CN103218832A - 基于图像中全局颜色对比度和空域分布的视觉显著性算法 - Google Patents
基于图像中全局颜色对比度和空域分布的视觉显著性算法 Download PDFInfo
- Publication number
- CN103218832A CN103218832A CN2013100923708A CN201310092370A CN103218832A CN 103218832 A CN103218832 A CN 103218832A CN 2013100923708 A CN2013100923708 A CN 2013100923708A CN 201310092370 A CN201310092370 A CN 201310092370A CN 103218832 A CN103218832 A CN 103218832A
- Authority
- CN
- China
- Prior art keywords
- color
- pixel
- value
- conspicuousness
- conspicuousness value
- 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
本发明公开了一种基于图像中颜色全局对比度和空域分布的视觉显著性算法,其具体步骤如下:(1)、输入原始图像,运用均值漂移算法把原始图像预分割为个区域,,生成个预分割后的区域标记图;(2)、计算第个区域的颜色显著性值;(3)、计算像素的颜色显著性值;(4)、计算第个区域的位置显著性值;(5)、计算像素的位置显著性值;(6)、计算像素的颜色和位置的显著性值,再对像素的显著性值进行归一化,计算每个像素归一化的显著性值。本发明结合颜色全局对比度和空域分布两个方面,不仅能计算出与原始图像分辨率相同的显著性图,而且计算出的显著性图中的显著对象被均匀突显出来,同时背景很好地被抑制,更适合于图像分割这样的基于内容的应用场合。
Description
技术领域
本发明涉及计算机视觉领域,具体涉及一种图像中视觉显著性计算方法。
背景技术
视觉显著性的计算过程是通过模拟人眼观察图像的过程,进而提取人眼感兴趣区域,最后得到一幅与关注度相对应的视觉显著性图。人眼在观察一幅图像时常常会把注意力放在某一个比较突出的区域或图像块,这些突出的区域或图像块被称为视觉显著性区域。通过某种计算方法将这些视觉显著性区域突显出来的过程称为视觉显著性区域检测。为方便对图像进行高效的后续处理,受人眼的注意机制的启发,我们用计算机来模拟人类视觉系统,检测出图像的视觉显著区域。在显著对象识别、图像压缩、图像分类及图像/视频自适应等多方面,都是图像视觉显著性区域检测的重要应用场合。例如压缩,我们可以对图像中视觉显著的区域进行小比例的压缩或不压缩,对于图像中非视觉显著区域进行比较大比例的压缩,这样做既能实现图像压缩的目的,也不影响人们对图像的理解,图像中的信息保留得比较完全。视觉显著性计算方法旨在能够准确快速地检测出图像中与人眼关注度相对应的视觉显著性对象,检测结果表现为在输出图像中越亮的地方对应原始图像越显著的位置,计算的输出图称为视觉显著性图。
目前国内外研究学者们提出了多种不同的视觉显著性计算方法,主要有基于中心-周围对比度、频域分析、有监督学习和统计学等方法。如Hou(参考:X. Hou and L. Zhang. Saliency detection: A spectral residual approach, IEEE Conf. on CVPR, 2007.)提出一种容易实现的显著性检测方法,是采用单张图像的对数谱(傅里叶变换的幅度谱取对数)减去该图像经平均滤波后的对数谱得到的残余谱来表示图像的新信息。Hou等利用傅里叶逆变换,再经过高斯平滑去噪得到最终的视觉显著性图。Hou等人提出的计算方法仅几行程序就能实现,计算复杂度低,且不需要图像的任何先验知识。但缺点在于,得到的视觉显著性图的分辨率低于原始图像的分辨率,造成原始图像信息的丢失。Goferman(参考:S Goferman, L Zelnik-Manor, A Tal. Context-aware saliency detection. IEEE Conf. on CVPR, 2010)提出的显著性检测方法解决了低分辨率的问题,同时考虑了图像的局部差异和全局差异,并且有意地将显著对象周围的背景区域保留了下来,但是Goferman的方法通常在对象边缘附近产生更高的显著性值,而对象内部的显著性值有所下降,在均匀突出整个视觉显著性对象方面尚存在不足。
发明内容
本发明的目的在于提出一种基于图像中颜色全局对比度和空域分布的视觉显著性算法,由该方法得到的显著性图的分辨率与原始图像相同,显著性图中的显著对象被均匀突显出来,并且能够较好地抑制原始图像中非视觉显著区域。
为了达到上述目的,本发明的基于图像中颜色全局对比度和空域分布的视觉显著性算法,其具体步骤如下:
(2-2)、统计原始图像的123种颜色在原始图像上出现的频率,组成全局直方图;
(2-3)、将全局直方图按照频率的高低进行降序排列,然后从前到后选择原始图像95%以上的颜色,没有被选择的颜色的频率叠加到已选择的最相近的颜色的频率中,选择后的颜色种数为;
其中,表示第个区域的颜色显著性值,表示第个区域中第种颜色出现的频率,表示颜色种数,表示第种颜色在全局直方图中的纵坐标值,、分别表示颜色空间中的 、 两种颜色,函数表示欧氏距离的平方, 公式(1)表明与全局颜色差异越大的区域越显著,因此可以用归一化后的表示第个区域的颜色显著性。
(2)
(5)
(9)
本发明的基于图像中颜色全局对比度和空域分布的视觉显著性算法与现有技术相比较具有如下优点:该方法结合颜色全局对比度和空域分布两个方面,不仅能计算出与原始图像分辨率相同的显著性图,而且计算出的显著性图中的显著对象被均匀突显出来,同时背景很好地被抑制,更适合于图像分割这样的基于内容的应用场合。
