CN105761238B - 一种通过灰度统计数据深度信息提取显著目标的方法 - Google Patents
一种通过灰度统计数据深度信息提取显著目标的方法 Download PDFInfo
- Publication number
- CN105761238B CN105761238B CN201511017690.2A CN201511017690A CN105761238B CN 105761238 B CN105761238 B CN 105761238B CN 201511017690 A CN201511017690 A CN 201511017690A CN 105761238 B CN105761238 B CN 105761238B
- Authority
- CN
- China
- Prior art keywords
- pixel
- super
- gray
- notable
- ftg
- 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.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
Abstract
一种通过灰度统计数据深度信息提取显著目标的方法,通过改进FT算法获得基本符合人类视觉注意的CBP特征的显著图。通过挖掘该显著图的灰度概率分布特性的深度信息找到原图像中显著性分布的规律,并使用曲线拟合技术、灰度统计技术、曲线单调性分析、超像素分割等技术提取基于该显著性分布的显著目标区域。最后结合图流形排序技术,实现接近测试集标准的显著图。本发明提出的检测算法比大多数显著目标检测方法的执行速度快、算法复杂度低,却保证较高的检测精度。
Description
技术领域
本发明涉及数字图像处理技术、曲线拟合技术和模式识别技术,具体涉及基于图像直方图灰度统计分析、指数函数拟合技术、高斯方程建模技术和基于指数函数曲线单调性分析的阈值提取技术。
背景技术
模式识别技术是指对表征事物或现象的各种形式的(数值的、文字的和逻辑关系的)信息进行处理和分析,以对事物或现象进行描述、辨认、分类和解释的过程,是信息科学和人工智能的重要组成部分。显著性检测中的模式识别指的是对图像中背景和目标的分类与识别。显著目标是图像中从背景中突出的人或事物,一般包含更多人们感兴趣的、更有用的信息。显著目标检测的主要任务即检测并标定出显著目标所在的区域。由于检测结果可以被直接使用,因此,显著目标检测广泛应用于目标识别、图像分割、图像检索等领域。
常用的显著目标检测技术主要有基于局部对比的显著区域检测技术,如:基于局部对比和模糊生长技术、多尺度中心-周围直方图和颜色空间分布对比技术等;以及基于全局对比的显著区域检测技术。目前许多显著目标检测模型虽然在单显著目标和简单背景场景下的性能已接近测试集的标准,但在多目标和复杂背景下,尤其是在目标相融的背景下不能取得较好的表现。然而,传统检测方法在复杂场景下获得的显著图虽不精准,但可以为更加精准的检测提供有价值的线索,那么,检测速度快且检测效果较高的这类方法会受到较多关注。如:Achanta提出的一种基于全局对比的显著区域检测的方法(Frequency-tunedsalient region detection,简称FT方法[1]),该方法从频率域角度出发,将经过高斯低通滤波图像中的每个像素值和整幅图像的平均像素值之间的欧几里得距离作为该像素点的显著值,该显著图的灰度概率具有指数分布特征。提取其检测结果中的深度信息,该线索可作为显著目标定位的有力依据。
人类视觉注意的中心偏移特征(Center Bias Prior ofhuman visionattention,简称CBP[2])是指人们在看任何图片时会首先注意图像的几何中心的内容。在显著性检测领域中,CBP被用来更加精准地定位显著目标,其具体实施方法主要有:基于空间关系测量的中心偏移[3]、二元高斯方程建模法[4]和边界优先法[5]。其中二元高斯方程建模法能方便地建立数学模型,边界优先法借鉴了背景的连通性,二者均能较好模拟人类视觉注意的CBP特征,为定位显著目标提供较有价值的线索。
简单线性迭代聚类(Simple Linear Iterative Clustering,简称SLIC[6])是一种高效的图像分割法,该方法将图像分割为n个超像素(n的取值一般在200左右具有最佳效果),划分为同一个超像素的像素或图像块具有颜色相似性和内部紧致性。目前,性能较好的图像显著性检测方法大多基于SLIC超像素分割,不仅可以达到快速检测的目标而且获得的显著图也更加平滑。
图流形排序(Graph BasedManifold Ranking)是近期出现的一种半监督聚类方法,通过计算图的邻接矩阵和度矩阵得到Laplacian正则化或非正则化矩阵,按照给定的查询计算每个图结点与查询种子的相似性,从而获得所有图结点的排序值,不同的Laplacian矩阵变体可应用在不同的环境下。ChuanYang[7]等人首次将图流形排序应用于显著目标检测,将图像进行SLIC分割,分割后的超像素作为图结点,以图像边缘结点作为相关性查询的种子以检测背景,再求反差得到显著区域。这种方法在单目标和简单背景下的检测效果比较好,但是,当显著目标位于图像边缘、多目标场景、背景复杂或前景与背景相融的情况下,检测效果不够理想。
[1]Achanta,R.,Hemamiz,S.,Estraday,F.,et al.:’Frequency-tuned salientregion detection’,IEEE Conf.on Computer Vision and Pattern Recognition(CVPR),2009,pp.1597–1604.
