域间颜色显著性值的连续平滑；

所述的超像素区域的颜色显著性值的平滑优化方法具体为：

对于超像素区域r_i，其颜色显著性值经平滑优化后结果S_cr(r_i)表示为：

$\left\{\begin{array}{c}{S}_{\mathrm{cr}}\left(r_i\right)=\frac{1}{T_i}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}(T_i-D_{\mathrm{ij}}^s)\·{\tilde{S}}_{\mathrm{cr}}\left(r_i\right)\\ D_{\mathrm{ij}}^s={(S_{\mathrm{cs}}\left(r_i\right)-S_{\mathrm{cs}}\left(r_j\right))}^2\\ T_i=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{D}_{\mathrm{ij}}^s\end{array}\right.$

其中表示超像素区域r_i颜色独特性和超像素区域r_j颜色独特性的距离，T_i为距离归一化值；

步骤(8)：为输入图像中每个像素分配颜色显著性值，具体为：

对于超像素区域r_i中的像素p，其颜色显著性值S_c(p)表示为：

S_c(p)＝S_cr(r_i) p∈r_i

步骤(9)：采用彩色变换方法，分别提取输入图像在RGB空间的r彩色分量图、g彩色分量图和b彩色分量图；计算r彩色分量图、g彩色分量图和b彩色分量图的积分图；

步骤(10)：利用步骤(9)的积分图结果，采用梯度方向直方图提取方法，将输入图像从图像左上角开始按序划分为若干个不重叠的8×8像素的局部矩形区域，并提取每个局部矩形区域的纹理特征；

所述的局部矩形区域的纹理特征提取方法具体为：

对于局部矩形区域t_i，其纹理特征是由局部矩形区域t_i的HoG矢量和局部矩形区域t_i的质心坐标p^ti组成；

所述的局部矩形区域t_i的HoG矢量表示为 $H_c^i=\left[\begin{array}{cccc}{h}_c^{i1}& h_c^{\mathrm{ij}}& ...& h_c^{i9}\end{array}\right],$ 其中c∈{r,g,b}，为在c所属的彩色分量图上局部矩形区域t_i中所有像素在梯度方向为0°、20°、40°、60°、80°、100°、120°、140°、160°下的梯度幅度值；

所述的局部矩形区域t_i的质心坐标p^ti表示为其中为局部矩形区域t_i内所有像素垂直方向坐标的均值，为局部矩形区域t_i内所有像素水平方向坐标的均值；

步骤(11)：根据步骤(10)得到的每个局部矩形区域的纹理特征，计算每个局部矩形区域的纹理空间分布特性；

所述的局部矩形区域的纹理空间分布特性计算方法具体为：

对于局部矩形区域t_i，其纹理空间分布特性表示为：

$\left\{\begin{array}{c}{S}_{\mathrm{hr}}^{*}\left(t_i\right)=\underset{c\∈(r,g,b)}{\mathrm{\Σ}}{S}_{\mathrm{hr}}^c\left(t_i\right)\\ S_{\mathrm{hr}}^c\left(t_i\right)=\underset{j}{\mathrm{\Σ}}{h}_c^{\mathrm{ij}}\·(1-{\widetilde{\mathrm{\σ}}}_c\left(j\right))\·(1-{\widetilde{\mathrm{\μ}}}_c\left(j\right))\end{array}\right.$

其中为局部矩形区域t_i在c所属的彩色分量图上的纹理空间分布特性；j∈(0°,20°,40°,60°,80°,100°,120°,140°,160°)为梯度方向取值；为在c所属的彩色分量图上所有局部矩形区域在第j个梯度方向下梯度幅度值的归一化方差；为在c所属的彩色分量图上所有局部矩形区域在第j个梯度方向下梯度幅度值的归一化期望；

所述的和归一化方法为：

${\widetilde{\mathrm{\σ}}}_c\left(j\right)=\frac{{\mathrm{\σ}}_c\left(j\right)}{\underset{j}{\mathrm{\Σ}}{\mathrm{\σ}}_c\left(j\right)},$

其中σ_c(j)为在c所属的彩色分量图上所有局部矩形区域在第j个梯度方向下梯度幅度值的方差；μ_c(j)为在c所属的彩色分量图上所有局部矩形区域在第j个梯度方向下梯度幅度值的期望；

步骤(12)：为输入图像中每个像素分配纹理显著性值，具体为：

对于局部矩形区域t_i中的像素p，其纹理显著性值表示为：

$S_h^{*}\left(p\right)=S_{\mathrm{hr}}^{*}\left(t_i\right),p\∈t_i$

步骤(13)：根据步骤(8)和步骤(12)的结果，计算输入图像中每个像素的最终显著性值，具体为：

对输入图像中像素p，其最终显著性值S(p)表示为：