CN107423740A - 图像显著区域的获取方法和装置 - Google Patents
图像显著区域的获取方法和装置 Download PDFInfo
- Publication number
- CN107423740A CN107423740A CN201710334172.6A CN201710334172A CN107423740A CN 107423740 A CN107423740 A CN 107423740A CN 201710334172 A CN201710334172 A CN 201710334172A CN 107423740 A CN107423740 A CN 107423740A
- Authority
- CN
- China
- Prior art keywords
- image
- marking area
- scale
- gauss
- phase spectrum
- 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
Classifications
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像显著区域的获取方法和装置。其中,该方法包括:获取图像的相位谱和多个尺度因子对应的高斯尺度值;根据所述图像的相位谱和与所述多个尺度因子对应的高斯尺度值,确定多个尺度下的多个第一显著区域图;获取所述多个第一显著区域图的信息熵;按照预设规则确定信息熵,选择与确定的所述信息熵对应的第二显著区域图,并将所述第二显著区域图作为所述图像最终的显著区域图。本发明解决了现有技术中在对图像的感兴趣区域进行提取时,会损失图像细节或边缘信息的技术问题。
Description
技术领域
本发明涉及图像处理领域,具体而言,涉及一种图像显著区域的获取方法和装置。
背景技术
随着计算机网络技术的迅速发展,大量的图像信息在各个领域都起到了非常重要的作用,但同时也产生了大量的冗余信息。在实际应用中,一幅图像通常只有部分是用户需要仔细观察的区域,这部分区域通常能够引起用户的注意,就是所谓的显著区域,也即用户的感兴趣区域,因此准确的在图像中获取显著区域,能够去除大量的冗余信息,对于图像的传输和存储都具有有益效果。
但在实际的图像处理应用中,通过现有的方法获取的图像的显著区域都会损失图像细节和边缘信息,并不能真实的反馈图像的显著区域的信息,因此会导致检测图像显著区域的效果不佳。
以医疗图像为例,通过图像呈现的医疗信息需要远程的在各个医院之间传输,但由于医学信息数据库庞大,通常需要在存储及传输前对其数据进行压缩。而一般来讲,图像的压缩与其图像质量有着密不可分的联系,既不能为了追求高压缩比,使其图像质量不贴近人眼视觉,又不能为了人眼观看质量,使其压缩率降低,因此,可以提取医疗图像中的感兴趣区域(即显著区域),但由于图像中大家所关注的显著区域特征细节较少,边缘信息模糊,以及医学仪器固有的噪声,导致难以真实的获取到图像的显著区域的信息。
针对现有技术中在对图像的感兴趣区域进行提取时,会损失图像细节或边缘信息的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种图像显著区域的获取方法和装置,以至少解决现有技术中在对图像的感兴趣区域进行提取时,会损失图像细节或边缘信息的技术问题。
根据本发明实施例的一个方面,提供了一种图像显著区域的获取方法,包括:获取图像的相位谱和多个尺度因子对应的高斯尺度值;根据图像的相位谱和与多个尺度因子对应的高斯尺度值,确定多个尺度下的多个第一显著区域图;获取多个第一显著区域图的信息熵;按照预设规则确定信息熵,选择与确定的信息熵对应的第二显著区域图,并将第二显著区域图作为图像最终的显著区域图。
进一步地,对图像的图像信息进行傅里叶变换,得到傅里叶变换结果;根据傅里叶变换结果提取图像的相位谱。
进一步地,获取初始常数因子;获取尺度因子范围;按照预设的采样规则,在尺度因子范围内进行采样,得到多个尺度因子;根据初始常数因子和多个尺度因子,得到多个尺度因子对应的高斯尺度值。
进一步地,通过如下公式计算得到多个尺度因子对应的高斯尺度值:其中,g(u,v,σ)用于表示图像的像素(u,v)在尺度因子σ下的高斯尺度值,τ用于表示初始常数因子。
进一步地,对图像的相位谱作对数处理,得到图像的对数相位谱
进一步地,将对数相位谱分别与多个尺度因子对应的高斯尺度值进行卷积,得到多个尺度下的相位谱空间;将多个尺度下的相位谱空间进行傅里叶逆变换,得到多个尺度下的多个第一显著区域图。