[2]Le Meur,O.,Le Callet,P.,Barba,D.,et al.:’A coherent computationalapproach to model bottom-up visual attention’,IEEE Trans.on Pattern Analysisand Machine Intelligence,2006,28,(5),pp.802–817.
[3]Tong,N.,Lu,H.,Zhang,L.,et al.:’Saliency detection with multi-scalesuperpixels’,IEEE Signal Processing Letters,2014,21,(9),pp.1035–1039.
[4]Song,M.,Chen,C.,Wang,S.,et al.:’Low-level and high-level priorlearning for visual saliency estimation’,Information Sciences,2014,281,pp.573–585.
[5]Zhu,W.,Liang,S.,Wei,Y.,et al.:’Saliency optimization from robustbackground detection’,IEEE Conf.on Computer Vision and Pattern Recognition(CVPR),2014,pp.2814–2821.
[6]Achanta,R.,Shaji,A.,Smith,K.,et al.:’Slic superpixels’,Tech.rep,2010.
[7]Yang,C.,Zhang,L.,Lu,H.,et al.:’Saliency detection via graph-basedmanifold ranking’,IEEE Conf.on ComputerVision and Pattern Recognition(CVPR),2013,pp.3166–3173。
发明内容
本发明提供一种通过灰度统计数据深度信息提取显著目标的方法,目的是通过改进FT算法获得基本符合人类视觉注意的CBP特征的显著图。通过挖掘该显著图的灰度概率分布特性的深度信息找到原图像中显著性分布的规律,并使用曲线拟合技术、灰度统计技术、曲线单调性分析、超像素分割等技术提取基于该显著性分布的显著目标区域。最后结合图流形排序技术,实现接近测试集标准的显著图。
为实现上述技术目的,本发明所提供的技术方案是:
一种通过灰度统计数据深度信息提取显著目标的方法,包括以下步骤:
步骤一:基于灰度概率指数函数分布的二元高斯方程建模:计算两个与原图等大小的矩阵,且满足矩阵中的元素取值为离散均匀分布;依据这两个矩阵计算基于灰度概率指数函数分布的二元高斯方程,并生成基于灰度概率指数函数分布的二元高斯灰度衰减图;
步骤二:改进FT显著图:将原图用FT方法生成FT显著图,并将FT显著图与在步骤一中生成的二元高斯灰度衰减图合并,生成具有高斯灰度衰减特征的FT显著图,称之为FTG显著图;
步骤三:灰度概率数据指数函数曲线拟合及拟合曲线单调性分析:按0-255共256个灰度级计,通过FTG显著图的灰度直方图计算该FTG显著图的灰度概率数据,用最小二乘法和指数函数曲线拟合该灰度概率数据,并求出拟合曲线的最大曲率所在点对应的灰度级x0,取整后作为提取潜在显著区域的灰度阈值;
步骤四:潜在显著区域定位:将原图用SLIC算法分割成n个超像素,FTG显著图套用该分割结果获得n个灰度超像素,根据步骤三得到的灰度阈值,按照FTG显著图灰度超像素的平均灰度和最大灰度,将潜在显著的FTG显著图超像素标定出来;
步骤五:边界超像素标定:在原图用SLIC算法分割后得到的n个超像素,n个超像素中选取包含图像边界任何一部分的那些超像素作为边界超像素,并标定出来;
步骤六:显著目标检测:用图流形排序法计算超像素相关度矩阵,用步骤四标定出的潜在显著的FTG显著图超像素和步骤五标定出的边界超像素作为前景查询种子和背景查询种子,利用前景查询种子和背景查询种子计算原图中每个超像素的显著度排序值,得到原图超像素前景优先显著度和背景优先显著度,整合这两个结果并归一化,将每个超像素的显著度赋值给其包含的所有像素生成最终的显著图。
本发明所述的步骤一中基于灰度概率指数函数分布的二元高斯方程建模的方法为:
一、计算二元高斯方程所用的两个矩阵与原图等大小,且元素取值满足离散均匀分布;
二、依据这两个矩阵计算出的二元高斯方程均值分别为这两个矩阵的均值,方差分别为和
三、由该方程生成二元高斯灰度衰减图,且该二元高斯灰度衰减图满足灰度概率指数函数分布。
本发明所述的步骤二中改将FT显著图与步骤一中生成的二元高斯灰度衰减图合并时所用的方法为按位乘法,即尺寸相同的两幅灰度图像归一化至相同灰度量纲后,相同位置上的像素灰度值相乘的结果作为合并图像在该位置的像素的灰度值。
