CN103020993A - 一种双通道颜色对比度融合的视觉显著性检测方法 - Google Patents

一种双通道颜色对比度融合的视觉显著性检测方法 Download PDF

Info

Publication number
CN103020993A
CN103020993A CN2012104973326A CN201210497332A CN103020993A CN 103020993 A CN103020993 A CN 103020993A CN 2012104973326 A CN2012104973326 A CN 2012104973326A CN 201210497332 A CN201210497332 A CN 201210497332A CN 103020993 A CN103020993 A CN 103020993A
Authority
CN
China
Prior art keywords
pixel region
color
super pixel
floor height
space
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
Application number
CN2012104973326A
Other languages
English (en)
Other versions
CN103020993B (zh
Inventor
周文晖
宋腾
孙志海
吴以凡
徐翀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Haining Dingcheng Intelligent Equipment Co ltd
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201210497332.6A priority Critical patent/CN103020993B/zh
Publication of CN103020993A publication Critical patent/CN103020993A/zh
Application granted granted Critical
Publication of CN103020993B publication Critical patent/CN103020993B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种双通道颜色对比度融合的视觉显著性检测方法。本发明方法首先提取输入图像的高斯尺度图像，将每层高斯尺度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。其次采用彩色变换方法，分别提取每层高斯尺度图像在CIELAB空间的三个彩色分量图，基于上述三个彩色分量图为每个像素分配基于CIELAB空间的颜色显著性值。然后采用彩色变换方法，分别提取每层高斯尺度图像在RGB空间的三个彩色分量图，基于这三个彩色分量图为每个像素分配基于RGB空间的颜色显著性值。最后将两个空间的颜色显著性值融合得到输入图像中每个像素的最终显著性值。本发明可有效克服单一颜色通道检测的局限，提高显著性检测的鲁棒性。