进一步地,获取多个信息熵中最小的信息熵;将最小的信息熵对应的第二显著区域图作为图像最终的显著区域图。
根据本发明实施例的另一方面,还提供了一种图像显著区域的获取装置,包括:第一获取模块,用于获取图像的相位谱和多个尺度因子对应的高斯尺度值;第二获取模块,用于根据图像的相位谱和与多个尺度因子对应的高斯尺度值,得到多个尺度下的多个第一显著区域图;第三获取模块,用于获取多个第一显著区域图的信息熵;确定模块,用于按照预设规则确定信息熵,选择与确定的信息熵对应的第二显著区域图,并将第二显著区域图作为图像最终的显著区域图。
在本发明实施例中,获取图像的相位谱和多个尺度因子对应的高斯尺度值,根据图像的相位谱和与多个尺度因子对应的高斯尺度值,确定多个尺度下的多个第一显著区域图,获取多个第一显著区域图的信息熵,按照预设规则确定信息熵,选择与确定的信息熵对应的第二显著区域图,并将第二显著区域图作为作数图像最终的显著区域图。上述方案在检测图像的显著区域时,将尺度信息通过尺度因子的方式引入其中,并在无法确定最佳尺度的情况下,通过确定信息熵的方式确定最佳尺度。最佳尺度下的显著区域图能够更明确的体现图像的细节信息,从而解决了现有技术中在对图像的感兴趣区域进行提取时,会损失图像细节或边缘信息的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的图像显著区域的获取方法的流程图。
图2是根据本发明实施例的一种可选的图像显著区域的获取方法的流程图;
图3是根据本发明实施例的一种可选的图像显著区域的获取方法的示意图;
图4是根据本发明实施例的一种对图像进行压缩的流程图;以及
图5是根据本发明实施例的一种图像显著区域的获取装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种图像显著区域的获取方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
需要说明的是,以下实施例中所涉及的方法步骤可以通过移动终端或计算机设备实现,其中,该移动终端包括但不限于:移动电话、平板电脑等。
图1是根据本发明实施例的图像显著区域的获取方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取图像的相位谱和多个尺度因子对应的高斯尺度值。
具体的,上述相位谱用于表示各频率分量在时间原点所具有的相位,多个尺度因子可以在预设的尺度因子范围内获取,多个尺度因子对应的高斯尺度值可以根据多个尺度因子和预设的高斯尺度函数确定。
在一种可选的实施例中,可以通过傅里叶变换将图像由时域变换到频域,将各个分量的相位随频率变化的曲线作为信号的相位谱。通过多个尺度因子和预设的高斯尺度函数,获取多个尺度因子对应的高斯尺值。
步骤S104,根据图像的相位谱和与多个尺度因子对应的高斯尺度值,确定多个尺度下的多个第一显著区域图。
由于图像的相位谱与一个高斯尺度值可以得到对应的一个显著区域图,因此图像的相位谱与多个高斯尺度值卷积后能够得到多个显著区域图。
在一种可选的实施例中,为了在图像的显著区域的检测中引入尺度信息,可以在确定尺度因子对应的高斯尺度值之后,将高斯尺度值与图像的相位谱进行卷积,以将尺度信息引入显著区域的检测。在不能确定哪一个尺度为显著区域图的最佳尺度的情况下,使用多个尺度因子对应的高斯尺度值来检测图像的显著区域图,从而得到分别与多个尺度因子对应的显著区域图。
步骤S106,获取多个第一显著区域图的信息熵。
具体的,信息熵反映了信源的一种不确定度,用于信息的混乱程度,信息熵越大,则信息的混乱程度越大,不确定程度越大,反之,信息熵越小,信息的混乱程度越小,不确定程度越小。
在上述步骤中,为了确定显著区域图的最佳尺度信息,将每个尺度因子对应的对个显著区域图的信息熵,即多个尺度下的第一显著区域图。
步骤S108,按照预设规则确定信息熵,选择与确定的信息熵对应的第二显著区域图,并将第二显著区域图作为作数图像最终的显著区域图。
具体的,上述预设规则确定信息熵用于确定多个尺度因子中的最佳尺度因子。
在上述步骤中,按照预设规则确定的信息熵所对应的尺度因子为最佳尺度因子,该最佳尺度下的显著区域图为图像最终的显著区域图。
能够知晓的是,图像大的尺度对应的是图像的轮廓信息,小的尺度对应的是图像的细节信息。在现有技术中获取图像的显著区域时未考虑图像的尺度信息,获取的显著区域图为比较粗糙的轮廓特征。而上述实施例将多尺度信息引入显著区域图像的获取中,在图像进行多尺度分析后不仅能够检测到显著区域的轮廓信息,还能够检测到显著区域的细节信息。