本发明所述步骤三中灰度概率数据指数函数曲线拟合及拟合曲线单调性分析的方法为:
一、用指数函数拟合改进的FT显著图——FTG图的灰度概率数据;
二、取拟合曲线的最大曲率所在点对应的灰度级取整后作为提取潜在显著超像素的阈值。
本发明所述的步骤五中显著目标检测的方法为:
一、用步骤四标定的潜在显著超像素作为图流行排序的查询种子,生成前景优先的显著度排序值;
二、用FTG显著图的边界超像素作为图流行排序的查询种子,生成背景优先的显著度排序值;
三、用按位点乘的合并方法整合归一化后的前景优先和背景优先显著度排序值,归一化后得到原图所有超像素的显著度排序值。
本发明的有益效果是:(1)使用基于灰度概率指数函数分布的二元高斯方程得到的高斯灰度衰减图,既模拟了人类视觉注意的CBP特征,又在整合时不会破坏FT图原有的灰度概率指数分布特征,而且易于通过曲线拟合和单调性分析求出提取潜在显著目标区域的灰度分割阈值;(2)用指数函数拟合FTG显著图的灰度概率数据,不仅符合FT图和高斯衰减图的灰度概率指数分布特征,而且易于计算曲率最大点,提高了算法的执行速度;(3)选用指数函数拟合曲线的最大曲率对应灰度作为阈值是因为:该点对应于显著图灰度概率低灰度灰度高频段与高灰度低频段的拐点,在分离背景与目标时有非常重要的指导意义,在大部分情况可提高显著目标检测的精度;(4)用基于超像素平均灰度和超像素存在显著像素的两种方式提取潜在的显著超像素,可以较为全面地查找显著区域,为图流行排序提供充分的查询依据;(5)使用前景优先和背景优先两种图流行排序计算所有超像素的显著度,能最大限度地利用了目标的紧凑性和背景的连通性,在图像多目标、场景复杂的情况下,本发明方法性能好于其他检测方法;(6)本发明提出的检测算法比大多数显著目标检测方法的执行速度快、算法复杂度低,却保证较高的检测精度。
附图说明
图1是本发明涉及的通过灰度统计数据深度信息提取显著目标方法的总流程图;
图2是本发明涉及的基于灰度概率指数函数分布的二元高斯方程建模流程图;
图3是本发明涉及的改进FT显著图流程图;
图4是本发明涉及的灰度概率数据指数函数曲线拟合及拟合曲线单调性分析流程图;
图5是本发明涉及的潜在显著区域定位流程图;
图6是本发明涉及的显著目标检测流程图。
具体实施方式
本发明所涉及的通过灰度统计数据深度信息提取显著目标方法,包括:基于灰度概率指数函数分布的二元高斯方程建模、改进FT显著图、灰度概率数据指数函数曲线拟合及拟合曲线单调性分析、潜在的显著区域定位、显著目标检测等步骤。
本发明所涉及的提取显著目标的方法,可快速实现在单目标、单纯背景的简单场景和多目标、背景杂乱的复杂场景的显著目标检测。简单场景的检测结果接近测试集标准,复杂场景的检测结果优于一般的检测方法。
本发明所涉及的灰度概率指数函数分布的二元高斯方程建模,是使用二元高斯方程法对人类视觉注意的CBP特征进行建模。获得的高斯衰减图具有中心高亮且亮度向图像四个边缘高斯衰减,符合CBP特征,且该高斯衰减图同时具有灰度概率呈指数分布的特征,在改进FT显著图时可保持并调整其灰度概率的指数分布。
本发明所涉及的改进FT显著图方案,属于数字图像处理技术。用灰度概率指数函数分布的高斯衰减图改进FT显著图的灰度在显著图中的位置分布,使其满足人类视觉注意的CBP特征,不仅可增强FT显著图中心区域的显著值,还可擦除图像边缘的背景噪声,且对于显著性突出的边缘区域不会有太大影响。
本发明所涉及的灰度概率数据指数函数曲线拟合是一种基于最小二乘法的误差理论,属于数值分析范畴,不是简单的数字图像处理技术。
本发明所涉及的拟合曲线单调性分析,利用了指数函数在自变量为正数的情况下的两个特征:(1)单调递减趋近x轴;(2)曲线曲率随自变量从0增大而迅速增大,达到最大值后又渐渐变缓。以上特征与一般图像显著性概率分布一致,即:背景低灰度区间窄、概率高;目标高灰度区间宽、概率低。
本发明所涉及的潜在的显著区域定位,区域分割采用目前较前沿性能较好的像素聚类技术——SLIC法,聚类后的超像素不仅内部紧致,而且能够有效保存显著目标边缘,保证了最后生成的显著图平滑和较清晰地显示目标轮廓。
本发明所涉及的潜在的显著区域定位,从超像素和像素两个层次定位潜在的显著区域,能最大限度地保证显著像素所在区域被定位出来,为后续的流行排序提供了全面而准确的查询,有效地提高了检测的精度。
本发明所涉及的显著目标检测采用了新颖的谱聚类方法——图流形排序法,非正则的laplacian矩阵能够有效地依据查询在图结点中搜寻与之相关的结点,并按照相关性大小进行排序,用于显著图生成具有速度快、精度高的特点。
通过灰度统计数据深度信息提取显著目标的方法:
基于灰度概率指数函数分布的二元高斯方程建模,实现模拟人类视觉注意CBP特征的高斯灰度衰减图(Exponential distributionbased Center Bias Prior图,简称E-CBP图),该图具有灰度概率指数函数分布特征;
改进FT显著图,实现FT显著图中心显著性增强,边缘噪声擦除的功能,并保持原FT显著图灰度概率基本的指数函数分布特征;
灰度概率数据指数函数曲线拟合及拟合曲线单调性分析,实现从拟合曲线中提取原图基本显著性分布规律并计算出提取潜在显著超像素的阈值的功能;
潜在显著区域定位:实现定位可能包含显著区域的超像素;
显著目标检测:实现显著图的生成。
本发明所述的基于灰度概率指数函数分布的二元高斯方程建模,通过下述步骤实现:
步骤一、计算两个与原图等大小的矩阵,该矩阵中的元素取值均满足离散均匀分布;
步骤二、计算基于灰度概率指数函数分布的二元高斯方程;
步骤三、生成基于灰度概率指数函数分布的二元高斯灰度衰减图。
本发明所述的改进FT显著图,通过下述步骤实现:
步骤一、将原图用FT方法生成FT显著图;
步骤二、将FT显著图与基于灰度概率指数函数分布的二元高斯方程合并,生成FTG显著图(表示具有Gaussian灰度衰减特征的FT显著图);
本发明所述的灰度概率数据指数函数曲线拟合,通过下述步骤实现:
步骤一、通过FTG显著图的灰度直方图计算该图的灰度概率数据(按0-255共256个灰度级计);
步骤二、根据灰度概率数据用最小二乘法拟合指数函数曲线方程。
本发明所述的拟合曲线单调性分析,通过下述步骤实现:
步骤一、拟合曲线中的低灰度部分及灰度概率提示原图背景区域大概的灰度级及所占概率,高灰度部分及灰度概率提示原图目标区域大概的灰度级及所占概率,曲线的陡峭或平缓提示目标与背景的可分离程度;
步骤二、求出拟合曲线的曲率最大点(x0,y0),将该点视为从背景灰度过渡到目标灰度的拐点,x0的近似整数被视为FTG显著图中分离背景和显著目标的灰度阈值。
本发明所述的潜在显著区域定位,通过下述步骤实现:
步骤一、将原图用SLIC算法分割成200个左右的超像素,将所有超像素按编号生成三个显著指示向量和y=[y1,y2,...,yn]T;
步骤二、分别计算FTG显著图中属于同一个超像素i的所有像素平均灰度meangray(i),平均灰度大于灰度阈值x0的属于显著超像素设的值为1,否则属于背景超像素设的值为0;
步骤三、对FTG显著图中任一超像素i,如果其中存在灰度大于阈值x0的像素,则属于显著超像素设的值为1,否则属于背景超像素设的值为0;
步骤四、令y=y(1).|y(2),即按位或运算,标定潜在的显著超像素。
本发明所述的显著目标检测,通过下述步骤实现:
步骤一、使用标定的潜在显著超像素作为查询种子,计算前景优先的图流形排序值fF;
步骤二、使用包含图像四个边界任一部分的超像素作为查询种子,计算背景优先的图流形排序值fB;
步骤三、使用按位或运算合并归一化后的fF和fB得到向量f;
步骤四、归一化f,作为每个超像素的显著度;
步骤五、将每个超像素的显著度赋值给其包含的所有像素,生成最终的显著图。
为说明本发明涉及的通过灰度统计数据深度信息提取显著目标方法,结合实施例及附图阐述如下:
图1为本发明通过灰度统计数据深度信息提取显著目标方法的总流程图。本方法通过9个基本步骤实现基于直方图幂函数拟合的显著目标检测流程的一个完整过程,包括:
(一)使用SLIC算法将原图分割成n个(n的值为200个左右)超像素,得到原图像素归属超像素的归属信息矩阵superpixels,superpixels(i,j)表示坐标为(i,j)的像素所属的超像素编号;
(二)用基于灰度概率指数函数分布的二元高斯方程建模,按照公式(1)生成满足灰度概率指数函数分布的高斯衰减图,使用FT算法生成原图的FT显著图。将FT显著图SFT与高斯衰减图GE分别归一化后按照公式(2)进行按位乘运算,得到FTG显著图;
(三)FTG显著图直方图数据除以图像像素个数(w*h)并归一化后得到其灰度概率数据hist(i),其中i=1,2,…,256,hist(i)表示灰度为i的像素在整幅显著图中出现的概率;
(四)用公式(3)以最小二乘法拟合FTG显著图灰度概率数据{(x,hist(i))|x=0,1,...,255},得到拟合系数λ1、λ2、λ3和λ4;
(五)按照公式(4)求出提取潜在显著超像素的阈值x0;
(六)根据SLIC分割结果的归属信息矩阵superpixels,套用该分割结果将FTG显著图划分为n个超像素,每个超像素中所属像素的位置与原图中对应超像素中所属像素的位置均为一一对应关系。求出每个FTG显著图超像素的平均灰度meangray和最大灰度maxgray;
(七)定义三个指示向量和y=[y1,y2,...,yn]T,每个指示向量均含有n个元素,第i个元素的布尔值对应着第i个FTG显著图超像素是否是潜在显著的,其中,i=1,2,...,n。对任一FTG显著图超像素,按照公式(5)(6)(7)为这三个指示向量赋值;