Description

一种双通道颜色对比度融合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CIELAB颜色通道对比度特性和RGB颜色通道对比度特性的视觉显著性检测方法。
背景技术
视觉选择性注意力机制可以突破信息处理的瓶颈，使得人类可以很容易地判断局部显著性区域。在计算机视觉中，显著性提供了一种基于生物启发的人工视觉系统处理框架，实现图像处理和分析所需计算资源的优先分配。目前视觉显著性已在计算机视觉和图像处理领域引起广泛兴趣，包括图像分割，自适应压缩，图像内容编辑等。
目前视觉显著性检测模型大致分为两类。一类是基于生物启发的显著性检测方法。这类方法倾向模拟人类眼球运动，追踪眼部的关注焦点，其最终显著图往往是图像中某几个预测人眼关注的位置点或小区域，难以直接用于大多数的计算机视觉任务。
另一类是计算模型，它们通常都是以目标为显著单元，这与大多数的计算机视觉任务的目标更为一致。在大多数的计算模型中，显著目标通常定义为“相对于周围背景有充分的独特性、稀有性和不可预计性”。该定义隐含了对比度先验、背景先验，或某些高阶假设。基于对比度的显著检测模型是目前的流行方法，通过提取局部对比度特性和全局对比度特性来实现显著性检测。虽然这些方法通常也是受生物学原理启发以及基于某些生物学概念，且在近年来已获得了瞩目的成功，但它们的实现和策略往往是难以验证其合理性。特别是特征的选择和参数配置通常都需根据实验来确定。Cheng等人利用图割方法提取区域特征，并将全局对比度分析应用到显著性区域检测。但由于采取大尺度区域的图割方法，难以解决显著性区域的边缘扩散问题。Perazzi等人引入SLIC超像素分割方法，提取均匀且具边缘保持特性的超像素区域作为显著基元，提高了显著性检测精度。然而目前性能优秀的计算模型通常都在单一尺度空间下进行显著性分析，因而难以处理背景纹理复杂或目标纹理复杂的显著性检测。目前基于多尺度空间的计算模型往往面临着显著目标轮廓模糊等局限，因而召回率和精确度都难以令人满意。
发明内容
本发明针对现有技术的不足，融合CIELAB和RGB颜色通道对比度特性，提供了一种双通道颜色对比度融合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)：提取输入图像的N层高斯尺度图像，具体为：
对于输入图像                                               
Figure 2012104973326100002DEST_PATH_IMAGE002
，其第n层高斯尺度图像
Figure 2012104973326100002DEST_PATH_IMAGE004
表示为：
，
其中高斯函数的方差为
Figure 2012104973326100002DEST_PATH_IMAGE012
，均值为0；
Figure 2012104973326100002DEST_PATH_IMAGE014
表示卷积运算。通常取
Figure 2012104973326100002DEST_PATH_IMAGE016
，。
步骤(2)：采用SLIC超像素聚类方法，将每层高斯尺度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。具体为：
对于第n层高斯尺度图像
Figure 819526DEST_PATH_IMAGE004
，设定期望划分的超像素个数为
Figure 2012104973326100002DEST_PATH_IMAGE020
，采用SLIC方法根据期望的超像素个数划分超像素区域。
步骤(3)：采用彩色变换方法，分别提取步骤(1)中每层高斯尺度图像在CIELAB空间的l彩色分量图、a彩色分量图和b彩色分量图，具体为：
对于第n层高斯尺度图像
Figure 536947DEST_PATH_IMAGE004
，其l彩色分量图、a彩色分量图和b彩色分量图分别表示为
Figure 2012104973326100002DEST_PATH_IMAGE022
、
Figure 2012104973326100002DEST_PATH_IMAGE024
和
Figure 2012104973326100002DEST_PATH_IMAGE026
。
步骤(4)：根据步骤(2)和步骤(3)的结果，提取每层高斯尺度图像中每个超像素区域在CIELAB空间的颜色特征，具体为：
对于第n层高斯尺度图像
Figure 184353DEST_PATH_IMAGE004
中的第i个超像素区域r ni ，其颜色特征是由超像素区域r ni 在CIELAB空间的颜色均值矢量
Figure 2012104973326100002DEST_PATH_IMAGE028
、超像素区域r ni 的质心坐标
Figure 2012104973326100002DEST_PATH_IMAGE030
和超像素区域r ni 的面积率
Figure 2012104973326100002DEST_PATH_IMAGE032
组成。
所述的超像素区域r ni 在CIELAB空间的颜色均值矢量
Figure 247993DEST_PATH_IMAGE028
表示为
Figure 2012104973326100002DEST_PATH_IMAGE034
，其中
Figure 2012104973326100002DEST_PATH_IMAGE036
为超像素区域r ni 内所有像素的l彩色分量均值，
Figure 2012104973326100002DEST_PATH_IMAGE038
为超像素区域r ni 内所有像素的a彩色分量均值，
Figure 2012104973326100002DEST_PATH_IMAGE040
为超像素区域r ni 内所有像素的b彩色分量均值。
所述的超像素区域r ni 的质心坐标
Figure 310934DEST_PATH_IMAGE030
表示为
Figure 2012104973326100002DEST_PATH_IMAGE042
，其中为超像素区域r ni 内所有像素垂直方向坐标的均值与输入图像高度的比值，
Figure 2012104973326100002DEST_PATH_IMAGE046
为超像素区域r ni 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 ni 的面积率表示超像素区域r ni 内的像素个数与输入图像总像素的比值。
步骤(5)：根据步骤(4)结果，提取每层高斯尺度图像中每个超像素区域在CIELAB空间的颜色独特性，具体为：
对于第n层高斯尺度图像
Figure 26135DEST_PATH_IMAGE004
中的第i个超像素区域r ni ，其CIELAB空间的颜色独特性
Figure 2012104973326100002DEST_PATH_IMAGE048
表示为：
其中
Figure 2012104973326100002DEST_PATH_IMAGE052
为超像素区域r ni 和超像素区域r nj 在CIELAB空间的颜色距离；
Figure 2012104973326100002DEST_PATH_IMAGE054
为超像素区域r ni 和超像素区域r nj 的空间距离；
Figure 2012104973326100002DEST_PATH_IMAGE056
为高斯函数标准差；m为第n层高斯尺度图像
Figure 947211DEST_PATH_IMAGE004
在步骤(2)中划分出的超像素个数。
所述的超像素区域r ni 和超像素区域r nj 在CIELAB空间的颜色距离表示为超像素区域r ni 在CIELAB空间的颜色均值矢量
Figure 68806DEST_PATH_IMAGE028
与超像素区域r nj 在CIELAB空间的颜色均值矢量
Figure 2012104973326100002DEST_PATH_IMAGE058
的L2距离，具体描述为：
Figure 2012104973326100002DEST_PATH_IMAGE060
所述的超像素区域r ni 和超像素区域r nj 的空间距离
Figure 120332DEST_PATH_IMAGE054
表示为超像素区域r ni 的质心坐标与超像素区域r nj 的质心坐标
Figure 2012104973326100002DEST_PATH_IMAGE062
的L2距离，具体描述为：
Figure 2012104973326100002DEST_PATH_IMAGE064
步骤(6)：根据步骤(4)结果，计算每层高斯尺度图像中每个超像素区域在CIELAB空间的空间分布特性，具体为：
对于第n层高斯尺度图像
Figure 322829DEST_PATH_IMAGE004
中的第i个超像素区域r ni ，其在CIELAB空间的空间分布特性
Figure 2012104973326100002DEST_PATH_IMAGE066
表示为：
Figure 2012104973326100002DEST_PATH_IMAGE068
其中
Figure 2012104973326100002DEST_PATH_IMAGE070
为高斯函数标准差。
步骤(7)：根据步骤(5)和步骤(6)的结果，计算每层高斯尺度图像中每个超像素区域在CIELAB空间的颜色显著性值，具体为：
对于第n层高斯尺度图像
Figure 377503DEST_PATH_IMAGE004
中的第i个超像素区域r ni ，其在CIELAB空间的颜色显著性值
Figure 2012104973326100002DEST_PATH_IMAGE072
表示为：
Figure 2012104973326100002DEST_PATH_IMAGE074
其中
Figure 2012104973326100002DEST_PATH_IMAGE076
为高斯函数方差。
步骤(8)：根据步骤(5)结果，对步骤(7)结果进行平滑优化，以保证在CIELAB空间中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CIELAB空间中颜色显著性值的平滑优化方法具体为：
对于第n层高斯尺度图像中的第i个超像素区域r ni ，其在CIELAB空间的颜色显著性值经平滑优化后结果
Figure 2012104973326100002DEST_PATH_IMAGE078
表示为：
Figure 2012104973326100002DEST_PATH_IMAGE080
其中
Figure 2012104973326100002DEST_PATH_IMAGE082
表示超像素区域r ni 在CIELAB空间的颜色独特性和超像素区域r nj 在CIELAB空间的颜色独特性的距离，
Figure 2012104973326100002DEST_PATH_IMAGE084
为距离归一化值。
步骤(9)：为每层高斯尺度图像中的每个像素分配基于CIELAB空间的颜色显著性值，具体为：
对于第n层高斯尺度图像
Figure 859880DEST_PATH_IMAGE004
中像素
Figure 2012104973326100002DEST_PATH_IMAGE086
，其在CIELAB空间的颜色显著性值
Figure 2012104973326100002DEST_PATH_IMAGE088
表示为：
Figure 2012104973326100002DEST_PATH_IMAGE090
步骤(10)：为输入图像中的每个像素分配基于CIELAB空间的颜色显著性值，具体为：
对于输入图像中像素
Figure 2012104973326100002DEST_PATH_IMAGE092
，其在CIELAB空间的颜色显著性值
Figure 2012104973326100002DEST_PATH_IMAGE094
表示为：
Figure 2012104973326100002DEST_PATH_IMAGE096
其中
Figure 2012104973326100002DEST_PATH_IMAGE098
 和
Figure 2012104973326100002DEST_PATH_IMAGE100
 分别为像素p在图像坐标系下的水平坐标和垂直坐标。
Figure 2012104973326100002DEST_PATH_IMAGE102
 和
Figure 2012104973326100002DEST_PATH_IMAGE104
 分别为输入图像中心点的水平坐标和垂直坐标。
Figure 2012104973326100002DEST_PATH_IMAGE106
 和
Figure 2012104973326100002DEST_PATH_IMAGE108
分别为二维高斯函数的水平方差和垂直方差，分别取值为输入图像宽度的一半和高度的一半。
步骤(11)：采用彩色变换方法，分别提取每层高斯尺度图像在RGB空间的R彩色分量图、G彩色分量图和B彩色分量图，具体为：
对于第n层高斯尺度图像
Figure 22744DEST_PATH_IMAGE004
，其R彩色分量图、G彩色分量图和B彩色分量图分别表示为
Figure 2012104973326100002DEST_PATH_IMAGE110
、
Figure 2012104973326100002DEST_PATH_IMAGE112
和。
步骤(12)：根据步骤(2)和步骤(11)的结果，提取每层高斯尺度图像中每个超像素区域在RGB空间的颜色特征，具体为：
对于第n层高斯尺度图像
Figure 63250DEST_PATH_IMAGE004
中的第i个超像素区域r ni ，其颜色特征是由超像素区域r ni 在RGB空间的颜色均值矢量、超像素区域r ni 的质心坐标
Figure 17431DEST_PATH_IMAGE030
和超像素区域r ni 的面积率组成。
所述的超像素区域r ni 在RGB空间的颜色均值矢量
Figure 224738DEST_PATH_IMAGE116
表示为，其中
Figure 2012104973326100002DEST_PATH_IMAGE120
为超像素区域r ni 内所有像素的R彩色分量均值，
Figure 2012104973326100002DEST_PATH_IMAGE122
为超像素区域r ni 内所有像素的G彩色分量均值，
Figure 2012104973326100002DEST_PATH_IMAGE124
为超像素区域r ni 内所有像素的B彩色分量均值。
步骤(13)：根据步骤(12)结果，提取每层高斯尺度图像中每个超像素区域在RGB空间的颜色独特性，具体为：
对于第n层高斯尺度图像
Figure 427574DEST_PATH_IMAGE004
中的第i个超像素区域r ni ，其在RGB空间的颜色独特性
Figure 2012104973326100002DEST_PATH_IMAGE126
表示为：
                 
