基于小波变换的多尺度图像显著性检测系统

资 源 简 介

本项目基于MATLAB环境，开发了一套深度模拟人类视觉注意力机制的图像显著性提取算法，核心创新点在于利用小波变换的多尺度特性进行特征融合。系统的工作流程非常详细且严谨：首先，对输入的RGB图像进行预处理，包括去噪及色彩空间转换（转换至CIE Lab或HSV空间），以分离亮度、颜色和纹理信息，从而更好地符合人眼的感知特性。其次，引入离散小波变换（DWT）技术，对图像的各个特征分量进行多层级分解，获取不同分辨率下的低频近似分量和高频细节分量。在特征提取阶段，该项目不依赖单一特征，而是分别计算全局对比度和局部对比度，生成各通道的初步显著图。最关键的技术环节是“小波域融合机制”，项目代码中实现了复杂的融合规则，在小波域内对不同通道和小波系数进行非线性加权融合，有效整合了多尺度下的视觉线索，增强了显著目标的边界清晰度并有效抑制了背景噪声。最后，通过逆小波变换重构图像，并辅以高斯滤波和中心先验加权进行后处理，输出高质量的最终显著图。该系统代码注释详细，逻辑清晰，非常适合用于图像压缩、目标识别预处理、内容感知缩放以及视觉质量评价等科研与工程应用。

详 情 说 明

基于小波变换融合的图像显著性检测系统

项目简介

本项目是一个基于MATLAB环境开发的图像显著性检测系统。该系统旨在模拟人类视觉注意力机制，通过分析图像的频域特性与色彩特征，自动提取图像中最吸引人眼注意的显著区域。核心算法采用了离散小波变换（Discrete Wavelet Transform, DWT）的多尺度分解特性，结合全局颜色对比度与中心先验机制，实现了高精度的显著图生成。该工具适用于图像预处理、目标检测、自适应压缩及视觉质量评价等领域。

功能特性

• 多色彩空间分析：支持将RGB图像转换至CIE Lab色彩空间，独立处理亮度（L）与颜色拮抗通道（a, b），更符合人眼感知特性。
• 鲁棒的输入处理：支持多种常见图像格式（jpg, png, bmp, tif），并内置了合成测试图像生成功能，在用户取消选图时自动演示系统流程。
• 小波域多尺度融合：利用Daubechies小波（db4）进行多层级分解，提取不同尺度下的高频细节特征，有效捕捉图像边缘与纹理变化。
• 全局与局部特征结合：算法不仅考虑了小波域的局部纹理能量，还融合了基于全局均值的对比度特征，增强了目标检测的完整性。
• 中心先验增强：内置高斯分布权重的中心先验机制，模拟人眼聚焦图像中心的视觉习惯，有效抑制边缘背景噪声。
• 自适应二值化分割：采用OTSU（大津法）自动计算阈值生成掩膜，并结合形态学开闭运算优化分割结果。
• 多视图可视化：提供原始图像、灰度显著图、二值化掩膜以及热力图叠加（Heatmap Overlay）的对比展示。

系统逻辑与算法实现

根据 main.m 的实际代码逻辑，系统的工作流程如下：

1. 图像输入与预处理

• 图像读取：系统首先尝试让用户通过UI选择图片。若用户取消，系统会自动调用 create_synthetic_image 生成一张带有噪声的蓝色背景红色圆形目标的测试图。
• 格式统一：强制将灰度图转换为伪RGB格式，并将像素值归一化为双精度浮点型 [0, 1]。
• 尺寸归一化：为了兼顾计算效率与细节，将图像的长宽最大边限制在512像素以内，使用双三次插值（bicubic）进行缩放。
• 去噪：使用 5x5 的高斯滤波器对输入图像进行平滑处理，去除高频噪声对后续小波系数的干扰。

2. 色彩空间转换

• 代码尝试利用图像处理工具箱将RGB转换为 CIE Lab 空间。
• 如果缺少相关工具箱，代码预留了自定义转换函数的调用逻辑（虽依赖外部实现，但保证了程序的健壮性）。
• 提取 L（亮度）、a（红绿）、b（黄蓝）三个通道，并分别进行特定的归一化处理。

