CN107220952B - 一种基于显著性的多尺度图像平滑方法 - Google Patents

一种基于显著性的多尺度图像平滑方法 Download PDF

Info

Publication number
CN107220952B
CN107220952B CN201710432023.3A CN201710432023A CN107220952B CN 107220952 B CN107220952 B CN 107220952B CN 201710432023 A CN201710432023 A CN 201710432023A CN 107220952 B CN107220952 B CN 107220952B
Authority
CN
China
Prior art keywords
image
saliency
parameters
filter
saliency map
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
Application number
CN201710432023.3A
Other languages
English (en)
Other versions
CN107220952A (zh
Inventor
侯海燕
符志鹏
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.)
Henan University of Science and Technology
Original Assignee
Henan University of Science and Technology
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 Henan University of Science and Technology filed Critical Henan University of Science and Technology
Priority to CN201710432023.3A priority Critical patent/CN107220952B/zh
Publication of CN107220952A publication Critical patent/CN107220952A/zh
Application granted granted Critical
Publication of CN107220952B publication Critical patent/CN107220952B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)
  • Facsimile Image Signal Circuits (AREA)

Abstract

一种基于显著性的多尺度图像平滑方法，首先对图像进行显著化处理，得到其显著图，根据得到的显著图确定高斯平滑滤波器尺度参数和模板尺寸参数，遍历图像，利用不同参数的滤波器对图像不同区域进行滤波得到平滑图像。本发明有益效果：有效的利用图像本身灰度分布特性进行图像平滑，在不同的显著区域使用不同的平滑参数，使得结果更加符合人类视觉系统特性，在图像压缩和模糊应用中具有很好的效果。