其中
Figure 2012104973326100002DEST_PATH_IMAGE130
为超像素区域r ni 和超像素区域r nj 在RGB空间的颜色距离。
所述的超像素区域r ni 和超像素区域r nj 在RGB空间的颜色距离
Figure 559347DEST_PATH_IMAGE130
表示为超像素区域r ni 在RGB空间的颜色均值矢量
Figure 350979DEST_PATH_IMAGE116
与超像素区域r nj 在RGB空间的颜色均值矢量
Figure 2012104973326100002DEST_PATH_IMAGE132
的L2距离，具体描述为：
Figure 2012104973326100002DEST_PATH_IMAGE134
步骤(14)：根据步骤(12)结果，计算每层高斯尺度图像中每个超像素区域在RGB空间的空间分布特性，具体为：
对于第n层高斯尺度图像中的第i个超像素区域r ni ，其在RGB空间的颜色空间分布特性表示为：
Figure 2012104973326100002DEST_PATH_IMAGE138
步骤(15)：根据步骤(13)和步骤(14)的结果，计算每层高斯尺度图像中每个超像素区域在RGB空间的颜色显著性值，具体为：
对于第n层高斯尺度图像
Figure 980729DEST_PATH_IMAGE004
中的第i个超像素区域r ni ，其在RGB空间的颜色显著性值
Figure 2012104973326100002DEST_PATH_IMAGE140
表示为：
Figure 2012104973326100002DEST_PATH_IMAGE142
步骤(16)：根据步骤(13)结果，对步骤(15)结果进行平滑优化，以保证在RGB空间中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RGB空间中颜色显著性值的平滑优化方法具体为：
对于第n层高斯尺度图像
Figure 214395DEST_PATH_IMAGE004
中的第i个超像素区域r ni ，其在RGB空间的颜色显著性值经平滑优化后结果
Figure 2012104973326100002DEST_PATH_IMAGE144
表示为：
Figure 2012104973326100002DEST_PATH_IMAGE146
其中表示超像素区域r ni 在RGB空间的颜色独特性和超像素区域r nj 在RGB空间的颜色独特性的距离，
Figure 2012104973326100002DEST_PATH_IMAGE150
为距离归一化值。
步骤(17)：为每层高斯尺度图像中的每个像素分配基于RGB空间的颜色显著性值，具体为：
对于第n层高斯尺度图像
Figure 927443DEST_PATH_IMAGE004
中像素
Figure 477111DEST_PATH_IMAGE092
，其在RGB空间的颜色显著性值
Figure 2012104973326100002DEST_PATH_IMAGE152
表示为：
Figure 2012104973326100002DEST_PATH_IMAGE154
步骤(18)：为输入图像中的每个像素分配基于RGB空间的颜色显著性值，具体为：
对于输入图像中像素
Figure 215391DEST_PATH_IMAGE092
，其在RGB空间的颜色显著性值
Figure 2012104973326100002DEST_PATH_IMAGE156
表示为：
步骤(19)：根据步骤(10)和步骤(18)的结果，计算输入图像中每个像素的最终显著性值，具体为：
对于输入图像中像素
Figure 816530DEST_PATH_IMAGE092
，其最终颜色显著性值
Figure 2012104973326100002DEST_PATH_IMAGE160
表示为：
Figure 2012104973326100002DEST_PATH_IMAGE162
其中
Figure DEST_PATH_IMAGE164
和
Figure DEST_PATH_IMAGE166
分别为基于CIELAB空间颜色显著性值和基于RGB空间颜色显著性值的融合权重。
本发明提供了一种双通道颜色对比度融合的视觉显著性检测方法。该方法融合了CIELAB颜色通道的颜色对比度显著特性和RGB颜色通道的颜色对比度显著特性，可有效克服单一颜色通道检测的局限，提高显著性检测的鲁棒性。同时该方法融合了不同尺度图像的显著性区域特性，可有效解决单一尺度图像的显著性检测中难以处理背景纹理复杂或目标纹理复杂的问题。该方法可在保持高精度的同时，提高了对显著目标像素的召回率，并且显著目标区域的显著值分布均匀高亮。
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；
图3为召回率-精确度曲线的比对图；
图4为平均绝对误差比较图。
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，一种双通道颜色对比度融合的视觉显著性检测方法具体步骤如下：
步骤(1)：提取输入图像
Figure 127295DEST_PATH_IMAGE002
的N层高斯尺度图像，具体为：
对于输入图像
Figure 349329DEST_PATH_IMAGE002
，其第n层高斯尺度图像
Figure 699539DEST_PATH_IMAGE004
表示为：
Figure 166685DEST_PATH_IMAGE006
，
Figure 285951DEST_PATH_IMAGE008
其中高斯函数
Figure 413307DEST_PATH_IMAGE010
的方差为
Figure 313130DEST_PATH_IMAGE012
，均值为0；表示卷积运算。通常取
Figure 554810DEST_PATH_IMAGE016
，
Figure 853068DEST_PATH_IMAGE018
。
步骤(2)：采用SLIC超像素聚类方法，将每层高斯尺度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。具体为：
对于第n层高斯尺度图像
Figure 177870DEST_PATH_IMAGE004
，设定期望划分的超像素个数为，采用SLIC方法根据期望的超像素个数划分超像素区域。
步骤(3)：采用彩色变换方法，分别提取步骤(1)中每层高斯尺度图像在CIELAB空间的l彩色分量图、a彩色分量图和b彩色分量图，具体为：
对于第n层高斯尺度图像
Figure 815098DEST_PATH_IMAGE004
，其l彩色分量图、a彩色分量图和b彩色分量图分别表示为
Figure 612152DEST_PATH_IMAGE022
、
Figure 158671DEST_PATH_IMAGE024
和
Figure 269847DEST_PATH_IMAGE026
。
步骤(4)：根据步骤(2)和步骤(3)的结果，提取每层高斯尺度图像中每个超像素区域在CIELAB空间的颜色特征，具体为：
对于第n层高斯尺度图像中的第i个超像素区域r ni ，其颜色特征是由超像素区域r ni 在CIELAB空间的颜色均值矢量
Figure 622386DEST_PATH_IMAGE028
、超像素区域r ni 的质心坐标
Figure 656201DEST_PATH_IMAGE030
和超像素区域r ni 的面积率
Figure 367805DEST_PATH_IMAGE032
组成。
所述的超像素区域r ni 在CIELAB空间的颜色均值矢量
Figure 170676DEST_PATH_IMAGE028
表示为
Figure 247216DEST_PATH_IMAGE034
，其中
Figure 281511DEST_PATH_IMAGE036
为超像素区域r ni 内所有像素的l彩色分量均值，
Figure 468910DEST_PATH_IMAGE038
为超像素区域r ni 内所有像素的a彩色分量均值，
Figure 391866DEST_PATH_IMAGE040