附图说明
图1是本发明基于图像中颜色全局对比度和空域分布的视觉显著性算法的流程图;
图2是图1中步骤(1)中所述的输入的原始图像;
图4是图1中步骤(1)预分割后的区域标记图;
图5是图1中步骤(2)所述的选择95%以上的颜色后的全局直方图,图中,横坐标表示颜色,纵坐标表示该颜色在原始图像上出现的频率;
图6是图1中步骤(2)所述的第1个区域的直方图,图中,横坐标表示颜色,纵坐标表示该颜色在原始图像上出现的频率;
图7是图1中步骤(2)所述的第 个区域的颜色显著性值的示意图;
图8是图1中步骤(3)所述的均值移位的卷积核的示意图;
图9是图1中步骤(3)所述的像素的颜色显著性值的示意图;
图12是图1中步骤(6)所述的每个像素归一化的最终显著性值的示意图。
图13是六个实例采用不同方法计算的效果对比图,其中图13(a)是六幅真实的自然图像,图13(b)为采用文献(X. Hou and L. Zhang. Saliency detection: A spectral residual approach, IEEE Conf. on CVPR, 2007.)方法得到的结果,13(c)为采用文献(S Goferman, L Zelnik-Manor, A Tal. Context-aware saliency detection. IEEE Conf. on CVPR, 2010)方法得到的结果,13(d)为采用本发明方法得到的结果。
具体实施方式
下面结合说明书附图对本发明的实施作进一步说明。
本发明进行的仿真实验室是在CPU频率为3.4GHz、内存为4.0GB的PC测试平台上编程实现。
如图1所示,本发明的基于图像中颜色全局对比度和空域分布的视觉显著性算法,采用以下步骤加以详述:
例如,设置预分割后的最小分割面积参数为,=0.02表示最小分割区域的面积为原始图像大小的0.02倍, 该原始图像经均值漂移算法预分割后的图像,如图3所示,生成的标记图中,每个像素值代表原始图像经预分割算法后的像素点所属的区域,标记图中为1的点表示原始图像中该点所在区域标记为1,预分割后的区域标记图,如图4所示,该预分割后的区域标记图是9个区域标记图;
(2-2)、计算全局直方图,统计原始图像的123种颜色在原始图像上出现的频率,组成全局直方图,该全局直方图中,横坐标表示颜色,纵坐标表示对应颜色在原始图像上出现的频率;
(2-3)、简化全局直方图,将步骤(2-2)所述的统计原始图像的123种颜色在原始图像上出现的频率组合后的全局直方图按照频率的高低进行降序排列,然后从前往后选择原始图像95%以上的颜色,没有被选择的颜色的频率叠加到已选择的最相近的颜色的频率中,选择后的颜色种数为。如图5所示;
其中,表示第个区域的颜色显著性值,表示第个区域中第种颜色出现的频率,表示颜色种数,表示第种颜色在全局直方图中的纵坐标值,、分别表示彩色空间中的 、 两种颜色,函数表示欧氏距离的平方, 公式(1)表明与全局颜色差异越大的区域越显著,因此可以用归一化后的表示第个区域的颜色显著性,如图7所示;
(5)
(7)
最终的显著性图中的数值为对应像素的显著性值,显著性值的范围为0~1,显著性值越大表示该像素越显著,显著性值越小表示该像素越不显著,如图12所示。
为了验证使用本发明的计算方法的效果,如图13所示的是六个实例,采用不同方法计算的效果对比图。如图13所示,该图有人物一幅,花一幅,十字架一幅,路标一幅,动物一幅,水果一幅,分成六行四列排列,其中图13(a)是六幅真实的自然图像,图13(b)为采用文献(X. Hou and L. Zhang. Saliency detection: A spectral residual approach, IEEE Conf. on CVPR, 2007.)方法得到的结果,图13(c)为采用文献(S Goferman, L Zelnik-Manor, A Tal. Context-aware saliency detection. IEEE Conf. on CVPR, 2010)方法得到的结果,13 (d)为采用本发明方法得到的结果。
从本发明的计算方法的效果图与现有的不同方法计算的效果图对比图可以看出,本发明的计算方法不仅能将满足人眼要求的显著性对象均匀地突显出来,而且可以很好地抑制非显著性的背景区域。
Claims (6)
(2-2)、统计原始图像的123种颜色在原始图像上出现的频率,组成全局直方图;
6.根据权利要求5所述的基于图像中颜色全局对比度和空域分布的视觉显著性算法,其特征在于,上述步骤(6)所述的计算像素的颜色和位置的显著性值,再对像素的显著性值进行归一化,计算每个像素归一化的显著性值,其具体步骤如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310092370.8A CN103218832B (zh) | 2012-10-15 | 2013-03-21 | 基于图像中全局颜色对比度和空域分布的视觉显著性算法 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210388556 | 2012-10-15 | ||
CN201210388556.3 | 2012-10-15 | ||
CN201310092370.8A CN103218832B (zh) | 2012-10-15 | 2013-03-21 | 基于图像中全局颜色对比度和空域分布的视觉显著性算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103218832A true CN103218832A (zh) | 2013-07-24 |
CN103218832B CN103218832B (zh) | 2016-01-13 |
Family
