CN102521617A - 一种利用稀疏基的协同显著性检测方法 - Google Patents
一种利用稀疏基的协同显著性检测方法 Download PDFInfo
- Publication number
- CN102521617A CN102521617A CN2011104567120A CN201110456712A CN102521617A CN 102521617 A CN102521617 A CN 102521617A CN 2011104567120 A CN2011104567120 A CN 2011104567120A CN 201110456712 A CN201110456712 A CN 201110456712A CN 102521617 A CN102521617 A CN 102521617A
- Authority
- CN
- China
- Prior art keywords
- tau
- image
- sigma
- partiald
- mutual information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种利用利用稀疏基检测协同显著性的方法,其特征在于:首先,从自然图像中使用独立变量分析方法,训练出一组稀疏基;然后,对输入图像滤波作用得到输入图像的特征分布,根据图像之间相互独立,定义了多组数据变量的K-L散度度量它们之间的相似性,最后,根据K-L散度性质找出散度下降明显的地方,也即是图像的相似处。本发明提出的利用稀疏基检测协同显著性的方法,采用ICA方法求取自然图像一组稀疏基,然后运用互信息作为图像相关性的度量,可以快速检测出多幅图像的共同显著性目标。
Description
技术领域
本发明涉及一种利用稀疏基的协同显著性检测方法,可以检测多幅图像的共同显著性目标。
背景技术
随着多媒体技术的发展,图像已经成为一种信息载体的重要方式。面对浩瀚的图像数据如何才能快速准确的处理成为了一个富有挑战且亟待解决的课题。在图像处理和分析中,人们所关心的只是图像中的一小部分内容,即所谓的显著区域,这通常称为前景或目标。近几年来,显著性的研究已经广泛应用到计算机视觉的各个领域,如目标识别,图像的分割,图像检索和视频检索等。
尽管图像显著性的研究取得了很多成果,但是仍有许多问题没有解决。什么是显著性,如何评价显著性并没有一个很好标准。心理学家研究表明人类视觉系统从一个场景中获得显著性特征,只关注那些感兴趣的部分,而不关注不相关的其他部分。然而,在众显著目标中哪一个是最显著的?以前的研究中主要是对一个单幅图像找到它的显著目标,可是当我们面对多幅图像时,那些在每幅图像中都存在的相同部分,我们则更加感兴趣。
发明内容
要解决的技术问题
本发明要解决的技术问题是:如何快速有效的检测出多幅图像中的共同显著性目标。本发明提供了一种基于稀疏基的协同显著性检测方法。
为解决上述技术问题,包括以下步骤:
步骤1:将M幅自然图像调整为120×160大小,提取调整后的每一幅图像中所有互不相交的8×8子图像块,得到300×M个8×8子图像块;然后对每个图像块在红、绿、蓝三个通道的灰度值拉伸,得到一组含有300×M个192维向量的向量组;
步骤2:对步骤1得到的192维向量组利用独立变量分析ICA算法得到一组互信息最小的稀疏特征基A,令K=A-1作为一个滤波器集合,ki为K的第i行;
所述θ为显著性系数的阈值且满足θ∈(0,1);
步骤5:计算图像I0关于图像I1,I2,L,In互信息
步骤6:计算图像I0关于图像I1,I2,L,In互信息变化率
其中: (τ=0,1,2,L,n);
步骤7:采用下式计算互信息减少的子图像块
步骤8:计算步骤7得到的互信息减少的子图像块后图像Iτ的第i个特征分布
其中:
步骤9:迭代执行步骤5~步骤8循环N次,得到图像I0关于图像I1,I2,L,In的特征分布
步骤10:利用步骤9得到的特征分布,计算图像I0关于图像I1,I2,L,In协同显著图的向量表示得到图像I0关于图像I1,I2,L,In协同显著图;其中:X(0)为步骤3中得到的图像I0向量表示,为对角矩阵,然后将Smap(0)的每一列还原为一个8×8大小的子图像块。
有益效果
本发明提出的利用稀疏基检测协同显著性的方法,采用ICA方法求取自然图像一组稀疏基,然后运用互信息作为图像相关性的度量,可以快速检测出多幅图像的共同显著性目标。
附图说明
图1:本发明方法的基本流程图;
图2:本发明方法利用基于稀疏基的协同显著性方法检测的结果。
具体实施方式
现结合实施例、附图对本发明作进一步描述:
用于实施的硬件环境是:AMD Athlon 64×25000+计算机、2GB内存、256M显卡,运行的软件环境是:Matlab2010a和Windows XP。我们用Matlab软件实现了本发明提出的方法。
本发明具体实施如下:
1、选取400幅自然图像,调整大小为120×160,提取调整后每一幅图像中所有互不相交的8×8子图像块,得到120000个8×8子图像块,对每个图像块分别对红、绿、蓝三个通道的灰度值拉伸,得到一组含有120000个192维向量的向量组。
2、对步骤1得到的192维向量组利用独立变量分析ICA算法得到一组互信息最小的稀疏特征基A,令K=A-1作为一个滤波器集合,ki为K的第i行;
5、计算图像I0关于图像I1,I2,I3,I4互信息
6、计算图像I0关于图像I1,I2,I3,I4互信息变化率
其中: (τ=0,1,2,3,4);
7、采用下式计算互信息减少的子图像块
8、计算步骤7得到的互信息减少的子图像块后图像Iτ的第i个特征分布
其中:
9、迭代执行步骤5~步骤8循环20次,得到图像I0关于图像I1,I2,I3,I4的特征分布
Claims (1)
1.一种利用稀疏基的协同显著性检测方法,其特征在步骤如下:
