CN105023264A - 一种结合对象性和背景性的红外图像显著特征检测方法 - Google Patents
一种结合对象性和背景性的红外图像显著特征检测方法 Download PDFInfo
- Publication number
- CN105023264A CN105023264A CN201410173152.1A CN201410173152A CN105023264A CN 105023264 A CN105023264 A CN 105023264A CN 201410173152 A CN201410173152 A CN 201410173152A CN 105023264 A CN105023264 A CN 105023264A
- Authority
- CN
- China
- Prior art keywords
- sal
- image
- pixel
- super
- formula
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明提出一种结合对象性和背景性的红外图像显著特征检测方法。本发明利用显著物体的对象性,判定显著物体在图像中的位置和区域,并保全显著区域的完整性,得到对象性下的显著图;同时利用图像的背景性,以图像的四个边界为起始点,平滑图像大部分的背景区域,得到背景性下的显著图。最后特征整合理论,将两种显著图结合起来,得到最终的显著图。本发明提高了目标检测的准确度和识别效率。
Description
技术领域
本发明属于图像理解领域,具体涉及一种结合对象性和背景性的红外图像显著特征检测方法。
背景技术
显著性检测在夜视图像(包括微光、红外图像)理解分析方法发挥着重要作用,它也在机器视觉应用中起着重要的作用。
文献一(P.Jiang,H.Ling,J.Yu,and J.Peng.Salient Region Detection by UFO:Uniqueness,Focusness and Objectness,IEEE International Conference on Computer Vision (ICCV),2013.)采用三种线索相结合的方法,该方法利用独立性、对象性、关注性相互关系来检测图像中的显著特征区域。
文献二(C.Yang,L.Zhang,H.Lu,X.Ruan,and M.-H.Yang.Saliency Detection via Graph-Based Manifold Ranking.In CVPR,2013)利用流行排序的方法,该方法探索数据的流行结构,利用流行排序的特性,排序图像中显著区域的像素,进而可以检测到显著的特征区域。
文献三(M.M.Cheng,G.X.Zhang,N.J.Mitra,X.Huang,and S.M.Hu.Global contrast based salient region detection.In CVPR,409–416,2011)利用全局区域像素对比的方法,该方法利用全局区域和局部区域像素的差异对比,计算显著区域和非显著区域颜色的差异,检测到显著的区域。
然而,上述方法只是单单的利用像素级的差异,在检测显著区域时,部分显著区域被抑制或背景噪声严重干扰显著区域,未能检测到完整的显著特征区域。
发明内容
本发明提出一种结合对象性和背景性的红外图像显著特征检测方法,提高了目标检测的准确度和识别效率。
为了解决上述技术问题,本发明提供一种结合对象性和背景性的红外图像显著特征检测方法,包括以下步骤:
步骤一:对给定一幅输入图像ff,计算图像对象性的特征,图像对象性的特征包括图像多尺度显著性MS、图像颜色对比CC和超像素跨越SS三种图像特征线索,在图像窗口中推断图像显著性的概率,在贝叶斯模型下推理获得图像对象性的显著图Sal_o;
步骤二:对图像ff进行超像素分割得到超像素图像,并将超像素图像构建一个稀疏图G(V,E),其中稀疏图中的节点V表示超像素图像中颜色值的集合,稀疏图中的边E表示超像素图像中像素距离;然后计算稀疏图边E的权重相似度矩阵WW;
步骤三:对图像ff的超像素图像的四个边界进行分离,以超像素图像四个边界为初始区域,分别加权相似度矩阵WW,得到上边界显著图Sal_bt、下边界显著图Sal_bd、右边界显著图Sal_br和左边界显著图Sal_bl,将边界显著图Sal_bt、下边界显著图Sal_bd、右边界显著图Sal_br和左边界显著图Sal_bl进行合并获得背景性的显著图Sal_b;
步骤四:根据特征整合理论计算获得最终的显著图Sal。
本发明与现有技术相比,其显著优点在于,本发明方法利用两种图像线索,相互作用检测显著区域,利用对象性检测显著区域的位置和完整性,并利用背景性抑制背景区 域,保留显著区域;通过对象性和背景性的相互作用得到最终的显著区域,高了目标检测的准确度和识别效率。
附图说明
图1本发明方法流程图。
图2是本发明实验中对象性显著检测结果示意图。
图3是本发明实验中背景性显著检测结果示意图。
图4是本发明实验最终显著检测效果图。
具体实施方式
如图1所示,本发明一种结合对象性和背景性的红外图像显著特征检测方法,包括以下步骤:
步骤一:对给定一幅输入图像ff,计算图像对象性的特征,图像对象性的特征包括图像多尺度显著性MS、图像颜色对比CC和超像素跨越SS三种图像特征线索,在图像窗口中推断图像显著性的概率,在贝叶斯模型下推理获得图像对象性的显著图Sal_o。
所述多尺度显著性MS的计算方式如公式(1)所示,
公式(1)中,w表示选取的图像ff中一个窗口,sc表示多尺度的尺寸,θ表示阈值,I(p)表示全局显著性效果图,计算公式如(2)所示:
I(p)=g(p)*Γ-1[exp(f1(ff)+f2(ff))]2(2)
公式(2)中,p表示图像ff中的像素,Γ-1(·)表示傅里叶反变换函数,f1(·)和f2(·)分别表示光谱残差和相位光谱函数。
多尺度显著性MS的计算方式可以参见文献Hou(X,Hou&L,Zhang.Saliency Detection:A spectral residual approach.IEEE Conference on Computer Vision and Pattern Recognition,2007,pp.1-8)等人提出基于傅里叶光谱残差的方法。
所述图像颜色对比CC的计算方式为:
先将图像ff转换到CIELAB颜色空间,对图像进行超像素分割,获得窗口中的超像素,然后根据超像素之间的颜色差异和距离计算图像颜色对比CC,计算方法如公式(3)所示:
公式(3)中,ci和cj分别表示超像素i和j在CIELAB颜色空间的均值,pi和pj分别表示超像素i和j在CIELAB颜色空间的距离均值。
所述超像素跨越SS的计算方式为:
采用超像素跨越计算目标闭合轮廓内像素的显著性,也即获取超像素跨越SS。在超像素分割的基础上,计算属于相同超像素区域在同一图像窗口中的概率,即超像素跨越SS,计算方法如公式(4)所示:
公式(4)中,s表示超像素区域,w表示图像窗口区域,|s∩w|表示超像素区域s在图像窗口w内的像素区域,|s\w|表示超像素区域s在图像窗口w外的像素区域,SS1表示一系列超像素集。
所述在贝叶斯概率推理下获得对象性的显著图Sal_o的计算方法如公式(5)所示:
公式(5)中,E表示三种特征下推断显著性的概率,Ε={MS,CC,SS},p(obj)表示目标的先验知识,p(1-obj)表示背景的先验知识。
步骤二:对给定的输入图像ff进行超像素分割得到超像素图像,并将超像素图像构建一个稀疏图G(V,E),其中稀疏图中的节点V表示超像素图像中颜色值的集合,稀疏图中的边E表示超像素图像中像素距离;然后计算稀疏图边E的权重相似度矩阵wwij∈WW,wwij是相似度矩阵WW中的元素,计算方法如公式(6)所示:
公式(6)中,ci和cj分别表示超像素i和j在CIELAB颜色空间的均值,σww表示权重关系。
步骤三:对给定输入图像ff的超像素图像的四个边界进行分离,以超像素图像四个边界为初始区域,分别加权相似度矩阵WW,得到四种显著图,分别为上边界显著图Sal_bt、下边界显著图Sal_bd、右边界显著图Sal_br和左边界显著图Sal_bl,将四种显 著图进行合并获得背景性的显著图Sal_b,
所述上边界显著图Sal_bt、下边界显著图Sal_bd、右边界显著图Sal_br和左边界显著图Sal_bl的计算方法依此如公式(7)、(8)、(9)、(10)所示:
Sal_bt(i)=It·wwij(7)
Sal_bd(i)=Id·wwij(8)
Sal_br(i)=Ir·wwij(9)
Sal_bl(i)=Il·wwij(10)
公式(7)、(8)、(9)、(10)中,It、Id、Ir、Il分别表示以上边界、下边界、右边界和左边界为初始区域的超像素图。
本发明采用相乘的策略将四种显著图进行合并获得背景性的显著图Sal_b,计算方法如公式(11)所示:
Sal_b(i)=Sal_br(i)·Sal_bd(i)·Sal_br(i)·Sal_bl(i)(11)
步骤四:根据特征整合理论计算最终的显著图Sal,计算方法如公式(12)所示:
Sal=Sal_o·exp(k·Sal_b)(12)
公式(12)中,k表示量化参数,衡量图像对象性的显著图Sal_o和图像背景性的显著图Sal_b的整合关系,exp(·)为指数函数。
本发明的实验效果可以通过实验进一步说明:
1实验环境
本实验中进行三组实验,实验平台是Matlab2012a。
2实验步骤与结果
实验一:计算对象性下的显著图
本实验选取一组三幅自然图像,如图2中第a列所示,依据步骤一,可以得到对象性下的显著图Sal_o,分别如图2第b列三幅图所示,图2第c列为对应的三幅人工标定的二值图像,第b与第c列相比,第b列中显著的目标区域可以很好地被检测出来,保证了显著区域的完整性。但由于步骤一只检测显著区域,不可避免地包含噪声,可以清晰地发现图,第b列显著区域周边有噪声的存在。
实验二:计算背景性的显著图
本实验选取一组三幅自然图像,如图3中第a列所示。依据步骤二、三,可以得到对象性下的显著图Sal_b,分别如图3第b列所示,第c列为人工标定的二值图像,第b 与第c列相比,第b列中背景区域有效地抑制,但由于显著区域和背景区域有很大的颜色对照,因而显著的轮廓区域也部分被抑制,未能保证显著区域轮廓的完整性,降低了显著区域识别的正确性。