ID=48816575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310092370.8A Expired - Fee Related CN103218832B (zh) | 2012-10-15 | 2013-03-21 | 基于图像中全局颜色对比度和空域分布的视觉显著性算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103218832B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105701508A (zh) * | 2016-01-12 | 2016-06-22 | 西安交通大学 | 基于多级卷积神经网络的全局-局部优化模型及显著性检测算法 |
CN103632153B (zh) * | 2013-12-05 | 2017-01-11 | 宁波大学 | 一种基于区域的图像显著图提取方法 |
CN106980813A (zh) * | 2016-01-15 | 2017-07-25 | 福特全球技术公司 | 机器学习的注视生成 |
CN107318023A (zh) * | 2017-06-21 | 2017-11-03 | 西安万像电子科技有限公司 | 图像帧的压缩方法及装置 |
CN108226915A (zh) * | 2017-12-25 | 2018-06-29 | 中国人民解放军63921部队 | 一种定量表征空间多目标空域分布方法 |
CN109446976A (zh) * | 2018-10-24 | 2019-03-08 | 闽江学院 | 一种基于子波变换和特征对比的视频大数据信息提取方法 |
CN110136142A (zh) * | 2019-04-26 | 2019-08-16 | 微梦创科网络科技(中国)有限公司 | 一种图像裁剪方法、装置、电子设备 |
CN110276764A (zh) * | 2019-05-29 | 2019-09-24 | 南京工程学院 | 基于K值估计的K-Means水下图像背景分割改进算法 |
CN110807776A (zh) * | 2019-09-09 | 2020-02-18 | 安徽省农业科学院农业经济与信息研究所 | 一种基于全局区域对比度的农作物半翅目害虫图像自动分割算法 |
CN111914850A (zh) * | 2019-05-07 | 2020-11-10 | 百度在线网络技术(北京)有限公司 | 图片特征提取方法、装置、服务器和介质 |
CN111950549A (zh) * | 2020-08-12 | 2020-11-17 | 上海大学 | 一种基于海天线与视觉显著性融合的海面障碍物检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101621636A (zh) * | 2008-06-30 | 2010-01-06 | 北京大学 | 基于视觉注意力模型的广告标志插入和变换方法及系统 |
CN102509072A (zh) * | 2011-10-17 | 2012-06-20 | 上海大学 | 基于区域间差异的图像中显著对象的检测方法 |
-
2013
- 2013-03-21 CN CN201310092370.8A patent/CN103218832B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101621636A (zh) * | 2008-06-30 | 2010-01-06 | 北京大学 | 基于视觉注意力模型的广告标志插入和变换方法及系统 |
CN102509072A (zh) * | 2011-10-17 | 2012-06-20 | 上海大学 | 基于区域间差异的图像中显著对象的检测方法 |
Non-Patent Citations (1)
Title |
---|
MING-MING CHENG ETAL: "《2011 IEEE Conference on Computer Vision and Pattern Recognition》", 25 June 2011 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632153B (zh) * | 2013-12-05 | 2017-01-11 | 宁波大学 | 一种基于区域的图像显著图提取方法 |
CN105701508B (zh) * | 2016-01-12 | 2017-12-15 | 西安交通大学 | 基于多级卷积神经网络的全局‑局部优化模型及显著性检测算法 |
CN105701508A (zh) * | 2016-01-12 | 2016-06-22 | 西安交通大学 | 基于多级卷积神经网络的全局-局部优化模型及显著性检测算法 |
CN106980813A (zh) * | 2016-01-15 | 2017-07-25 | 福特全球技术公司 | 机器学习的注视生成 |
CN112954355A (zh) * | 2017-06-21 | 2021-06-11 | 西安万像电子科技有限公司 | 图像帧的处理方法及装置 |
CN112954355B (zh) * | 2017-06-21 | 2022-12-09 | 西安万像电子科技有限公司 | 图像帧的处理方法及装置 |
CN107318023A (zh) * | 2017-06-21 | 2017-11-03 | 西安万像电子科技有限公司 | 图像帧的压缩方法及装置 |
CN113163202A (zh) * | 2017-06-21 | 2021-07-23 | 西安万像电子科技有限公司 | 图像帧的压缩方法及装置 |
CN113163202B (zh) * | 2017-06-21 | 2022-10-18 | 西安万像电子科技有限公司 | 图像帧的压缩方法及装置 |