(八)将n个FTG显著图超像素视为结点组成图G,按照公式(8)计算各结点的邻接权值,获得图G的邻接矩阵,按照公式(9)求得图G的度矩阵,设α=0.99,按照公式(10)求得图G的相关度矩阵;
(九)将步骤(七)中计算出的潜在显著超像素定位指示向量y作为查询,即令q=y,按照公式(11)计算出前景优先的超像素显著度排序向量fF,并归一化为
(十)从步骤(一)计算获得的分割结果superpixels中找到包含图像边界任何一部分的那些超像素作为边界超像素,定义一个指示向量b=[b1,b2,...,bn]T,(bk=1or0,k=1,2,…,n),该向量的每个元素值为1或0分别表示其对应的超像素是边界超像素或内部超像素。令q=b,按照公式(11)计算出背景优先的超像素显著度排序向量fB,并归一化为
(十一)按照公式(12)整合步骤(十)和步骤(十一)计算出的前景优先与背景优先的超像素显著度排序值,并归一化为
(十二)将每个超像素的显著度按照公式(13)赋值给其包含的所有像素显著度,得到最终的像素级显著图S
注:①所有步骤中的归一化过程按照公式(14)计算;
②公式(2)与公式(12)中的符号表示按位乘法,参与运算的可以是尺寸相同的两个矩阵或向量。结果矩阵(或向量)某个位置上的值等于这两个相同尺寸的矩阵(或向量)对应的该相同位置上的两个元素值相乘的结果,如公式(15)所示。
满足取值概率指数函数分布的二元高斯方程:
其中,f1(i,j)=(i-1)/10和f2(i,j)=(j-1)/10;i∈[1,h]且j∈[1,w],h和w分别表示原图的高和宽;μi和μj分别表示f1和f2的均值,和被分别设置为和
改进FT显著图:
曲线拟合使用的指数函数:
提取潜在显著超像素阈值:
超像素级别的潜在显著超像素提取:
像素级别的潜在显著超像素提取:
潜在显著超像素定位:
对图像分割后的超像素组成的图G=(V,E),其中V表示图G的结点集合即所有超像素集合,E表示所有结点的全连接边集合。先求超像素的邻接矩阵W,W的每个元素w,ci和cj表示超像素i和j在CIELAB颜色空间的颜色均值,σ为权值系数,可取0至1之间的常数,一般取0.1。超像素的邻接矩阵W:
图G的度矩阵D=diag{d11,...,dnn}是对角矩阵,D中的元素dij由式(9)求得:
超像素的相关度矩阵,α为相关系数,可取0至1之间的常数:
(D-αW)-1 (10)
给定查询q之后,按照式(11)求得各超像素的显著度向量f:
f=(D-αW)-1q (11)
整合前景优先与背景优先的显著度排序值:
生成显著图,其中Ix,y∈Ii表示原图中的像素(x,y)属于超像素i:
归一化公式:
符号表示:
矩阵:S(x,y)=S1(x,y)*S2(x,y),其中:1≤x≤h且1≤y≤w (15a)
向量:S(k)=S1(k)*S2(k),其中:1≤k≤n (15a)。
Claims (3)
1.一种通过灰度统计数据深度信息提取显著目标的方法,其特征在于:包括以下步骤:
步骤一:基于灰度概率指数函数分布的二元高斯方程建模:计算两个与原图等大小的矩阵,且满足矩阵中的元素取值为离散均匀分布;依据这两个矩阵计算基于灰度概率指数函数分布的二元高斯方程,并生成基于灰度概率指数函数分布的二元高斯灰度衰减图;
步骤二:改进FT显著图:将原图用FT方法生成FT显著图,并将FT显著图与在步骤一中生成的二元高斯灰度衰减图合并,生成具有高斯灰度衰减特征的FT显著图,称之为FTG显著图;
上述基于灰度概率指数函数分布的二元高斯方程建模的方法为:
步骤2.1、计算二元高斯方程所用的两个矩阵与原图等大小,且元素取值满足离散均匀分布;
步骤2.2、依据这两个矩阵计算出的二元高斯方程均值分别为这两个矩阵的均值,方差分别为和h和w分别表示原图的高和宽;
步骤2.3、由该方程生成二元高斯灰度衰减图,且该二元高斯灰度衰减图满足灰度概率指数函数分布;
步骤三:灰度概率数据指数函数曲线拟合及拟合曲线单调性分析:按0-255共256个灰度级计,通过FTG显著图的灰度直方图计算该FTG显著图的灰度概率数据,用最小二乘法和指数函数曲线拟合该灰度概率数据,并求出拟合曲线的最大曲率所在点对应的灰度级x0,取整后作为提取潜在显著区域的灰度阈值;
步骤四:潜在显著区域定位:将原图用SLIC算法分割成n个超像素,FTG显著图套用该分割结果获得n个灰度超像素,根据步骤三得到的灰度阈值,按照FTG显著图灰度超像素的平均灰度和最大灰度,将潜在显著的FTG显著图超像素标定出来;
上述的潜在显著区域定位,通过下述步骤实现:
步骤4.1、将原图用SLIC算法分割成200个超像素,将所有超像素按编号生成三个显著指示向量和y=[y1,y2,...,yn]T;
步骤4.2、分别计算FTG显著图中属于同一个超像素i的所有像素平均灰度meangray(i),平均灰度大于灰度阈值x0的属于显著超像素设的值为1,否则属于背景超像素设的值为0;