实验三:本发明的检测结果
本发明选取一组多类型图像,其中包含两幅红外图像和两幅自然图像,一次入如图4第a列所示,上两幅为红外图像,下两幅为自然图像。依据本发明的方法,可以得到本发明的检测结果,如图4第b列所示,第c列为人工标定的二值图像,第b与第c列相比,第b列中显著的区域可以很好地被检测,同时背景区域被有效地抑制,有效地提高了显著区域的识别率。
Claims (9)
1.一种结合对象性和背景性的红外图像显著特征检测方法,其特征在于,包括以下步骤:
步骤一:对给定一幅输入图像ff,计算图像对象性的特征,图像对象性的特征包括图像多尺度显著性MS、图像颜色对比CC和超像素跨越SS三种图像特征线索,在图像窗口中推断图像显著性的概率,在贝叶斯模型下推理获得图像对象性的显著图Sal_o;
步骤二:对图像ff进行超像素分割得到超像素图像,并将超像素图像构建一个稀疏图G(V,E),其中稀疏图中的节点V表示超像素图像中颜色值的集合,稀疏图中的边E表示超像素图像中像素距离;然后计算稀疏图边E的权重相似度矩阵WW;
步骤三:对图像ff的超像素图像的四个边界进行分离,以超像素图像四个边界为初始区域,分别加权相似度矩阵WW,得到上边界显著图Sal_bt、下边界显著图Sal_bd、右边界显著图Sal_br和左边界显著图Sal_bl,将边界显著图Sal_bt、下边界显著图Sal_bd、右边界显著图Sal_br和左边界显著图Sal_bl进行合并获得背景性的显著图Sal_b;
步骤四:根据特征整合理论计算获得最终的显著图Sal。
2.如权利要求1所述的结合对象性和背景性的红外图像显著特征检测方法,其特征在于,步骤一中,所述多尺度显著性MS的计算方式如公式(1)所示,
公式(1)中,w表示选取的图像ff中一个窗口,sc表示多尺度的尺寸,θ表示阈值,I(p)表示全局显著性效果图,计算公式如(2)所示:
I(p)=g(p)*Γ-1[exp(f1(ff)+f2(ff))]2(2)
公式(2)中,p表示图像ff中的像素,Γ-1(·)表示傅里叶反变换函数,f1(·)和f2(·)分别表示光谱残差和相位光谱函数。
3.如权利要求1所述的结合对象性和背景性的红外图像显著特征检测方法,其特征在于,步骤一中,所述图像颜色对比CC的计算方式为:
先将图像ff转换到CIELAB颜色空间,对图像进行超像素分割,获得窗口中的超像素,然后根据超像素之间的颜色差异和距离计算图像颜色对比CC,计算公式如公式(3)所示:
公式(3)中,ci和cj分别表示超像素i和j在CIELAB颜色空间的均值,pi和pj分别表示超像素i和j在CIELAB颜色空间的距离均值。
4.如权利要求3所述的结合对象性和背景性的红外图像显著特征检测方法,其特征在于,步骤一中,所述超像素跨越SS的计算方式为:
在超像素分割的基础上,计算属于相同超像素区域在同一图像窗口中的概率,即超像素跨越SS,计算公式如公式(4)所示:
公式(4)中,s表示超像素区域,w表示图像窗口区域,s∩w表示超像素区域s在图像窗口w内的像素区域,s\w表示超像素区域s在图像窗口w外的像素区域,SS1表示一系列超像素集。
5.如权利要求1所述的结合对象性和背景性的红外图像显著特征检测方法,其特征在于,步骤一中,所述在贝叶斯概率推理下获得对象性的显著图Sal_o的计算方法如公式(5)所示:
公式(5)中,E表示三种特征下推断显著性的概率,Ε={MS,CC,SS},p(obj)表示目标的先验知识,p(1-obj)表示背景的先验知识。
6.如权利要求1所述的结合对象性和背景性的红外图像显著特征检测方法,其特征在于,步骤二中,相似度矩阵WW中的元素wwij的计算方法如公式(6)所示:
公式(6)中,ci和cj分别表示超像素i和j在CIELAB颜色空间的均值,σww表示权重关系。
7.如权利要求1所述的结合对象性和背景性的红外图像显著特征检测方法,其特征在于,步骤三中,所述上边界显著图Sal_bt、下边界显著图Sal_bd、右边界显著图Sal_br和左边界显著图Sal_bl的计算方法依此如公式(7)、(8)、(9)、(10)所示:
Sal_bt(i)=It·wwij(7)
Sal_bd(i)=Id·wwij(8)
Sal_br(i)=Ir·wwij(9)
Sal_bl(i)=Il·wwij(10)
公式(7)、(8)、(9)、(10)中,It、Id、Ir、Il分别表示以上边界、下边界、右边界和左边界为初始区域的超像素图。
8.如权利要求1所述的结合对象性和背景性的红外图像显著特征检测方法,其特征在于,步骤三中,采用相乘的策略将上边界显著图Sal_bt、下边界显著图Sal_bd、右边界显著图Sal_br和左边界显著图Sal_bl进行合并获得背景性的显著图Sal_b,计算方法如公式(11)所示:
Sal_b(i)=Sal_br(i)·Sal_bd(i)·Sal_br(i)·Sal_bl(i) (11)
9.如权利要求1所述的结合对象性和背景性的红外图像显著特征检测方法,其特征在于,步骤四的计算方法如公式(12)所示:
Sal=Sal_o·exp(k·Sal_b) (12)