3. 基于小波的显著性提取

这是系统的核心部分，针对 L、a、b 三个通道分别独立计算显著图：

• 环境检测与降级方案：首先检测是否存在 Wavelet Toolbox。若不存在，自动降级使用多尺度高斯差分（DoG）算法来近似显著性特征。
• 小波分解：使用 db4 小波基对通道数据进行 3 层分解（wavedec2）。
• 多尺度细节重构：

* 遍历每一层分解（1至3层），提取水平、垂直、对角三个方向的细节系数。 * 计算每一层的局部能量（三个方向系数绝对值之和）。 * 关键步骤：不使用传统的逆小波变换重构图像，而是将各层的能量图直接 imresize（上采样）回原图尺寸。 * 频域加权：采用 1/sqrt(i) 的权重策略，给予低层（高频）细节更高的权重，随后叠加所有层级的能量图。

• 全局特征融合：计算通道数据的全局均值，得到全局对比度图。
• 最终计算：将“多尺度小波局部能量”与“全局对比度（的平方根）”相乘，实现局部突变与全局独特性的非线性融合，最后进行高斯平滑。

4. 通道融合与后处理

• 加权融合：将三个通道的显著图按权重合并，其中亮度通道 L 权重为 0.5，颜色通道 a 和 b 各占 0.25。
• 中心先验（Center Bias）：

* 构建与图像同尺寸的二维高斯分布权重矩阵。 * 假设显著目标大概率位于图像中心，利用该权重矩阵对显著图进行逐点加权，能够有效抑制四周的背景干扰。

• 归一化与恢复：将结果归一化至 [0, 1] 区间，并插值放大回原始图像的真实分辨率。

5. 结果生成与展示

• 二值化：利用 graythresh 计算全局最佳阈值，生成黑白二值掩膜。
• 形态学优化：依次使用闭运算（填充目标内部空洞）和开运算（去除孤立噪点）优化掩膜边缘。
• 可视化：生成 JET 色谱的热力图，利用 0.6 的透明度与原图叠加，在一个 2x2 的子图窗口中直观展示处理全过程。

关键函数解析

main()

主控函数，负责调度整个流水线，包括图像读取、预处理、调用显著性计算子函数、后处理（中心先验）、以及最终的绘图展示。

wavelet_saliency_extraction(channel_data)

核心算法函数。

• 输入：单通道图像数据。
• 逻辑：执行3级DWT分解，提取细节系数（H/V/D）。该函数创新性地通过调整不同层级细节能量的权重（1/sqrt(i)）并结合全局对比度，来强化显著区域的响应值。同时包含针对工具箱缺失的 DoG 备用算法。

generate_heatmap(img_rgb, sal_map)

辅助可视化函数。

• 将单通道的灰度显著图映射为伪彩色（Jet Colormap）。
• 通过 alpha = 0.6 的混合因子，将热力图与变暗的原图进行线性叠加，便于观察显著区域在原图中的位置。

create_synthetic_image()

测试辅助函数。

• 当用户未选择文件时触发。
• 生成一张 400x400 的图像，包含蓝色背景、坐标 (250, 200) 处的红色圆形目标，并叠加随机高斯噪声，用于验证算法的抗噪性和基本检测能力。

系统要求

• MATLAB R2016a 或更高版本（建议）。
• Image Processing Toolbox（必须，用于图像滤波、色彩转换、形态学处理）。
• Wavelet Toolbox（推荐，用于核心的小波分解算法；若缺失将自动切换至高斯差分模式）。

使用方法

1. 确保 MATLAB 的当前路径包含 main.m 文件。
2. 在 MATLAB 命令窗口输入 main 并回车。
3. 在弹出的文件选择对话框中选择一张图片。
4. 等待系统处理，结果窗口将自动弹出，展示 RGB 原图、显著性概率图、目标掩膜及热力图叠加结果。