步骤4.3、对FTG显著图中任一超像素i,如果其中存在灰度大于阈值x0的像素,则属于显著超像素设的值为1,否则属于背景超像素设的值为0;
步骤4.4、令y=y(1).|y(2),即按位或运算,标定潜在的显著超像素;
步骤五:边界超像素标定:在原图用SLIC算法分割后得到的n个超像素,在n个超像素中选取包含图像边界任何一部分的那些超像素作为边界超像素,并标定出来;
上述显著目标检测的方法为:
步骤5.1、用步骤四标定的潜在显著超像素作为图流行排序的查询种子,生成前景优先的显著度排序值;
步骤5.2、用FTG显著图的边界超像素作为图流行排序的查询种子,生成背景优先的显著度排序值;
步骤5.3、用按位点乘的合并方法整合归一化后的前景优先和背景优先显著度排序值,归一化后得到原图所有超像素的显著度排序值;
步骤六:显著目标检测:用图流形排序法计算超像素相关度矩阵,用步骤四标定出的潜在显著的FTG显著图超像素和步骤五标定出的边界超像素作为前景查询种子和背景查询种子,利用前景查询种子和背景查询种子计算原图中每个超像素的显著度排序值,得到原图超像素前景优先显著度和背景优先显著度,整合这两个结果并归一化,将每个超像素的显著度赋值给其包含的所有像素生成最终的显著图。
2.根据权利要求1所述的一种通过灰度统计数据深度信息提取显著目标的方法,其特征在于:所述的步骤二中将FT显著图与步骤一中生成的二元高斯灰度衰减图合并时所用的方法为按位乘法,即尺寸相同的两幅灰度图像归一化至相同灰度量纲后,相同位置上的像素灰度值相乘的结果作为合并图像在该位置的像素的灰度值。
3.根据权利要求1所述的一种通过灰度统计数据深度信息提取显著目标的方法,其特征在于:所述步骤三中灰度概率数据指数函数曲线拟合及拟合曲线单调性分析的方法为:
一、用指数函数拟合改进的FT显著图——FTG图的灰度概率数据;
二、取拟合曲线的最大曲率所在点对应的灰度级取整后作为提取潜在显著超像素的阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511017690.2A CN105761238B (zh) | 2015-12-30 | 2015-12-30 | 一种通过灰度统计数据深度信息提取显著目标的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511017690.2A CN105761238B (zh) | 2015-12-30 | 2015-12-30 | 一种通过灰度统计数据深度信息提取显著目标的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105761238A CN105761238A (zh) | 2016-07-13 |
CN105761238B true CN105761238B (zh) | 2018-11-06 |
Family
ID=56342255
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511017690.2A Expired - Fee Related CN105761238B (zh) | 2015-12-30 | 2015-12-30 | 一种通过灰度统计数据深度信息提取显著目标的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105761238B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107316037B (zh) * | 2017-03-27 | 2020-11-13 | 南京晓庄学院 | 一种基于视觉主体检测的果蔬识别预处理方法 |
CN107203781B (zh) * | 2017-05-22 | 2020-07-28 | 浙江大学 | 一种基于显著性指导的端到端的弱监督目标检测方法 |
CN107316318B (zh) * | 2017-05-26 | 2020-06-02 | 河北汉光重工有限责任公司 | 基于多子区域背景拟合的空中目标自动检测方法 |
CN107292923B (zh) * | 2017-06-29 | 2019-03-01 | 北京大学深圳研究生院 | 基于深度图挖掘的后向传播图像视觉显著性检测方法 |
CN107610136B (zh) * | 2017-09-22 | 2019-12-31 | 中国科学院西安光学精密机械研究所 | 基于凸包结构中心查询点排序的显著目标检测方法 |
CN108537816B (zh) * | 2018-04-17 | 2021-08-31 | 福州大学 | 一种基于超像素和背景连接先验的显著物体分割方法 |