公式(12)中,k表示量化参数,衡量图像对象性的显著图Sal_o和图像背景性的显著图Sal_b的整合关系,exp(·)为指数函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410173152.1A CN105023264A (zh) | 2014-04-25 | 2014-04-25 | 一种结合对象性和背景性的红外图像显著特征检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410173152.1A CN105023264A (zh) | 2014-04-25 | 2014-04-25 | 一种结合对象性和背景性的红外图像显著特征检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105023264A true CN105023264A (zh) | 2015-11-04 |
Family
ID=54413206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410173152.1A Pending CN105023264A (zh) | 2014-04-25 | 2014-04-25 | 一种结合对象性和背景性的红外图像显著特征检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105023264A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787505A (zh) * | 2016-01-20 | 2016-07-20 | 青海师范大学 | 一种结合稀疏编码和空间约束的红外图像聚类分割方法 |
CN106228544A (zh) * | 2016-07-14 | 2016-12-14 | 郑州航空工业管理学院 | 一种基于稀疏表示和标签传播的显著性检测方法 |
WO2017101626A1 (zh) * | 2015-12-15 | 2017-06-22 | 努比亚技术有限公司 | 一种实现图像处理的方法及装置 |
CN108537242A (zh) * | 2017-03-03 | 2018-09-14 | 防城港市港口区思达电子科技有限公司 | 一种新的显著性目标检测方法 |
CN109034035A (zh) * | 2018-07-18 | 2018-12-18 | 电子科技大学 | 基于显著性检测和特征融合的行人重识别方法 |
CN110110594A (zh) * | 2019-03-28 | 2019-08-09 | 广州广电运通金融电子股份有限公司 | 一种产品分布识别方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065298A (zh) * | 2012-12-20 | 2013-04-24 | 杭州电子科技大学 | 一种模拟视网膜滤波的视觉显著性检测方法 |
US20140143193A1 (en) * | 2012-11-20 | 2014-05-22 | Qualcomm Incorporated | Method and apparatus for designing emergent multi-layer spiking networks |
-
2014
- 2014-04-25 CN CN201410173152.1A patent/CN105023264A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140143193A1 (en) * | 2012-11-20 | 2014-05-22 | Qualcomm Incorporated | Method and apparatus for designing emergent multi-layer spiking networks |
CN103065298A (zh) * | 2012-12-20 | 2013-04-24 | 杭州电子科技大学 | 一种模拟视网膜滤波的视觉显著性检测方法 |
Non-Patent Citations (4)
Title |
---|
XIAODI HOU等: ""Saliency Detection:A Spectral Residual Approach"", 《IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION ,2007 》 * |
宋修锐等: ""图像通用目标的无监督检测"", 《光学精密工程》 * |
宋长军: ""基于流形排名与迟滞阈值法的视觉显著性检测"", 《电子设计工程》 * |
王先梅等: ""基于归一化背景方向特征的脱机手写汉字识别"", 《计算机工程与应用》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017101626A1 (zh) * | 2015-12-15 | 2017-06-22 | 努比亚技术有限公司 | 一种实现图像处理的方法及装置 |
