基于GBVS算法的图像视觉显著性检测系统

资 源 简 介

本项目是基于加州理工学院Jonathan Harel提出的图论视觉显著性检测（Graph-Based Visual Saliency, GBVS）算法实现的经典模型。其核心功能是模拟人类视觉系统的注意机制，自动计算并提取二维图像中最具吸引力的区域。该项目通过多尺度分析提取图像的亮度、色彩和方向等底层特征，并利用图论的方法将图像像素或区域抽象为图节点。通过定义基于空间距离和特征差异的转移权重，在图上构建马尔可夫链，利用随机游走过程的平衡状态来确定各区域的显著性数值。这种方法有效地结合了局部对比度和全局结构信息，能够生成边缘清晰、对焦点准确的显著性映射图。该系统在计算机视觉领域具有极高的工程价值，广泛应用于目标检测、图像裁剪、视觉质量评估、机器人导航以及人机交互等场景，是视觉显著性研究领域的标杆性实现。

详 情 说 明

二维图像视觉显著性检测系统（基于GBVS算法）

项目介绍

本项目实现了一种基于图论的视觉显著性检测（Graph-Based Visual Saliency, GBVS）模型。该模型由加州理工学院的 Jonathan Harel 提出，旨在模拟人类视觉系统中的注意力分配机制。系统通过分析图像的底层视觉特征，并利用马尔可夫链和随机游走算法，自动识别并提取图像中最具吸引力的区域。相比于传统的对比度方法，该实现不仅考虑了局部特征。更有效地捕获了图像的全局结构信息，生成的显著性映射图在边缘保持和焦点识别方面具有极高的准确性。

功能特性

1. 多维度特征提取：系统从亮度、颜色（红绿差异、蓝黄差异）以及四个方向（0°、45°、90°、135°）提取多维底层视觉特征。
2. 图论核心算法：利用马尔可夫链及其平稳分布特性，在降采样的网格图上进行激活计算与归一化处理。
3. 自适应处理流水线：包括自动灰度转彩色处理、多尺度重采样、高斯平滑以及基于大津法（Otsu's method）的显著目标分割。
4. 直观的结果展示：提供原图、灰度显著图、热力图融合叠加以及二值化分割图的对比展示。

系统要求

• 开发环境：MATLAB R2016b 或更高版本。
• 工具箱依赖：Image Processing Toolbox（图像处理工具箱）。
• 硬件要求：考虑到图理论中转移矩阵的内存开销，主算法运行在降采样的 32x32 网格上，标准个人电脑即可流畅运行。

使用方法

1. 运行系统主逻辑程序。
2. 在弹出的文件选择对话框中选择一张常见的图像文件（支持 .jpg, .png, .bmp, .tif 等）。若取消选择，系统将自动加载内建的 peppers.png 图片作为演示。
3. 等待程序完成特征提取、图论分析和后处理过程。
4. 系统将自动弹出可视化窗口，展示四个维度的检测结果。

实现逻辑与详细功能分析

1. 图像输入与格式标准化

系统首先提供文件交互界面，加载图像后进行质量检查。若输入为灰度图，系统会自动将其转换为三维 RGB 格式，并统一转换为双精度浮点数（double）以便进行精确的数学运算。

2. 多通道特征提取

系统并行提取三类对人类视觉最敏感的特征：

• 亮度通道：计算 RGB 三通道的平均值。
• 颜色通道：计算红-绿色差（RG）和蓝-黄色差（BY）。其中黄色通道通过红绿均值减去色差与蓝色的偏移量得到。
• 方向通道：利用 Gabor 滤波器在 0°、45°、90° 和 135° 四个维度上进行卷积，捕获不同角度的边缘纹理特征。

3. GBVS 图论核心实现

这是系统的核心，针对每一个提取出的特征图执行以下两个阶段：

阶段 A：激活图计算 (Activation Map)

• 节点构建：将特征图缩放到 32x32 的网格。每一个像素代表图中的一个节点。
• 权重定义：任意两个节点之间的连接权重由其“空间距离”和“特征差异”共同决定。空间距离越近、特征差异越大，转移概率越高。
• 平稳分布求解：构建转移矩阵并进行列归一化，通过 20 次幂律迭代寻找马尔可夫链的平稳分布向量。这一步能够突出与周围差异明显的区域。

阶段 B：归一化处理 (Normalization Map)

• 对第一阶段生成的激活图再次进行图运算。不同的是，此阶段的权重取决于目标节点的特征值大小，这起到了类似非极大值抑制的作用，使显著性进一步向高响应区域集中。

4. 融合与后处理

• 特征融合：将所有 7 个处理后的显著性分量（亮度、2种颜色、4个方向）进行线性累加，生成主显著性映射图。
• 空间重建：使用双三次插值（Bicubic）将 32x32 的计算结果缩放回输入图像的原始尺寸。
• 平滑去噪：应用高斯滤波（核大小为原图尺寸的 5%，西格玛为 2%）来消除降采样带来的块状效应，使显著区域过渡自然。
• 归一化：将数值范围线性映射至 0-255，便于存储和显示。

5. 结果可视化逻辑

• 原图呈现：展示最初输入的原始视觉图像。
• 灰度映射：直接展示由算法计算出的视觉显著性强度。
• 融合映射：将显著性图以 JET 伪彩色图谱的形式覆盖在原图上，并设置 50% 的透明度，直观展示算法关注点与原图物体的对应关系。
• 目标分割：利用 graythresh 函数自动寻找全局最优阈值，将显著图转换为二值图像，实现候选目标的自动提取。