CN110189294B (zh) * | 2019-04-15 | 2021-05-07 | 杭州电子科技大学 | 基于深度可信度分析的rgb-d图像显著性检测方法 |
CN110827309B (zh) * | 2019-11-12 | 2023-06-23 | 太原理工大学 | 一种基于超像素的偏光片外观缺陷分割方法 |
CN112183556B (zh) * | 2020-09-27 | 2022-08-30 | 长光卫星技术股份有限公司 | 一种基于空间聚类与分水岭变换的港口矿堆轮廓提取方法 |
CN112991286B (zh) * | 2021-03-05 | 2024-04-26 | 浙江大华技术股份有限公司 | 图像统计数据的检测方法、设备以及计算机可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2431919A1 (en) * | 2010-09-16 | 2012-03-21 | Thomson Licensing | Method and device of determining a saliency map for an image |
CN104240244A (zh) * | 2014-09-10 | 2014-12-24 | 上海交通大学 | 一种基于传播模式和流形排序的显著性物体检测方法 |
CN104715476A (zh) * | 2015-02-13 | 2015-06-17 | 河南科技大学 | 一种基于直方图幂函数拟合的显著目标检测方法 |
-
2015
- 2015-12-30 CN CN201511017690.2A patent/CN105761238B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2431919A1 (en) * | 2010-09-16 | 2012-03-21 | Thomson Licensing | Method and device of determining a saliency map for an image |
CN104240244A (zh) * | 2014-09-10 | 2014-12-24 | 上海交通大学 | 一种基于传播模式和流形排序的显著性物体检测方法 |
CN104715476A (zh) * | 2015-02-13 | 2015-06-17 | 河南科技大学 | 一种基于直方图幂函数拟合的显著目标检测方法 |
Non-Patent Citations (3)
Title |
---|
Global feature integration based salient region detection;Mingqiang Lin等;《Neurocomputing》;20150224;第159卷;正文第2-5章 * |
RGB-D图像显著性检测研究;向训文;《中国优秀硕士学位论文全文数据库 信息科技辑》;20151215(第12期);第I138-834页 * |
基于先验融合和流形排序的显著目标检测;杨川;《中国优秀硕士学位论文全文数据库信息科技辑》;20130815(第8期);摘要,表2.1,表3.1,正文第21页第1段至第31页最后一段 * |
Also Published As
Publication number | Publication date |
---|---|
CN105761238A (zh) | 2016-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105761238B (zh) | 一种通过灰度统计数据深度信息提取显著目标的方法 | |
Zhang et al. | Deep-IRTarget: An automatic target detector in infrared imagery using dual-domain feature extraction and allocation | |
Xie et al. | Multilevel cloud detection in remote sensing images based on deep learning | |
Zhang et al. | A multilevel point-cluster-based discriminative feature for ALS point cloud classification | |
Dev et al. | Color-based segmentation of sky/cloud images from ground-based cameras | |