为超像素区域r ni 内所有像素的b彩色分量均值。
所述的超像素区域r ni 的质心坐标
Figure 639308DEST_PATH_IMAGE030
表示为
Figure 146251DEST_PATH_IMAGE042
，其中为超像素区域r ni 内所有像素垂直方向坐标的均值与输入图像高度的比值，
Figure 977120DEST_PATH_IMAGE046
为超像素区域r ni 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 ni 的面积率
Figure 395463DEST_PATH_IMAGE032
表示超像素区域r ni 内的像素个数与输入图像总像素的比值。
步骤(5)：根据步骤(4)结果，提取每层高斯尺度图像中每个超像素区域在CIELAB空间的颜色独特性，具体为：
对于第n层高斯尺度图像
Figure 625588DEST_PATH_IMAGE004
中的第i个超像素区域r ni ，其CIELAB空间的颜色独特性
Figure 921833DEST_PATH_IMAGE048
表示为：
Figure 553803DEST_PATH_IMAGE050
其中
Figure 143047DEST_PATH_IMAGE052
为超像素区域r ni 和超像素区域r nj 在CIELAB空间的颜色距离；
Figure 188363DEST_PATH_IMAGE054
为超像素区域r ni 和超像素区域r nj 的空间距离；
Figure 521256DEST_PATH_IMAGE056
为高斯函数标准差；m为第n层高斯尺度图像
Figure 506267DEST_PATH_IMAGE004
在步骤(2)中划分出的超像素个数。
所述的超像素区域r ni 和超像素区域r nj 在CIELAB空间的颜色距离
Figure 531992DEST_PATH_IMAGE052
表示为超像素区域r ni 在CIELAB空间的颜色均值矢量
Figure 736708DEST_PATH_IMAGE028
与超像素区域r nj 在CIELAB空间的颜色均值矢量
Figure 873291DEST_PATH_IMAGE058
的L2距离，具体描述为：
Figure 715739DEST_PATH_IMAGE060
所述的超像素区域r ni 和超像素区域r nj 的空间距离
Figure 974682DEST_PATH_IMAGE054
表示为超像素区域r ni 的质心坐标
Figure 666694DEST_PATH_IMAGE030
与超像素区域r nj 的质心坐标的L2距离，具体描述为：
Figure 802458DEST_PATH_IMAGE064
步骤(6)：根据步骤(4)结果，计算每层高斯尺度图像中每个超像素区域在CIELAB空间的空间分布特性，具体为：
对于第n层高斯尺度图像中的第i个超像素区域r ni ，其在CIELAB空间的空间分布特性
Figure 582250DEST_PATH_IMAGE066
表示为：
Figure 122952DEST_PATH_IMAGE068
其中为高斯函数标准差。
步骤(7)：根据步骤(5)和步骤(6)的结果，计算每层高斯尺度图像中每个超像素区域在CIELAB空间的颜色显著性值，具体为：
对于第n层高斯尺度图像中的第i个超像素区域r ni ，其在CIELAB空间的颜色显著性值
Figure 145026DEST_PATH_IMAGE072
表示为：
Figure 161523DEST_PATH_IMAGE074
其中为高斯函数方差。
步骤(8)：根据步骤(5)结果，对步骤(7)结果进行平滑优化，以保证在CIELAB空间中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CIELAB空间中颜色显著性值的平滑优化方法具体为：
 对于第n层高斯尺度图像中的第i个超像素区域r ni ，其在CIELAB空间的颜色显著性值经平滑优化后结果
Figure 257152DEST_PATH_IMAGE078
表示为：
Figure DEST_PATH_IMAGE168
其中
Figure 513559DEST_PATH_IMAGE082
表示超像素区域r ni 在CIELAB空间的颜色独特性和超像素区域r nj 在CIELAB空间的颜色独特性的距离，
Figure 803726DEST_PATH_IMAGE084
为距离归一化值。
 步骤(9)：为每层高斯尺度图像中的每个像素分配基于CIELAB空间的颜色显著性值，具体为：
 对于第n层高斯尺度图像
Figure 683957DEST_PATH_IMAGE004
中像素
Figure 549321DEST_PATH_IMAGE086
，其在CIELAB空间的颜色显著性值
Figure 907621DEST_PATH_IMAGE088
表示为：
Figure 317874DEST_PATH_IMAGE090
步骤(10)：为输入图像中的每个像素分配基于CIELAB空间的颜色显著性值，具体为：
对于输入图像中像素
Figure 103427DEST_PATH_IMAGE092
，其在CIELAB空间的颜色显著性值
Figure 28658DEST_PATH_IMAGE094
表示为：
Figure 689184DEST_PATH_IMAGE096
其中
Figure 953943DEST_PATH_IMAGE098
 和
Figure 175977DEST_PATH_IMAGE100
 分别为像素p在图像坐标系下的水平坐标和垂直坐标。
Figure 526187DEST_PATH_IMAGE102
 和
Figure 727755DEST_PATH_IMAGE104
 分别为输入图像中心点的水平坐标和垂直坐标。
Figure 847021DEST_PATH_IMAGE106
 和
Figure 302273DEST_PATH_IMAGE108
分别为二维高斯函数的水平方差和垂直方差，分别取值为输入图像宽度的一半和高度的一半。
步骤(11)：采用彩色变换方法，分别提取每层高斯尺度图像在RGB空间的R彩色分量图、G彩色分量图和B彩色分量图，具体为：
对于第n层高斯尺度图像，其R彩色分量图、G彩色分量图和B彩色分量图分别表示为
Figure 643572DEST_PATH_IMAGE110
、
Figure 115880DEST_PATH_IMAGE112
和
Figure 679716DEST_PATH_IMAGE114
。
步骤(12)：根据步骤(2)和步骤(11)的结果，提取每层高斯尺度图像中每个超像素区域在RGB空间的颜色特征，具体为：
对于第n层高斯尺度图像
Figure 4518DEST_PATH_IMAGE004
中的第i个超像素区域r ni ，其颜色特征是由超像素区域r ni 在RGB空间的颜色均值矢量、超像素区域r ni 的质心坐标
Figure 202599DEST_PATH_IMAGE030
和超像素区域r ni 的面积率
Figure 438801DEST_PATH_IMAGE032
组成。
所述的超像素区域r ni 在RGB空间的颜色均值矢量
Figure 985320DEST_PATH_IMAGE116
表示为
Figure 158813DEST_PATH_IMAGE118
，其中
Figure 107177DEST_PATH_IMAGE120
为超像素区域r ni 内所有像素的R彩色分量均值，为超像素区域r ni 内所有像素的G彩色分量均值，
Figure 545166DEST_PATH_IMAGE124
为超像素区域r ni 内所有像素的B彩色分量均值。
步骤(13)：根据步骤(12)结果，提取每层高斯尺度图像中每个超像素区域在RGB空间的颜色独特性，具体为：
对于第n层高斯尺度图像
Figure 928874DEST_PATH_IMAGE004
中的第i个超像素区域r ni ，其在RGB空间的颜色独特性
Figure 997324DEST_PATH_IMAGE126
表示为：
                 