步骤1:将M幅自然图像调整为120×160大小,提取调整后的每一幅图像中所有互不相交的8×8子图像块,得到300×M个8×8子图像块;然后对每个图像块在红、绿、蓝三个通道的灰度值拉伸,得到一组含有300×M个192维向量的向量组;
步骤2:对步骤1得到的192维向量组利用独立变量分析ICA算法得到一组互信息最小的稀疏特征基A,令K=A-1作为一个滤波器集合,ki为K的第i行;
其中每一列对应一个子图像块;
所述θ为显著性系数的阈值且满足θ∈(0,1);
步骤5:计算图像I0关于图像I1,I2,L,In互信息
步骤6:计算图像I0关于图像I1,I2,L,In互信息变化率
其中: (τ=0,1,2,L,n);
步骤7:采用下式计算互信息减少的子图像块
步骤8:计算步骤7得到的互信息减少的子图像块后图像Iτ的第i个特征分布
其中:
步骤9:迭代执行步骤5~步骤8循环N次,得到图像I0关于图像I1,I2,L,In的特征分布
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110456712 CN102521617B (zh) | 2011-12-26 | 2011-12-26 | 一种利用稀疏基的协同显著性检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110456712 CN102521617B (zh) | 2011-12-26 | 2011-12-26 | 一种利用稀疏基的协同显著性检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102521617A true CN102521617A (zh) | 2012-06-27 |
CN102521617B CN102521617B (zh) | 2013-10-09 |
Family
ID=46292528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110456712 Expired - Fee Related CN102521617B (zh) | 2011-12-26 | 2011-12-26 | 一种利用稀疏基的协同显著性检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102521617B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831402A (zh) * | 2012-08-09 | 2012-12-19 | 西北工业大学 | 基于稀疏编码和视觉显著性的红外遥感图像检测机场的方法 |
CN107169516A (zh) * | 2017-05-11 | 2017-09-15 | 上海海事大学 | 基于k‑l变换的海上小目标显著性检测方法 |
CN108009549A (zh) * | 2017-11-02 | 2018-05-08 | 天津大学 | 一种迭代协同显著性检测方法 |
CN108199995A (zh) * | 2018-02-05 | 2018-06-22 | 电子科技大学 | 一种基于kl散度的通信信号图域特征迭代提取方法 |
CN108494711A (zh) * | 2018-02-05 | 2018-09-04 | 电子科技大学 | 一种基于kl散度的通信信号图域特征提取方法 |
CN110111295A (zh) * | 2018-02-01 | 2019-08-09 | 北京中科奥森数据科技有限公司 | 一种图像协同显著性检测方法及装置 |
CN110533048A (zh) * | 2018-05-23 | 2019-12-03 | 上海交通大学 | 基于全景区域场景感知的组合语义层次连接模型的实现方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1883386A (zh) * | 2006-07-06 | 2006-12-27 | 上海交通大学 | 基于机器学习的立体核磁共振脑图像弹性配准方法 |
WO2008091483A2 (en) * | 2007-01-23 | 2008-07-31 | Euclid Discoveries, Llc | Computer method and apparatus for processing image data |
CN101968850A (zh) * | 2010-10-21 | 2011-02-09 | 重庆大学 | 一种模拟生物视觉机制的人脸特征提取方法 |
-
2011
- 2011-12-26 CN CN 201110456712 patent/CN102521617B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1883386A (zh) * | 2006-07-06 | 2006-12-27 | 上海交通大学 | 基于机器学习的立体核磁共振脑图像弹性配准方法 |
WO2008091483A2 (en) * | 2007-01-23 | 2008-07-31 | Euclid Discoveries, Llc | Computer method and apparatus for processing image data |
CN101968850A (zh) * | 2010-10-21 | 2011-02-09 | 重庆大学 | 一种模拟生物视觉机制的人脸特征提取方法 |
Non-Patent Citations (1)
Title |
---|
鲍永生等: "一种基于兴趣点的图像检索方法", 《西北工业大学学报》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831402A (zh) * | 2012-08-09 | 2012-12-19 | 西北工业大学 | 基于稀疏编码和视觉显著性的红外遥感图像检测机场的方法 |