Xu et al. | Learning-based shadow recognition and removal from monochromatic natural images | |
Zhang et al. | Multi-class weather classification on single images | |
CN109325484B (zh) | 基于背景先验显著性的花卉图像分类方法 | |
Kim et al. | Color–texture segmentation using unsupervised graph cuts | |
CN109753975A (zh) | 一种训练样本获得方法、装置、电子设备和存储介质 | |
CN107633226B (zh) | 一种人体动作跟踪特征处理方法 | |
Zhou et al. | Salient object detection via fuzzy theory and object-level enhancement | |
Mirghasemi et al. | A target-based color space for sea target detection | |
Zhao et al. | Sparsity-guided saliency detection for remote sensing images | |
CN107067037B (zh) | 一种使用llc准则定位图像前景的方法 | |
CN111967511A (zh) | 一种基于异构特征融合网络的地基云图分类方法 | |
Yang et al. | Color texture segmentation based on image pixel classification | |
Qin et al. | Learning discriminative embedding for hyperspectral image clustering based on set-to-set and sample-to-sample distances | |
Yong et al. | GrabCut image segmentation algorithm based on structure tensor | |
Zhang et al. | Salient region detection for complex background images using integrated features | |
Bai et al. | Principal pixel analysis and SVM for automatic image segmentation | |
Bora et al. | AERASCIS: An efficient and robust approach for satellite color image segmentation | |
Ju et al. | A novel fully convolutional network based on marker-controlled watershed segmentation algorithm for industrial soot robot target segmentation | |
CN107392926B (zh) | 基于前期土地专题图的遥感影像特征选择方法 | |
CN112037230B (zh) | 一种基于超像素和超度量轮廓图的林区图像分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20191106 Address after: Room E601, innovation building, No. 68, Wenhua Road, Jinshui District, Zhengzhou City, Henan Province Patentee after: Zhengzhou Xinma Technology Co., Ltd Address before: 471000 Xiyuan Road, Jianxi District, Henan, No. 48, No. Patentee before: Henan University of Science and Technology |
|
TR01 | Transfer of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181106 Termination date: 20201230 |
|
CF01 | Termination of patent right due to non-payment of annual fee |