由上可知,本申请上述实施例获取图像的相位谱和多个尺度因子对应的高斯尺度值,根据图像的相位谱和与多个尺度因子对应的高斯尺度值,确定多个尺度下的多个第一显著区域图,获取多个第一显著区域图的信息熵,按照预设规则确定信息熵,选择与确定的信息熵对应的第二显著区域图,并将第二显著区域图作为作数图像最终的显著区域图。上述方案在检测图像的显著区域时,将尺度信息通过尺度因子的方式引入其中,并在无法确定最佳尺度的情况下,通过确定信息熵的方式确定最佳尺度。最佳尺度下的显著区域图能够更明确的体现图像的细节信息,从而解决了现有技术中在对图像的感兴趣区域进行提取时,会损失图像细节或边缘信息的技术问题。
可选的,根据本申请上述实施例,步骤S102,获取图像的相位谱,包括:
步骤S1021,对图像的图像信息进行傅里叶变换,得到傅里叶变换结果。
步骤S1023,根据傅里叶变换结果提取图像的相位谱。
在一种可选的实施例中,待检测显著区域的图像可以通过图像信息I(x,y)表示,即像素(x,y)的灰度值,可以通过如下方式得到图像的相位谱:
通过公式对I(x,y)进行二维傅里叶变换,将图像从空间域变换到频率域,得到傅里叶变换结果f(u,v),并得到图像的频域特征,其中,图像的相位谱即为其中一种频域特征。
可选的,根据本申请上述实施例,步骤S102,获取多个尺度因子对应的高斯尺度值,包括:
步骤S1025,获取初始常数因子。
具体的,上述初始常数因子可以为1。
步骤S1027,获取尺度因子范围。
上述尺度因子的范围可以根据图像的大小确定。在一种可选的实施例中,尺度因子σ的取值范围可以为σ∈(1,Q),其中,Q=[log2(min(M,N))],M×N为图像的大小。
步骤S1029,按照预设的采样规则,在尺度因子范围内进行采样,得到多个尺度因子。
上述采样规则用于在尺度因子范围内获取多个尺度因子,在一种可选的实施例中,可以通过如下方式在尺度因子范围内进行采样:首先,确定采样倍数,其次,获取尺度因子范围内最小的尺度因子,最后,根据以尺度因子范围内最小的尺度因子作为等比数列的首项,将采样倍数作为等比数列的等比,依次求得尺度因子范围内的等比数列的值,并将尺度因子范围内的等比数列的值作为多个尺度因子。
确定尺度因子范围中最小的尺度因子,在上述实施例中,(1,Q)这一尺度范围内最小的尺度因子为1,则下一个尺度因子可以由1*1.2得到,以此类推,得到属于(1,Q)的等比数列(1,1.2,1.44…1.2n),其中,1.2n小于Q。
步骤S10211,根据初始常数因子和多个尺度因子,得到多个尺度因子对应的高斯尺度值。
可选的,根据本申请上述实施例,步骤S10211,根据初始常数因子和多个尺度因子,得到多个尺度因子对应的高斯尺度值,包括:
步骤S10213,通过如下公式计算得到多个尺度因子对应的高斯尺度值:
其中,g(u,v,σ)用于表示图像在频域上的像素点(u,v)在尺度因子σ下的高斯尺度值,τ用于表示所述初始常数因子。
可选的,根据本申请上述实施例,在根据图像的相位谱和与多个尺度因子对应的高斯尺度值,确定多个尺度下的多个第一显著区域图之前,还可以对图像的相位谱作对数处理,得到图像的对数相位谱,以防止较小的数值被忽略所引起的误差。
上述步骤通过对上式子中原始图像的相位谱进行对数运算操作,从而获取图像的对数相位谱:L(u,v)=log(P(u,v)),其中,P(u,v)为从f(u,v)中提取出的图像的相位谱。上述方案通过对相位谱进行对数处理,从而以防止较小的数值被忽略所引起的误差。
可选的,根据本申请上述实施例,根据图像的相位谱和与多个尺度因子对应的高斯尺度值,确定多个尺度下的多个第一显著区域图,包括:
步骤S1041,将对数相位谱分别与多个尺度因子对应的高斯尺度值进行卷积,得到多个尺度下的相位谱空间。
步骤S1043,将多个尺度下的相位谱空间进行傅里叶逆变换,得到多个尺度下的多个显著区域图。
上述步骤通过高斯尺度函数与对数相位谱的卷积,生成多个尺度因子下的相位谱空间,即:L(u,v;σ)=g(u,v;σ)*L(u,v),σ=1,…,Q。对于多个尺度下的相位谱空间,进行傅里叶逆变换,从而得到多个尺度下的相位谱空间,即:Sσ(x,y)=ifft{L(u,v;σ)ei·P(u,v)},σ=1,…,Q,其中i用于表示虚数单位,Sσ(x,y)(σ=1,…,Q)用于表示的是尺度因子σ的显著感兴趣区域图。
可选的,根据本申请上述实施例,步骤S108,按照预设规则确定信息熵,选择与确定的所述信息熵对应的第二显著区域图,并将所述第二显著区域图作为所述图像最终的显著区域图,包括:
步骤S1081,获取多个显著区域图中,信息熵最小的显著区域图。
步骤S1083,将多个显著区域图中信息熵最小的显著区域图作为图像的显著区域图。
信息熵用于表征信息的混乱程度,因此信息熵越小的显著区域图的不确定程度越低,其对应的显著区域图更能够反应显著区域的信息,因此上述步骤选择信息熵最小的显著区域图对应的尺度因子作为最佳尺度因子,将该显著区域图作为图像最终的显著区域图。
由此,上述方案提供的图像显著区域的获取方法能够解决现有技术中在对图像的感兴趣区域进行提取时,会损失图像细节或边缘信息的技术问题,使显著区域图通过较最佳尺度信息显示,尤其在医疗领域,上述方法提供的显著区域图能够保留更多图像的边缘信息和细节信息,更加有利于医生对患者病情的诊断。
在σ=1,…,Q的尺度中,通过最小信息熵来取的最佳尺度,其表达式为:即就通过计算每个尺度下的信息熵,然后将熵值最小时所在尺度因子对应的第一显著区域图作为图像最终的显著区域图,其中E代表求取信息熵的公式,在一种可选的实施例中,可以通过如下公式获取:在该公式中,表示图像中的第x行y列时的灰度值;表示的是在图像Sσ中,发生的概率。
可选的,根据本申请上述实施例,在依据多个显著区域图的信息熵,从多个显著区域图中确定图像的显著区域图之后,方法还包括:
步骤S1010,对图像的第二显著区域图通过第一压缩比进行压缩,对图像除显著区域图之外的图像通过第二压缩比进行压缩,其中,第一压缩比小于所述第二压缩比。
在上述步骤中,使用较小的压缩比对图像的显著区域进行压缩,使用较大的压缩比对图像的非显著区域进行压缩。
在一种可选的实施例中,获取图像的显著区域图后,可以以质量因子为7.0的JPEG2000的近无损压缩算法来对显著区域进行压缩;对非感兴趣区域以质量因子较低的JPEG2000的有损压缩来进行处理。在完成图像的后,按照先后次序进行数据的传输与解码重构。
图2是根据本发明实施例的一种可选的图像显著区域的获取方法的流程图,下面,结合图2所示的示例,对上述图像显著区域的获取方法进行进一步描述:
S21,对输入的图像进行傅里叶变换。
结合图3所示,输入原始的医学图像,该图像的大小为M×N。
S22,求取输入图像的相位。
对输入的图像进行傅里叶变换,得到傅里叶变换的结果f(u,v),从傅里叶变换的结果中提取图像每个像素的相位。
S23,求取输入图像的相位谱。
根据图像中每个像素的相位得到图像的相位谱P(u,v)=P[f(u,v)]。
S24,进行相位谱尺度空间拓展。
为了进行相位谱尺度空间拓展,获取图像的多个尺度,尺度因子的取值范围为:σ∈(1,Q),Q=[log2(min{M,N})]。
S25,通过傅里叶逆变换获取多尺度显著图。
在上述步骤中,可以现通过多个尺度因子得到对应的高斯尺度函数值,根据高斯尺度函数值和图像的相位谱进行卷积,并对卷积结果进行傅里叶逆变换,从而得到多尺度的显著图,即多个尺度下的显著区域图。结合图3所示,根据高斯尺度函数值和图像的相位谱进行卷积,得到多尺度相位谱空间,在进行傅里叶逆变换之后,得到尺度1图像、尺度2图像和尺度3图像,即尺度1、尺度2和尺度3对应的显著区域图。可选的,可以通过如下公式对多尺度相位谱空间进行傅里叶逆变换:Sσ(x,y)=ifft{L(u,v;σ)ei·P(u,v)},σ=1,…,Q,其中i表示的是虚数单位,Sσ(x,y)(σ=1,…,Q)表示的是尺度σ下的显著感兴趣区域图。
S26,计算每个尺度图像的信息熵。
可选的,以E代表求取信息熵的公式,其完整表达式可以写为在此式子中,表示图像中的第x行y列时的灰度值;表示的是在图像Sσ中,发生的概率。
S27,求取最小信息熵。
在σ=1,…,Q的尺度中,通过最小信息熵来取的最佳尺度,其表达式为:即就通过计算每个尺度下的信息熵,然后将熵值最小时所在尺度的图作为我们最终的显著区域图。
S28,获取最佳尺度图信息。
在上述步骤中,最小信息熵对应的尺度因子为最佳尺度信息,最佳尺度信息对应的显著区域图为图像最终的显著区域图。
图4是根据本发明实施例的一种对图像进行压缩的流程图,结合图4所示,在获取了图像的显著区域后,可以通过如下步骤对图像进行压缩处理:
S41,判断当前区域是否为图像的显著区域。如果当前区域为图像的显著区域,则进入步骤S42.否则进入步骤S43。
S42,对图像进行JPEG2000无损编码。
对图像的显著区域进行JPEG2000无损编码。
S43,对图像进行JPEG2000有损编码。
对图像的非显著区域进行JPEG2000有损编码。
S44,组织码流。
S45,输出码流。
实施例2
根据本发明实施例,提供了一种图像显著区域的获取装置的实施例,图5是根据本发明实施例的一种图像显著区域的获取装置的示意图,结合图5所示:
第一获取模块50,用于获取图像的相位谱和多个尺度因子对应的高斯尺度值。
第二获取模块52,用于根据图像的相位谱和与多个尺度因子对应的高斯尺度值,得到多个尺度下的多个第一显著区域图。
第三获取模块54,用于获取所述多个第一显著区域图的信息熵。
确定模块56,用于按照预设规则确定信息熵,选择与确定的信息熵对应的第二显著区域图,并将第二显著区域图作为图像最终的显著区域图。
此处需要说明的是,上述装置第一获取模块50、第二获取模块52、第三获取模块54和确定模块56用于执行实施例1中的步骤S102至步骤S108,具体内容此处不再赘述。
可选的,根据本申请上述实施例,第一获取模块包括:
傅里叶变换子模块,用于对图像的图像信息进行傅里叶变换,得到傅里叶变换结果。
提取子模块,用于根据傅里叶变换结果提取图像的相位谱。
可选的,根据本申请上述实施例,第一获取模块包括:
第一获取子模块,用于获取初始常数因子。
第二获取子模块,用于获取尺度因子范围。
采样子模块,用于按照预设的采样规则,在尺度因子范围内进行采样,得到多个尺度因子;
第三获取子模块,用于根据初始常数因子和多个尺度因子,得到多个尺度因子对应的高斯尺度值。
可选的,根据本申请上述实施例,第三获取子模块包括:
计算子模块,用于通过如下公式计算得到多个尺度因子对应的高斯尺度值:
其中,g(u,v,σ)用于表示图像的像素(u,v)在尺度因子σ下的高斯尺度值,τ用于表示初始常数因子。
可选的,根据本申请上述实施例,上述装置还包括:
处理模块,用于在根据图像的相位谱和与多个尺度因子对应的高斯尺度值,确定多个尺度下的多个第一显著区域图之前,对图像的相位谱作对数处理,得到图像的对数相位谱。
可选的,根据本申请上述实施例,处理模块包括:
卷积子模块,用于将对数相位谱分别与多个尺度因子对应的高斯尺度值进行卷积,得到多个尺度下的相位谱空间;
傅里叶逆变换,用于将多个尺度下的相位谱空间进行傅里叶逆变换,得到多个尺度下的多个第一显著区域图。
可选的,根据本申请上述实施例,确定模块包括:
第四获取子模块,用于获取多个信息熵中最小的信息熵。
显著区域图获取模,用于将最小的信息熵对应的第二显著区域图作为图像最终的显著区域图。
可选的,根据本申请上述实施例,所述装置还包括:
压缩模块,用于在按照预设规则确定信息熵,选择与确定的所述信息熵对应的第二显著区域图,并将所述第二显著区域图作为所述图像最终的显著区域图之后,对图像的第二显著区域图通过第一压缩比进行压缩,对图像除显著区域图之外的图像通过第二压缩比进行压缩,其中,第一压缩比小于第二压缩比。
实施例3
根据本发明实施例,提供了一种存储介质,其特征在于,存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行实施例1中任意一种图像显著区域的获取方法。
实施例4
根据本发明实施例,提供了一种处理器,其特征在于,处理器用于运行程序,其中,程序运行时执行实施例1中任意一种图像显著区域的获取方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种图像显著区域的获取方法,其特征在于,包括:
获取图像的相位谱和多个尺度因子对应的高斯尺度值;
根据所述图像的相位谱和与所述多个尺度因子对应的高斯尺度值,确定多个尺度下的多个第一显著区域图;
获取所述多个第一显著区域图的信息熵;
按照预设规则确定信息熵,选择与确定的所述信息熵对应的第二显著区域图,并将所述第二显著区域图作为所述图像最终的显著区域图。
2.根据权利要求1所述的方法,其特征在于,获取图像的相位谱,包括:
对所述图像的图像信息进行傅里叶变换,得到傅里叶变换结果;
根据所述傅里叶变换结果提取所述图像的相位谱。
3.根据权利要求1所述的方法,其特征在于,获取多个尺度因子对应的高斯尺度值,包括:
获取初始常数因子;
获取所述尺度因子范围;
按照预设的采样规则,在所述尺度因子范围内进行采样,得到所述多个尺度因子;
根据所述初始常数因子和所述多个尺度因子,得到所述多个尺度因子对应的高斯尺度值。
4.根据权利要求3所述的方法,其特征在于,根据所述初始常数因子和所述多个尺度因子,得到所述多个尺度因子对应的高斯尺度值,包括:
通过如下公式计算得到所述多个尺度因子对应的高斯尺度值:
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>;</mo>
<mi>&sigma;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msup>