CN102831402B (zh) * | 2012-08-09 | 2015-04-08 | 西北工业大学 | 基于稀疏编码和视觉显著性的红外遥感图像检测机场的方法 |
CN107169516A (zh) * | 2017-05-11 | 2017-09-15 | 上海海事大学 | 基于k‑l变换的海上小目标显著性检测方法 |
CN107169516B (zh) * | 2017-05-11 | 2020-10-23 | 上海海事大学 | 基于k-l变换的海上小目标显著性检测方法 |
CN108009549A (zh) * | 2017-11-02 | 2018-05-08 | 天津大学 | 一种迭代协同显著性检测方法 |
CN108009549B (zh) * | 2017-11-02 | 2021-06-04 | 天津大学 | 一种迭代协同显著性检测方法 |
CN110111295A (zh) * | 2018-02-01 | 2019-08-09 | 北京中科奥森数据科技有限公司 | 一种图像协同显著性检测方法及装置 |
CN110111295B (zh) * | 2018-02-01 | 2021-06-11 | 北京中科奥森数据科技有限公司 | 一种图像协同显著性检测方法及装置 |
CN108494711B (zh) * | 2018-02-05 | 2020-09-18 | 电子科技大学 | 一种基于kl散度的通信信号图域特征提取方法 |
CN108199995B (zh) * | 2018-02-05 | 2020-09-18 | 电子科技大学 | 一种基于kl散度的通信信号图域特征迭代提取方法 |
CN108494711A (zh) * | 2018-02-05 | 2018-09-04 | 电子科技大学 | 一种基于kl散度的通信信号图域特征提取方法 |
CN108199995A (zh) * | 2018-02-05 | 2018-06-22 | 电子科技大学 | 一种基于kl散度的通信信号图域特征迭代提取方法 |
CN110533048A (zh) * | 2018-05-23 | 2019-12-03 | 上海交通大学 | 基于全景区域场景感知的组合语义层次连接模型的实现方法及系统 |
CN110533048B (zh) * | 2018-05-23 | 2023-08-04 | 上海交通大学 | 基于全景区域场景感知的组合语义层次连接模型的实现方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN102521617B (zh) | 2013-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102521617B (zh) | 一种利用稀疏基的协同显著性检测方法 | |
CN101271525B (zh) | 一种快速的图像序列特征显著图获取方法 | |
CN103996195A (zh) | 一种图像显著性检测方法 | |
CN102496023B (zh) | 像素层面的感兴趣区域提取方法 | |
CN103177458B (zh) | 一种基于频域分析的可见光遥感图像感兴趣区域检测方法 | |
CN102495998B (zh) | 基于视觉选择性注意计算模型的静态目标检测方法 | |
CN103020993B (zh) | 一种双通道颜色对比度融合的视觉显著性检测方法 | |
Feng et al. | Camouflage texture evaluation using saliency map | |
CN103208097B (zh) | 图像多方向形态结构分组的主分量分析协同滤波方法 | |
CN104298981A (zh) | 人脸微表情的识别方法 | |
CN105590319A (zh) | 一种深度学习的图像显著性区域检测方法 | |
CN101551863A (zh) | 基于非下采样轮廓波变换的遥感图像道路提取方法 | |
CN103310236A (zh) | 基于局部二维特征的拼接图像检测方法及系统 | |
CN103559697A (zh) | 基于fft的碎纸片纵切拼接复原算法 | |
CN101819638A (zh) | 色情检测模型建立方法和色情检测方法 | |
CN107292318A (zh) | 基于中心暗通道先验信息的图像显著性物体检测方法 | |
CN103246877B (zh) | 基于图像轮廓的人脸识别新方法 | |
CN106446849A (zh) | 一种疲劳驾驶检测方法 | |
CN109543656A (zh) | 一种基于dcs-ldp的人脸特征提取方法 | |
CN108122225A (zh) | 基于自适应特征点的数字图像篡改检测方法 | |
CN103839066A (zh) | 一种源于生物视觉的特征提取方法 | |
Dixit et al. | Copy-move forgery detection exploiting statistical image features | |
CN103678552A (zh) | 基于显著区域特征的遥感影像检索方法及系统 | |
CN106909883A (zh) | 一种基于ros的模块化手部区域检测方法和装置 | |
CN103714340A (zh) | 基于图像分块的自适应特征提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20131009 Termination date: 20151226 |
|
EXPY | Termination of patent right or utility model |