CN105787505A (zh) * | 2016-01-20 | 2016-07-20 | 青海师范大学 | 一种结合稀疏编码和空间约束的红外图像聚类分割方法 |
CN106228544A (zh) * | 2016-07-14 | 2016-12-14 | 郑州航空工业管理学院 | 一种基于稀疏表示和标签传播的显著性检测方法 |
CN106228544B (zh) * | 2016-07-14 | 2018-11-06 | 郑州航空工业管理学院 | 一种基于稀疏表示和标签传播的显著性检测方法 |
CN108537242A (zh) * | 2017-03-03 | 2018-09-14 | 防城港市港口区思达电子科技有限公司 | 一种新的显著性目标检测方法 |
CN109034035A (zh) * | 2018-07-18 | 2018-12-18 | 电子科技大学 | 基于显著性检测和特征融合的行人重识别方法 |
CN110110594A (zh) * | 2019-03-28 | 2019-08-09 | 广州广电运通金融电子股份有限公司 | 一种产品分布识别方法和装置 |
CN110110594B (zh) * | 2019-03-28 | 2021-06-22 | 广州广电运通金融电子股份有限公司 | 一种产品分布识别方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2811423B1 (en) | Method and apparatus for detecting target | |
CN108960211B (zh) | 一种多目标人体姿态检测方法以及系统 | |
CN108491854B (zh) | 基于sf-rcnn的光学遥感图像目标检测方法 | |
Zhang et al. | CNN based suburban building detection using monocular high resolution Google Earth images | |
CN109903331B (zh) | 一种基于rgb-d相机的卷积神经网络目标检测方法 | |
CN105023264A (zh) | 一种结合对象性和背景性的红外图像显著特征检测方法 | |
CN110210474B (zh) | 目标检测方法及装置、设备及存储介质 | |
CN108491848B (zh) | 基于深度信息的图像显著性检测方法和装置 | |
CN103020992B (zh) | 一种基于运动颜色关联的视频图像显著性检测方法 | |
CN103810503A (zh) | 一种基于深度学习的自然图像中显著区域的检测方法 | |
CN107330390B (zh) | 一种基于图像分析和深度学习的人数统计方法 | |
CN106815323B (zh) | 一种基于显著性检测的跨域视觉检索方法 | |
CN108154149B (zh) | 基于深度学习网络共享的车牌识别方法 | |
US11615612B2 (en) | Systems and methods for image feature extraction | |
CN104463870A (zh) | 一种图像显著区域检测方法 | |
CN111160291B (zh) | 基于深度信息与cnn的人眼检测方法 | |
WO2018076138A1 (zh) | 基于大尺度高分辨率高光谱图像的目标探测方法及装置 | |
CN107369158A (zh) | 基于rgb‑d图像的室内场景布局估计及目标区域提取方法 | |
US20130342559A1 (en) | Temporally consistent superpixels | |
CN104966285A (zh) | 一种显著性区域的检测方法 | |
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 | |
CN116681636B (zh) | 基于卷积神经网络的轻量化红外与可见光图像融合方法 | |
CN113537211B (zh) | 一种基于非对称iou的深度学习车牌框定位方法 | |
Garg et al. | Look no deeper: Recognizing places from opposing viewpoints under varying scene appearance using single-view depth estimation | |
CN104951765A (zh) | 基于形状先验信息和视觉对比度的遥感图像目标分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151104 |
|
RJ01 | Rejection of invention patent application after publication |