CN108226915A (zh) * | 2017-12-25 | 2018-06-29 | 中国人民解放军63921部队 | 一种定量表征空间多目标空域分布方法 |
CN109446976A (zh) * | 2018-10-24 | 2019-03-08 | 闽江学院 | 一种基于子波变换和特征对比的视频大数据信息提取方法 |
CN110136142A (zh) * | 2019-04-26 | 2019-08-16 | 微梦创科网络科技(中国)有限公司 | 一种图像裁剪方法、装置、电子设备 |
CN111914850A (zh) * | 2019-05-07 | 2020-11-10 | 百度在线网络技术(北京)有限公司 | 图片特征提取方法、装置、服务器和介质 |
CN111914850B (zh) * | 2019-05-07 | 2023-09-19 | 百度在线网络技术(北京)有限公司 | 图片特征提取方法、装置、服务器和介质 |
CN110276764A (zh) * | 2019-05-29 | 2019-09-24 | 南京工程学院 | 基于K值估计的K-Means水下图像背景分割改进算法 |
CN110807776A (zh) * | 2019-09-09 | 2020-02-18 | 安徽省农业科学院农业经济与信息研究所 | 一种基于全局区域对比度的农作物半翅目害虫图像自动分割算法 |
CN111950549A (zh) * | 2020-08-12 | 2020-11-17 | 上海大学 | 一种基于海天线与视觉显著性融合的海面障碍物检测方法 |
CN111950549B (zh) * | 2020-08-12 | 2022-07-22 | 上海大学 | 一种基于海天线与视觉显著性融合的海面障碍物检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103218832B (zh) | 2016-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103218832A (zh) | 基于图像中全局颜色对比度和空域分布的视觉显著性算法 | |
CN104966085B (zh) | 一种基于多显著特征融合的遥感图像感兴趣区域检测方法 | |
CN106296695B (zh) | 基于显著性的自适应阈值自然目标图像分割抽取算法 | |
CN101271525B (zh) | 一种快速的图像序列特征显著图获取方法 | |
CN104408482B (zh) | 一种高分辨率sar图像目标检测方法 | |
CN102096824B (zh) | 基于选择性视觉注意机制的多光谱图像舰船检测方法 | |
CN106780485A (zh) | 基于超像素分割和特征学习的sar图像变化检测方法 | |
CN102214298A (zh) | 基于选择性视觉注意机制的遥感图像机场目标检测与识别方法 | |
CN107730515A (zh) | 基于区域增长和眼动模型的全景图像显著性检测方法 | |
CN103177458A (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 | |
CN103853724A (zh) | 多媒体数据分类方法及装置 | |
Casanova et al. | Texture analysis using fractal descriptors estimated by the mutual interference of color channels | |
CN103020985A (zh) | 一种基于场量分析的视频图像显著性检测方法 | |
CN103295241A (zh) | 一种基于Gabor小波的频域显著性目标检测方法 | |
CN112949738B (zh) | 基于eecnn算法的多类不平衡高光谱图像分类方法 | |
Čuljak et al. | Classification of art paintings by genre | |
CN105678735A (zh) | 一种用于雾天图像的目标显著性检测方法 | |
Chowdhury et al. | Vegetables detection from the glossary shop for the blind | |
CN104463210B (zh) | 基于面向对象和谱聚类的极化sar图像分类方法 | |
CN110428454A (zh) | 一种高光谱解混方法、装置、电子设备及存储介质 | |
Vu et al. | Improving texture categorization with biologically-inspired filtering | |
Font et al. | An image processing method for in-line nectarine variety verification based on the comparison of skin feature histogram vectors | |
CN104217430A (zh) | 基于l1正则化的图像显著性检测方法 | |
CN107945164B (zh) | 基于峰值阈值、旋转校准和混合特征的纺织品瑕疵检测方法 | |
Pratap et al. | Development of Ann based efficient fruit recognition technique |
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: 20160113 |
|
CF01 | Termination of patent right due to non-payment of annual fee |