Description

一种基于显著性的多尺度图像平滑方法
技术领域
本发明涉及图像处理领域，具体地说是一种基于显著性的多尺度图像平滑方法。
背景技术
模糊技术是图像处理技术领域中常用的一种图像增强手段，多用于图像压缩与图像去噪。常见的图像模糊方法包括中值滤波、均值滤波、高斯模糊等方法。这些方法的基本原理都是通过设计不同的滤波器对图像进行平滑达到消除噪声或者图像模糊的目的。
常见的图像模糊方法往往根据实际的图像特点或经验选择合适的滤波器或者滤波参数，并且参数一旦确定，整幅图像采用相同的参数进行平滑处理，这种方式忽略了图像本身灰度分布的差异。
发明内容
本发明所要解决的技术问题是提供一种基于显著性的多尺度图像平滑方法，解决常见图像平滑技术滤波器参数固化，难以实现根据图像灰度分布自适应调整滤波参数的问题。
本发明为解决上述技术问题所采用的技术方案是：一种基于显著性的多尺度图像平滑方法，包括以下步骤：
(1)计算图像I的显著度，得到其显著图；
(2)根据步骤(1)得到的显著图确定高斯平滑滤波器尺度参数δ(i,j)和模板尺寸参数N(i,j)；
(3)遍历图像，利用不同参数的滤波器对图像不同区域进行滤波得到平滑图像L(x,y,δ)。
本发明所述步骤(1)中计算图像I的显著度并得到其显著图的方法为：
A(f)＝F(I(x))
Figure BDA0001317597320000011
L(f)＝log(A(f))
R(f)＝L(f)-h*L(f)
S(x)＝G(x)*F-1[exp(R(f)+P(f))]2
其中，f为频率，A(f)为图像的傅里叶变换的幅度谱，I为输入图像，F为傅里叶变换，F-1为傅里叶反变换，P为相位谱，L(f)为log谱，h为均值滤波器，S为显著图，G为高斯函数。
本发明所述步骤(2)中根据显著图确定高斯平滑滤波器尺度参数δ(i,j)和模板尺寸参数N(i,j)的方法为：
δ(i,j)＝-alog(Norm(S(i,j)))
Figure BDA0001317597320000021
其中，Norm(S(i,j)表示对显著图进行归一化处理，a和b为常数，用以控制各参数的衰减速度。
本发明所述a和b为经验值，取值范围为a∈[0.1,0.3]，b∈[0.1，0.5]。
本发明所述步骤(3)中利用不同参数的滤波器对图像不同区域进行滤波得到平滑后的图像L(x,y,δ)为：
Figure BDA0001317597320000022
其中G为高斯函数，L为平滑图像。
本发明的有益效果是：本发明基于显著性的多尺度图像平滑方法可以有效的利用图像本身灰度分布特性进行图像平滑，在不同的显著区域使用不同的平滑参数，使得结果更加符合人类视觉系统特性，在图像压缩和模糊应用中具有很好的效果。
附图说明
图1为本发明图像平滑方法的流程图；
图2、图6、图10、图14和图18为实施例原始图像；
图3、图7、图11、图15和图19为由实施例各原始图像得到的显著图；
图4、图8、图12、图16和图20为使用本发明方法平滑后的图像；
图5、图9、图13、图17和图21为使用均值滤波方法得到的平滑图像。
具体实施方式
一种基于显著性的多尺度图像平滑方法，包括以下步骤：
(1)对图像I通过以下方式进行显著性处理，得到显著图S：
A(f)＝F(I(x))
Figure BDA0001317597320000031
L(f)＝log(A(f))
R(f)＝L(f)-h*L(f)
S(x)＝G(x)*F-1[exp(R(f)+P(f))]2
其中，f为频率，A(f)为图像的傅里叶变换的幅度谱，I为输入图像，F为傅里叶变换，F-1为傅里叶反变换，P为相位谱，L(f)为log谱，h为均值滤波器，S为显著图，G为高斯函数。
(2)高斯滤波器参数确定
在得到显著图像后，根据图像不同区域显著程度的不同采用不同的滤波参数，高斯模糊公式为：
Figure BDA0001317597320000032
其中，I为原始图像，G为高斯函数，δ为尺度参数，δ越大，图像越模糊；在实际运算过程中，高斯函数G用一个N*N模板表示，模板中数值分布符合高斯分布，模板尺寸N也是影响模糊程度的重要参数；因此引入两个函数δ(i,j)，N(i,j)用以控制高斯平滑滤波器尺度参数和模板尺寸参数：
δ(i,j)＝-alog(Norm(S(i,j)))
Figure BDA0001317597320000033
Norm(S(i,j)表示对显著图进行归一化处理，a和b为常数，用以控制各参数的衰减速度。
(3)遍历图像，根据当前像素显著程度确定相应的滤波参数，并进行滤波得到平滑图像L(x,y,δ)：
Figure BDA0001317597320000041
其中，a和b为经验值，通过大量实验得出，a∈[0.1，0.3]，b∈[0.1，0.5]可以取得较好的处理效果，G为高斯函数；参数确定原则是对图像中较显著的区域采用较小的尺度参数和较小的滤波器模板尺寸；对图像中不显著的区域采用较大的尺度参数和较大的滤波器模板尺寸。
实施例
令a＝0.15，b＝0.35得到如下算法模型
Figure BDA0001317597320000042
根据该模型对图像进行平滑处理效果如图2-21所示，共5组数据，其中图2、6、10、14、18为原始图像，图3、7、11、15、19为显著图，图4、8、12、16、20为使用本方法平滑后的图像，图5、9、13、17、21为使用均值滤波方法得到的平滑图像。

Claims (4)