Figure 136182DEST_PATH_IMAGE128
其中
Figure 657293DEST_PATH_IMAGE130
为超像素区域r ni 和超像素区域r nj 在RGB空间的颜色距离。
所述的超像素区域r ni 和超像素区域r nj 在RGB空间的颜色距离
Figure 346157DEST_PATH_IMAGE130
表示为超像素区域r ni 在RGB空间的颜色均值矢量
Figure 269113DEST_PATH_IMAGE116
与超像素区域r nj 在RGB空间的颜色均值矢量
Figure 516555DEST_PATH_IMAGE132
的L2距离，具体描述为：
Figure 524962DEST_PATH_IMAGE134
步骤(14)：根据步骤(12)结果，计算每层高斯尺度图像中每个超像素区域在RGB空间的空间分布特性，具体为：
对于第n层高斯尺度图像
Figure 14587DEST_PATH_IMAGE004
中的第i个超像素区域r ni ，其在RGB空间的颜色空间分布特性表示为：
Figure 272710DEST_PATH_IMAGE138
步骤(15)：根据步骤(13)和步骤(14)的结果，计算每层高斯尺度图像中每个超像素区域在RGB空间的颜色显著性值，具体为：
对于第n层高斯尺度图像
Figure 502834DEST_PATH_IMAGE004
中的第i个超像素区域r ni ，其在RGB空间的颜色显著性值
Figure 297615DEST_PATH_IMAGE140
表示为：
Figure 442768DEST_PATH_IMAGE142
 步骤(16)：根据步骤(13)结果，对步骤(15)结果进行平滑优化，以保证在RGB空间中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RGB空间中颜色显著性值的平滑优化方法具体为：
 对于第n层高斯尺度图像
Figure 32013DEST_PATH_IMAGE004
中的第i个超像素区域r ni ，其在RGB空间的颜色显著性值经平滑优化后结果
Figure 15012DEST_PATH_IMAGE144
表示为：
Figure 347904DEST_PATH_IMAGE146
其中表示超像素区域r ni 在RGB空间的颜色独特性和超像素区域r nj 在RGB空间的颜色独特性的距离，
Figure 420957DEST_PATH_IMAGE150
为距离归一化值。
 步骤(17)：为每层高斯尺度图像中的每个像素分配基于RGB空间的颜色显著性值，具体为：
 对于第n层高斯尺度图像中像素
Figure 496678DEST_PATH_IMAGE092
，其在RGB空间的颜色显著性值
Figure 103240DEST_PATH_IMAGE152
表示为：
Figure 801331DEST_PATH_IMAGE154
步骤(18)：为输入图像中的每个像素分配基于RGB空间的颜色显著性值，具体为：
对于输入图像中像素
Figure 227764DEST_PATH_IMAGE092
，其在RGB空间的颜色显著性值
Figure 168038DEST_PATH_IMAGE156
表示为：
Figure 691423DEST_PATH_IMAGE158
 步骤(19)：根据步骤(10)和步骤(18)的结果，计算输入图像中每个像素的最终显著性值，具体为：
 对于输入图像中像素
Figure 793372DEST_PATH_IMAGE092
，其最终颜色显著性值
Figure 471215DEST_PATH_IMAGE160
表示为：
Figure 949601DEST_PATH_IMAGE162
 其中和
Figure 803605DEST_PATH_IMAGE166
分别为基于CIELAB空间颜色显著性值和基于RGB空间颜色显著性值的融合权重。
 采用目前通用的1000幅数据库及其真值图[2]测试本发明方法的性能。
 如图2所示，本发明方法的显著性检测结果说明如下：第一列为输入图像，第二列为步骤10中得到的CIELAB空间的颜色显著性值
Figure DEST_PATH_IMAGE170
，第三列为步骤18中得到的RGB空间的颜色显著性值
Figure DEST_PATH_IMAGE172
，第四列为步骤19中得到的最终颜色显著性值
Figure DEST_PATH_IMAGE174
，第五列为人工标记的正确视觉显著性区域。
 如图3所示，本发明方法与近期最好的四种方法在召回率-精确度曲线的比对说明如下：CM表示本发明方法；SF表示F. Perazzi 等人提出的显著性滤波方法；HC为M.-M. Cheng等人提出的基于直方图的全局对比度显著性检测方法；RC为M.-M. Cheng等人提出的基于区域的全局对比度显著性检测方法； LR为X. Shen等人提出的基于低阶矩阵的显著性检测方法。本发明方法得到的召回率-精确度曲线明显高于其他方法。
如图4所示，采用与文献相同的平均绝对误差计算方法，本发明方法与现有12种方法的平均绝对误差比对说明如下：FT为R. Achanta等人提出的基于频率域的显著性检测方法；IT为L. Itti等人提出的视觉显著测量方法；AC为R. Achanta等人提出的显著区域检测方法；SR为X. Hou等人提出的基于谱分析的检测方法；LC为Y. Zhai等人提出的基于空时线索的显著性检测方法；GB为J. Harel等人提出的基于图的显著性检测方法；MZ为Y.-F. Ma等人提出的基于模糊增长的视觉注意力分析方法；CA为S. Goferman等人提出的基于内容的显著性检测方法。本发明方法得到的平均绝对误差明显低于其他方法，表明本发明方法结果更接近于真值图。