<mn>2</mn>
<mi>&sigma;</mi>
</msup>
<mi>&tau;</mi>
</mrow>
</mfrac>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<msup>
<mi>u</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mi>v</mi>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mrow>
<mo>(</mo>
<msup>
<mn>2</mn>
<mrow>
<mi>&sigma;</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msup>
<mi>&tau;</mi>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>,</mo>
</mrow>
其中,g(u,v,σ)用于表示所述图像在频域上的像素点(u,v)在尺度因子σ下的高斯尺度值,τ用于表示所述初始常数因子。
5.根据权利要求1至4中任意一项所述的方法,其特征在于,在根据所述图像的相位谱和与所述多个尺度因子对应的高斯尺度值,确定多个尺度下的多个第一显著区域图之前,所述方法还包括:对所述图像的相位谱作对数处理,得到所述图像的对数相位谱。
6.根据权利要求5所述的方法,其特征在于,根据所述图像的相位谱和与所述多个尺度因子对应的高斯尺度值,确定多个尺度下的多个第一显著区域图,包括:
将所述对数相位谱分别与所述多个尺度因子对应的高斯尺度值进行卷积,得到所述多个尺度下的相位谱空间;
将所述多个尺度下的相位谱空间进行傅里叶逆变换,得到所述多个尺度下的多个第一显著区域图。
7.根据权利要求5所述的方法,其特征在于,按照预设规则确定信息熵,选择与确定的所述信息熵对应的第二显著区域图,并将所述第二显著区域图作为所述图像最终的显著区域图,包括:
获取多个信息熵中最小的信息熵;
将所述最小的信息熵对应的第二显著区域图作为图像最终的显著区域图。
8.一种图像显著区域的获取装置,其特征在于,包括:
第一获取模块,用于获取图像的相位谱和多个尺度因子对应的高斯尺度值;
第二获取模块,用于根据所述图像的相位谱和与所述多个尺度因子对应的高斯尺度值,得到多个尺度下的多个第一显著区域图;
第三获取模块,用于获取所述多个第一显著区域图的信息熵;
确定模块,用于按照预设规则确定信息熵,选择与确定的所述信息熵对应的第二显著区域图,并将所述第二显著区域图作为所述图像最终的显著区域图。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至8中任意一项所述的图像显著区域的获取方法。
10.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至8中任意一项所述的图像显著区域的获取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710334172.6A CN107423740A (zh) | 2017-05-12 | 2017-05-12 | 图像显著区域的获取方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710334172.6A CN107423740A (zh) | 2017-05-12 | 2017-05-12 | 图像显著区域的获取方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107423740A true CN107423740A (zh) | 2017-12-01 |
Family
ID=60425901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710334172.6A Pending CN107423740A (zh) | 2017-05-12 | 2017-05-12 | 图像显著区域的获取方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107423740A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717454A (zh) * | 2019-10-10 | 2020-01-21 | 北京北特圣迪科技发展有限公司 | 一种舞台环境下的轮式机器人障碍检测方法 |