1.一种基于显著性的多尺度图像平滑方法，其特征在于：包括以下步骤：
(1)计算图像I的显著度，得到其显著图；
(2)根据步骤(1)得到的显著图确定高斯平滑滤波器尺度参数δ(i,j)和模板尺寸参数N(i,j)：
δ(i,j)＝-alog(Norm(S(i,j)))
Figure FDA0002348789410000011
其中，Norm(S(i,j)表示对显著图进行归一化处理，a和b为常数，用以控制各参数的衰减速度；
(3)遍历图像，利用不同参数的滤波器对图像不同区域进行滤波得到平滑图像L(x,y,δ)。
2.如权利要求1所述的一种基于显著性的多尺度图像平滑方法，其特征在于：所述步骤(1)中计算图像I的显著度并得到其显著图的方法为：
A(f)＝F(I(x))
Figure FDA0002348789410000012
L(f)＝log(A(f))
R(f)＝L(f)-h*L(f)
S(x)＝G(x)*F-1[exp(R(f)+P(f))]2
其中，f为频率，A(f)为图像的傅里叶变换的幅度谱，I为输入图像，F为傅里叶变换，F-1为傅里叶反变换，P为相位谱，L(f)为log谱，h为均值滤波器，S为显著图，G为高斯函数。
3.如权利要求1所述的一种基于显著性的多尺度图像平滑方法，其特征在于：所述a和b为经验值，取值范围为a∈[0.1,0.3]，b∈[0.1，0.5]。
4.如权利要求1所述的一种基于显著性的多尺度图像平滑方法，其特征在于：所述步骤(3)中利用不同参数的滤波器对图像不同区域进行滤波得到平滑后的图像L(x,y,δ)为：
Figure FDA0002348789410000021
其中G为高斯函数，L为平滑图像。
CN201710432023.3A 2017-06-09 2017-06-09 一种基于显著性的多尺度图像平滑方法 Expired - Fee Related CN107220952B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710432023.3A CN107220952B (zh) 2017-06-09 2017-06-09 一种基于显著性的多尺度图像平滑方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710432023.3A CN107220952B (zh) 2017-06-09 2017-06-09 一种基于显著性的多尺度图像平滑方法

Publications (2)

Publication Number Publication Date
CN107220952A CN107220952A (zh) 2017-09-29
CN107220952B true CN107220952B (zh) 2020-03-31

Family

ID=59947941

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710432023.3A Expired - Fee Related CN107220952B (zh) 2017-06-09 2017-06-09 一种基于显著性的多尺度图像平滑方法

Country Status (1)

Country Link
CN (1) CN107220952B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109117886B (zh) * 2018-08-17 2022-02-18 浙江捷尚视觉科技股份有限公司 一种图像帧中目标尺度与区域估计的方法
US20230171435A1 (en) * 2021-01-20 2023-06-01 Boe Technology Group Co., Ltd. Image encoding, decoding method and device, coder-decoder