Claims (1)

1. 一种双通道颜色对比度融合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)：提取输入图像的N层高斯尺度图像，具体为：
对于输入图像                                               
Figure 2012104973326100001DEST_PATH_IMAGE002
，其第n层高斯尺度图像
Figure 2012104973326100001DEST_PATH_IMAGE004
表示为：
，
Figure 2012104973326100001DEST_PATH_IMAGE008
其中高斯函数
Figure 2012104973326100001DEST_PATH_IMAGE010
的方差为，均值为0；
Figure 2012104973326100001DEST_PATH_IMAGE014
表示卷积运算；
步骤(2)：采用SLIC超像素聚类方法，将每层高斯尺度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，具体为：
对于第n层高斯尺度图像
Figure 337076DEST_PATH_IMAGE004
，设定期望划分的超像素个数为，采用SLIC方法根据期望的超像素个数划分超像素区域；
步骤(3)：采用彩色变换方法，分别提取步骤(1)中每层高斯尺度图像在CIELAB空间的l彩色分量图、a彩色分量图和b彩色分量图，具体为：
对于第n层高斯尺度图像
Figure 58301DEST_PATH_IMAGE004
，其l彩色分量图、a彩色分量图和b彩色分量图分别表示为
Figure 2012104973326100001DEST_PATH_IMAGE018
、和；
步骤(4)：根据步骤(2)和步骤(3)的结果，提取每层高斯尺度图像中每个超像素区域在CIELAB空间的颜色特征，具体为：
对于第n层高斯尺度图像
Figure 805546DEST_PATH_IMAGE004
中的第i个超像素区域r ni ，其颜色特征是由超像素区域r ni 在CIELAB空间的颜色均值矢量
Figure 2012104973326100001DEST_PATH_IMAGE024
、超像素区域r ni 的质心坐标
Figure 2012104973326100001DEST_PATH_IMAGE026
和超像素区域r ni 的面积率
Figure 2012104973326100001DEST_PATH_IMAGE028
组成；
所述的超像素区域r ni 在CIELAB空间的颜色均值矢量表示为
Figure 2012104973326100001DEST_PATH_IMAGE030
，其中
Figure 2012104973326100001DEST_PATH_IMAGE032
为超像素区域r ni 内所有像素的l彩色分量均值，为超像素区域r ni 内所有像素的a彩色分量均值，
Figure 2012104973326100001DEST_PATH_IMAGE036
为超像素区域r ni 内所有像素的b彩色分量均值；
所述的超像素区域r ni 的质心坐标
Figure 593078DEST_PATH_IMAGE026
表示为
Figure 2012104973326100001DEST_PATH_IMAGE038
，其中
Figure 2012104973326100001DEST_PATH_IMAGE040
为超像素区域r ni 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 ni 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 ni 的面积率
Figure 724851DEST_PATH_IMAGE028
表示超像素区域r ni 内的像素个数与输入图像总像素的比值；
步骤(5)：根据步骤(4)结果，提取每层高斯尺度图像中每个超像素区域在CIELAB空间的颜色独特性，具体为：
对于第n层高斯尺度图像
Figure 77335DEST_PATH_IMAGE004
中的第i个超像素区域r ni ，其CIELAB空间的颜色独特性
Figure 2012104973326100001DEST_PATH_IMAGE044
表示为：
Figure 2012104973326100001DEST_PATH_IMAGE046
其中
Figure 2012104973326100001DEST_PATH_IMAGE048
为超像素区域r ni 和超像素区域r nj 在CIELAB空间的颜色距离；
Figure 2012104973326100001DEST_PATH_IMAGE050
为超像素区域r ni 和超像素区域r nj 的空间距离；为高斯函数标准差；m为第n层高斯尺度图像
Figure 431001DEST_PATH_IMAGE004
在步骤(2)中划分出的超像素个数；
所述的超像素区域r ni 和超像素区域r nj 在CIELAB空间的颜色距离表示为超像素区域r ni 在CIELAB空间的颜色均值矢量
Figure 430498DEST_PATH_IMAGE024
与超像素区域r nj 在CIELAB空间的颜色均值矢量
Figure 2012104973326100001DEST_PATH_IMAGE054
的L2距离，具体描述为：
Figure 2012104973326100001DEST_PATH_IMAGE056
，
所述的超像素区域r ni 和超像素区域r nj 的空间距离
Figure 952002DEST_PATH_IMAGE050
表示为超像素区域r ni 的质心坐标
Figure 65452DEST_PATH_IMAGE026
与超像素区域r nj 的质心坐标
Figure 2012104973326100001DEST_PATH_IMAGE058
的L2距离，具体描述为：
Figure 2012104973326100001DEST_PATH_IMAGE060
；
步骤(6)：根据步骤(4)结果，计算每层高斯尺度图像中每个超像素区域在CIELAB空间的空间分布特性，具体为：
对于第n层高斯尺度图像
Figure 302267DEST_PATH_IMAGE004
中的第i个超像素区域r ni ，其在CIELAB空间的空间分布特性表示为：
Figure 2012104973326100001DEST_PATH_IMAGE064
其中为高斯函数标准差；
步骤(7)：根据步骤(5)和步骤(6)的结果，计算每层高斯尺度图像中每个超像素区域在CIELAB空间的颜色显著性值，具体为：
对于第n层高斯尺度图像
Figure 778772DEST_PATH_IMAGE004
中的第i个超像素区域r ni ，其在CIELAB空间的颜色显著性值
Figure 2012104973326100001DEST_PATH_IMAGE068
表示为：
其中为高斯函数方差；
步骤(8)：根据步骤(5)结果，对步骤(7)结果进行平滑优化，以保证在CIELAB空间中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CIELAB空间中颜色显著性值的平滑优化方法具体为：
对于第n层高斯尺度图像
Figure 918898DEST_PATH_IMAGE004
中的第i个超像素区域r ni ，其在CIELAB空间的颜色显著性值经平滑优化后结果
Figure 2012104973326100001DEST_PATH_IMAGE074
表示为：
Figure 2012104973326100001DEST_PATH_IMAGE076
其中
Figure 2012104973326100001DEST_PATH_IMAGE078
表示超像素区域r ni 在CIELAB空间的颜色独特性和超像素区域r nj 在CIELAB空间的颜色独特性的距离，
Figure 2012104973326100001DEST_PATH_IMAGE080
为距离归一化值；
步骤(9)：为每层高斯尺度图像中的每个像素分配基于CIELAB空间的颜色显著性值，具体为：
对于第n层高斯尺度图像中像素
Figure 2012104973326100001DEST_PATH_IMAGE082
，其在CIELAB空间的颜色显著性值
Figure 2012104973326100001DEST_PATH_IMAGE084
表示为：
Figure 2012104973326100001DEST_PATH_IMAGE086
步骤(10)：为输入图像中的每个像素分配基于CIELAB空间的颜色显著性值，具体为：
对于输入图像中像素
Figure DEST_PATH_IMAGE088
，其在CIELAB空间的颜色显著性值表示为：
Figure DEST_PATH_IMAGE092
其中
Figure DEST_PATH_IMAGE094
和
Figure DEST_PATH_IMAGE096
分别为像素p在图像坐标系下的水平坐标和垂直坐标；
Figure DEST_PATH_IMAGE098
和
Figure DEST_PATH_IMAGE100
分别为输入图像中心点的水平坐标和垂直坐标；
Figure DEST_PATH_IMAGE102
和
Figure DEST_PATH_IMAGE104
分别为二维高斯函数的水平方差和垂直方差，分别取值为输入图像宽度的一半和高度的一半；
步骤(11)：采用彩色变换方法，分别提取每层高斯尺度图像在RGB空间的R彩色分量图、G彩色分量图和B彩色分量图，具体为：
对于第n层高斯尺度图像
Figure 225562DEST_PATH_IMAGE004
，其R彩色分量图、G彩色分量图和B彩色分量图分别表示为
Figure DEST_PATH_IMAGE106
、
Figure DEST_PATH_IMAGE108
和
Figure DEST_PATH_IMAGE110
；
步骤(12)：根据步骤(2)和步骤(11)的结果，提取每层高斯尺度图像中每个超像素区域在RGB空间的颜色特征，具体为：
对于第n层高斯尺度图像中的第i个超像素区域r ni ，其颜色特征是由超像素区域r ni 在RGB空间的颜色均值矢量
Figure DEST_PATH_IMAGE112
、超像素区域r ni 的质心坐标
Figure 636743DEST_PATH_IMAGE026
和超像素区域r ni 的面积率
Figure 91995DEST_PATH_IMAGE028
组成；
所述的超像素区域r ni 在RGB空间的颜色均值矢量
Figure 929501DEST_PATH_IMAGE112
表示为
Figure DEST_PATH_IMAGE114
，其中
Figure DEST_PATH_IMAGE116
为超像素区域r ni 内所有像素的R彩色分量均值，
Figure DEST_PATH_IMAGE118
为超像素区域r ni 内所有像素的G彩色分量均值，
Figure DEST_PATH_IMAGE120
为超像素区域r ni 内所有像素的B彩色分量均值；
步骤(13)：根据步骤(12)结果，提取每层高斯尺度图像中每个超像素区域在RGB空间的颜色独特性，具体为：
对于第n层高斯尺度图像
Figure 121710DEST_PATH_IMAGE004
中的第i个超像素区域r ni ，其在RGB空间的颜色独特性
Figure DEST_PATH_IMAGE122
表示为：
           
Figure DEST_PATH_IMAGE124
其中
Figure DEST_PATH_IMAGE126
为超像素区域r ni 和超像素区域r nj 在RGB空间的颜色距离；
所述的超像素区域r ni 和超像素区域r nj 在RGB空间的颜色距离
Figure 659264DEST_PATH_IMAGE126
表示为超像素区域r ni 在RGB空间的颜色均值矢量与超像素区域r nj 在RGB空间的颜色均值矢量
Figure DEST_PATH_IMAGE128
的L2距离，具体描述为：
Figure DEST_PATH_IMAGE130
步骤(14)：根据步骤(12)结果，计算每层高斯尺度图像中每个超像素区域在RGB空间的空间分布特性，具体为：
对于第n层高斯尺度图像
Figure 908422DEST_PATH_IMAGE004
中的第i个超像素区域r ni ，其在RGB空间的颜色空间分布特性表示为：
步骤(15)：根据步骤(13)和步骤(14)的结果，计算每层高斯尺度图像中每个超像素区域在RGB空间的颜色显著性值，具体为：
对于第n层高斯尺度图像
Figure 465174DEST_PATH_IMAGE004
中的第i个超像素区域r ni ，其在RGB空间的颜色显著性值
Figure DEST_PATH_IMAGE136
表示为：
Figure DEST_PATH_IMAGE138
步骤(16)：根据步骤(13)结果，对步骤(15)结果进行平滑优化，以保证在RGB空间中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RGB空间中颜色显著性值的平滑优化方法具体为：
对于第n层高斯尺度图像
Figure 173412DEST_PATH_IMAGE004
中的第i个超像素区域r ni ，其在RGB空间的颜色显著性值经平滑优化后结果
Figure DEST_PATH_IMAGE140
表示为：
Figure DEST_PATH_IMAGE142
其中
Figure DEST_PATH_IMAGE144
表示超像素区域r ni 在RGB空间的颜色独特性和超像素区域r nj 在RGB空间的颜色独特性的距离，为距离归一化值；
步骤(17)：为每层高斯尺度图像中的每个像素分配基于RGB空间的颜色显著性值，具体为：
对于第n层高斯尺度图像
Figure 409615DEST_PATH_IMAGE004
中像素
Figure 395282DEST_PATH_IMAGE088
，其在RGB空间的颜色显著性值
Figure DEST_PATH_IMAGE148
表示为：
步骤(18)：为输入图像中的每个像素分配基于RGB空间的颜色显著性值，具体为：
对于输入图像中像素
Figure 490146DEST_PATH_IMAGE088
，其在RGB空间的颜色显著性值
Figure DEST_PATH_IMAGE152
表示为：
Figure DEST_PATH_IMAGE154
步骤(19)：根据步骤(10)和步骤(18)的结果，计算输入图像中每个像素的最终显著性值，具体为：
对于输入图像中像素
Figure 628390DEST_PATH_IMAGE088
，其最终颜色显著性值
Figure DEST_PATH_IMAGE156
表示为：
其中
Figure DEST_PATH_IMAGE160
和
Figure DEST_PATH_IMAGE162
分别为基于CIELAB空间颜色显著性值和基于RGB空间颜色显著性值的融合权重。
CN201210497332.6A 2012-11-28 2012-11-28 一种双通道颜色对比度融合的视觉显著性检测方法 Expired - Fee Related CN103020993B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210497332.6A CN103020993B (zh) 2012-11-28 2012-11-28 一种双通道颜色对比度融合的视觉显著性检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210497332.6A CN103020993B (zh) 2012-11-28 2012-11-28 一种双通道颜色对比度融合的视觉显著性检测方法

Publications (2)

Publication Number Publication Date
CN103020993A true CN103020993A (zh) 2013-04-03
CN103020993B CN103020993B (zh) 2015-06-17

Family

ID=47969559

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210497332.6A Expired - Fee Related CN103020993B (zh) 2012-11-28 2012-11-28 一种双通道颜色对比度融合的视觉显著性检测方法

Country Status (1)