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8005264B2 (en) * 2008-06-09 2011-08-23 Arcsoft, Inc. Method of automatically detecting and tracking successive frames in a region of interesting by an electronic imaging device
CN103632166A (zh) * 2013-12-04 2014-03-12 西安电子科技大学 基于融合显著信息的潜在主题极光图像分类方法
CN104392463A (zh) * 2014-12-16 2015-03-04 西安电子科技大学 一种基于联合稀疏多尺度融合的图像显著区域检测方法
KR101533925B1 (ko) * 2014-05-20 2015-07-03 한양대학교 에리카산학협력단 적외선 영상에서 소형 표적 검출 방법 및 그 장치
CN105354541A (zh) * 2015-10-23 2016-02-24 西安电子科技大学 基于视觉注意模型和恒虚警率的sar图像目标检测方法
CN105550685A (zh) * 2015-12-11 2016-05-04 哈尔滨工业大学 基于视觉注意机制的大幅面遥感影像感兴趣区域提取方法
CN105938564A (zh) * 2016-04-29 2016-09-14 无锡中科智能农业发展有限责任公司 基于主成分分析和神经网络的水稻病害识别方法及系统
CN106296632A (zh) * 2015-05-25 2017-01-04 中国海洋大学 一种基于幅度谱分析的显著目标检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8005264B2 (en) * 2008-06-09 2011-08-23 Arcsoft, Inc. Method of automatically detecting and tracking successive frames in a region of interesting by an electronic imaging device
CN103632166A (zh) * 2013-12-04 2014-03-12 西安电子科技大学 基于融合显著信息的潜在主题极光图像分类方法
KR101533925B1 (ko) * 2014-05-20 2015-07-03 한양대학교 에리카산학협력단 적외선 영상에서 소형 표적 검출 방법 및 그 장치
CN104392463A (zh) * 2014-12-16 2015-03-04 西安电子科技大学 一种基于联合稀疏多尺度融合的图像显著区域检测方法
CN106296632A (zh) * 2015-05-25 2017-01-04 中国海洋大学 一种基于幅度谱分析的显著目标检测方法
CN105354541A (zh) * 2015-10-23 2016-02-24 西安电子科技大学 基于视觉注意模型和恒虚警率的sar图像目标检测方法
CN105550685A (zh) * 2015-12-11 2016-05-04 哈尔滨工业大学 基于视觉注意机制的大幅面遥感影像感兴趣区域提取方法
CN105938564A (zh) * 2016-04-29 2016-09-14 无锡中科智能农业发展有限责任公司 基于主成分分析和神经网络的水稻病害识别方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Denoising saliency map for region of interest extraction;Guo, YD 等;《Lecture Notes in Computer Science》;20071231;第205-215页 *
Saliency dectection using spatial features and spectral residual;Wang D 等;《 International Conference on Multimedia Technology》;20111231;第5072-5075页 *
Saliency Detection with Multi-Scale Superpixels;Tong, N 等;《IEEE SIGNAL PROCESSING LETTERS》;20140930;第1035-1039页 *
基于宽频调谐特征和谱残差分析的显著性目标检测;杨思燕 等;《电子设计工程》;20150831;第177-180页 *
基于谱残差视觉显著性的带钢表面缺陷检测;陈海永 等;《光学精密工程》;20161031;第2572-2580页 *

Also Published As

Publication number Publication date
CN107220952A (zh) 2017-09-29

Similar Documents

Publication Publication Date Title
CN108921800A (zh) 基于形状自适应搜索窗口的非局部均值去噪方法
CN106530237A (zh) 一种图像增强方法
CN113592782B (zh) 一种复合材料碳纤维芯棒x射线图像缺陷提取方法及系统
CN107292834B (zh) 红外图像细节增强方法
CN107220952B (zh) 一种基于显著性的多尺度图像平滑方法
Ratner et al. Denoising-enhancing images on elastic manifolds
CN113344810A (zh) 基于动态数据分布的图像增强方法
CN107784639A (zh) 一种无人机遥感图像改进多边滤波去噪方法
CN104036457B (zh) 一种图像降噪方法
CN105303536A (zh) 一种基于加权均值滤波的中值滤波算法
CN101504769B (zh) 一种基于编码器框架的自适应性的噪声强度估计的方法
CN109064413B (zh) 图像对比度增强方法及采用其的图像采集医疗设备
CN104616259A (zh) 一种噪声强度自适应的非局部均值图像去噪方法
Hudhud et al. Digital removal of power frequency artifacts using a Fourier space median filter
CN113744294A (zh) 图像处理方法及相关装置
Zhang et al. Muti-scale image enhancement based on properties of human visual system
Deng et al. An image processing toolbox based on MATLAB GUI
CN103700067A (zh) 一种提升图像细节的方法和装置
CN111079689A (zh) 一种指纹图像增强方法
CN106600662B (zh) 图像中主线条的绘制方法及装置
Qingrong et al. Contrast enhancement of medical images using fuzzy set theory and nonsubsampled shearlet transform
CN111429383B (zh) 图像降噪方法及装置、计算机可读存储介质
CN112991359A (zh) 一种路面区域提取方法、系统、电子设备及存储介质
KR102096532B1 (ko) 소나영상의 객체 인식을 위한 커브렛 변환 기반의 윤곽선 향상 방법 및 장치
CN113989128B (zh) 基于改进的l0梯度最小化模型的图像平滑方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200331

Termination date: 20210609