Country Link
CN (1) CN103020993B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104318571A (zh) * 2014-10-29 2015-01-28 兰州理工大学 一种基于背景非显著度的图像显著性算法评价方法
CN106056579A (zh) * 2016-05-20 2016-10-26 南京邮电大学 一种基于背景对比的显著性检测方法
CN103699578B (zh) * 2013-12-01 2017-01-11 北京航空航天大学 一种基于谱图分析的图像检索方法
CN106952251A (zh) * 2017-02-28 2017-07-14 华南理工大学 一种基于吸附模型的图像显著性检测方法
CN107229917A (zh) * 2017-05-31 2017-10-03 北京师范大学 一种基于迭代聚类的多幅遥感影像共性显著目标检测方法
CN107767404A (zh) * 2017-06-23 2018-03-06 北京理工大学 一种基于改进ViBe背景模型的遥感图像序列动目标检测方法
CN107886533A (zh) * 2017-10-26 2018-04-06 深圳大学 立体图像的视觉显著性检测方法、装置、设备及存储介质
CN108776815A (zh) * 2018-06-04 2018-11-09 国网辽宁省电力有限公司信息通信分公司 一种基于深度特征的显著性目标检测方法
DE112017000273T9 (de) 2016-08-03 2019-01-03 Jiangsu University Ausgeprägtheitsbasiertes Verfahren zum Extrahieren eines Straßenziels aus einem Nachtsicht-Infrarotbild
CN110111259A (zh) * 2019-05-15 2019-08-09 电子科技大学 一种基于区域引导的多源图像融合方法
CN110251076A (zh) * 2019-06-21 2019-09-20 安徽大学 融合视觉注意力基于对比度的显著性检测方法及装置
CN110276350A (zh) * 2019-06-25 2019-09-24 上海海事大学 一种海上船舶目标检测方法
CN110765948A (zh) * 2019-10-24 2020-02-07 长沙品先信息技术有限公司 一种基于无人机的目标检测识别方法及系统
CN112085020A (zh) * 2020-09-08 2020-12-15 北京印刷学院 一种视觉显著性目标检测方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100226564A1 (en) * 2009-03-09 2010-09-09 Xerox Corporation Framework for image thumbnailing based on visual similarity
CN102722891A (zh) * 2012-06-12 2012-10-10 大连理工大学 一种图像显著度检测的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100226564A1 (en) * 2009-03-09 2010-09-09 Xerox Corporation Framework for image thumbnailing based on visual similarity
CN102722891A (zh) * 2012-06-12 2012-10-10 大连理工大学 一种图像显著度检测的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HOU XIAODI ET AL: "《Saliency Detection:A Spectral Residual Approach》", 《IEEE CONFERENCE ON CVPR"07》 *
黄志勇等: "《一种随机的视觉显著性检测算法》", 《中国科学》 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103699578B (zh) * 2013-12-01 2017-01-11 北京航空航天大学 一种基于谱图分析的图像检索方法
CN104318571A (zh) * 2014-10-29 2015-01-28 兰州理工大学 一种基于背景非显著度的图像显著性算法评价方法
CN106056579A (zh) * 2016-05-20 2016-10-26 南京邮电大学 一种基于背景对比的显著性检测方法
US10635929B2 (en) 2016-08-03 2020-04-28 Jiangsu University Saliency-based method for extracting road target from night vision infrared image
DE112017000273T9 (de) 2016-08-03 2019-01-03 Jiangsu University Ausgeprägtheitsbasiertes Verfahren zum Extrahieren eines Straßenziels aus einem Nachtsicht-Infrarotbild
CN106952251B (zh) * 2017-02-28 2019-07-16 华南理工大学 一种基于吸附模型的图像显著性检测方法
CN106952251A (zh) * 2017-02-28 2017-07-14 华南理工大学 一种基于吸附模型的图像显著性检测方法
CN107229917A (zh) * 2017-05-31 2017-10-03 北京师范大学 一种基于迭代聚类的多幅遥感影像共性显著目标检测方法
CN107229917B (zh) * 2017-05-31 2019-10-15 北京师范大学 一种基于迭代聚类的多幅遥感影像共性显著目标检测方法
CN107767404A (zh) * 2017-06-23 2018-03-06 北京理工大学 一种基于改进ViBe背景模型的遥感图像序列动目标检测方法
CN107886533A (zh) * 2017-10-26 2018-04-06 深圳大学 立体图像的视觉显著性检测方法、装置、设备及存储介质
CN108776815A (zh) * 2018-06-04 2018-11-09 国网辽宁省电力有限公司信息通信分公司 一种基于深度特征的显著性目标检测方法
CN110111259A (zh) * 2019-05-15 2019-08-09 电子科技大学 一种基于区域引导的多源图像融合方法
CN110251076A (zh) * 2019-06-21 2019-09-20 安徽大学 融合视觉注意力基于对比度的显著性检测方法及装置
CN110251076B (zh) * 2019-06-21 2021-10-22 安徽大学 融合视觉注意力基于对比度的显著性检测方法及装置
CN110276350A (zh) * 2019-06-25 2019-09-24 上海海事大学 一种海上船舶目标检测方法
CN110276350B (zh) * 2019-06-25 2021-08-27 上海海事大学 一种海上船舶目标检测方法
CN110765948A (zh) * 2019-10-24 2020-02-07 长沙品先信息技术有限公司 一种基于无人机的目标检测识别方法及系统
CN112085020A (zh) * 2020-09-08 2020-12-15 北京印刷学院 一种视觉显著性目标检测方法及装置
CN112085020B (zh) * 2020-09-08 2023-08-01 北京印刷学院 一种视觉显著性目标检测方法及装置

Also Published As

Publication number Publication date
CN103020993B (zh) 2015-06-17

Similar Documents

Publication Publication Date Title
CN103020993A (zh) 一种双通道颜色对比度融合的视觉显著性检测方法
EP2811423B1 (en) Method and apparatus for detecting target
WO2015010451A1 (zh) 一种从单幅图像检测道路的方法
CN102006425B (zh) 一种基于多摄像机的视频实时拼接方法
CN104268583B (zh) 基于颜色区域特征的行人重识别方法及系统
CN107292234B (zh) 一种基于信息边缘和多模态特征的室内场景布局估计方法
CN108537239B (zh) 一种图像显著性目标检测的方法
CN107066916B (zh) 基于反卷积神经网络的场景语义分割方法
JP4979033B2 (ja) オブジェクト・ベース視覚的注意モデルの顕著性推定
CN105869173A (zh) 一种立体视觉显著性检测方法
CN104134217A (zh) 一种基于超体素图割的视频显著物体分割方法
CN105046689B (zh) 一种基于多层次图结构的交互式立体图像快速分割方法
CN102867313A (zh) 一种融合区域颜色和HoG特征的视觉显著性检测方法
Ückermann et al. Realtime 3D segmentation for human-robot interaction
CN104966285A (zh) 一种显著性区域的检测方法
CN102708370A (zh) 一种多视角图像前景目标提取方法及装置
CN104680546A (zh) 一种图像显著目标检测方法
CN109741293A (zh) 显著性检测方法及装置
CN103198479A (zh) 基于语义信息分类的sar图像分割方法
CN103093470A (zh) 一种具有尺度无关特性的快速多模态图像协同分割方法
Yang et al. Local stereo matching based on support weight with motion flow for dynamic scene
CN107452013A (zh) 基于Harris角点检测和Sugeno模糊积分的显著性检测方法
CN102542267B (zh) 结合空间分布和全局对比的显著区域检测方法
CN109242854A (zh) 一种基于flic超像素分割的图像显著性检测方法
Yang et al. Robust line detection using two-orthogonal direction image scanning

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
TR01 Transfer of patent right

Effective date of registration: 20210707

Address after: 314400 room 609, block a, 128 Shuanglian Road, Haining Economic Development Zone, Haining City, Jiaxing City, Zhejiang Province

Patentee after: Haining Dingcheng Intelligent Equipment Co.,Ltd.

Address before: 310018 No. 2 street, Xiasha Higher Education Zone, Hangzhou, Zhejiang

Patentee before: HANGZHOU DIANZI University

TR01 Transfer of patent right
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20150617

CF01 Termination of patent right due to non-payment of annual fee