CN110717451A (zh) * | 2019-10-10 | 2020-01-21 | 电子科技大学 | 一种基于深度学习的药用植物叶部病害图像识别方法 |
CN114429470A (zh) * | 2022-01-27 | 2022-05-03 | 北京北特圣迪科技发展有限公司 | 一种基于注意力区域多向可调滤波的舞台目标检测算法 |
CN116416616A (zh) * | 2023-04-13 | 2023-07-11 | 沃森克里克(北京)生物科技有限公司 | 一种dc细胞体外培养筛分方法、装置及计算机可读介质 |
US20240022759A1 (en) * | 2020-11-25 | 2024-01-18 | International Business Machines Corporation | Video encoding through non-saliency compression for live streaming of high definition videos in low-bandwidth transmission |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156881A (zh) * | 2011-04-13 | 2011-08-17 | 上海海事大学 | 基于多尺度图像相位信息的海难搜救目标检测方法 |
CN103295241A (zh) * | 2013-06-26 | 2013-09-11 | 中国科学院光电技术研究所 | 一种基于Gabor小波的频域显著性目标检测方法 |
CN104217430A (zh) * | 2014-08-26 | 2014-12-17 | 浙江大学 | 基于l1正则化的图像显著性检测方法 |
CN104408711A (zh) * | 2014-10-30 | 2015-03-11 | 西北工业大学 | 一种基于多尺度区域融合的显著区域检测方法 |
CN105405132A (zh) * | 2015-11-04 | 2016-03-16 | 河海大学 | 基于视觉反差和信息熵的sar图像人造目标检测方法 |
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 |
-
2017
- 2017-05-12 CN CN201710334172.6A patent/CN107423740A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156881A (zh) * | 2011-04-13 | 2011-08-17 | 上海海事大学 | 基于多尺度图像相位信息的海难搜救目标检测方法 |
CN103295241A (zh) * | 2013-06-26 | 2013-09-11 | 中国科学院光电技术研究所 | 一种基于Gabor小波的频域显著性目标检测方法 |
CN104217430A (zh) * | 2014-08-26 | 2014-12-17 | 浙江大学 | 基于l1正则化的图像显著性检测方法 |
CN104408711A (zh) * | 2014-10-30 | 2015-03-11 | 西北工业大学 | 一种基于多尺度区域融合的显著区域检测方法 |
CN105405132A (zh) * | 2015-11-04 | 2016-03-16 | 河海大学 | 基于视觉反差和信息熵的sar图像人造目标检测方法 |
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 (1)
Title |
---|
崔丽娜等: ""基于增量记忆视觉注意模型的复杂目标识别研究"", 《微型机与应用》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717454A (zh) * | 2019-10-10 | 2020-01-21 | 北京北特圣迪科技发展有限公司 | 一种舞台环境下的轮式机器人障碍检测方法 |
CN110717451A (zh) * | 2019-10-10 | 2020-01-21 | 电子科技大学 | 一种基于深度学习的药用植物叶部病害图像识别方法 |
CN110717454B (zh) * | 2019-10-10 | 2022-03-11 | 北京北特圣迪科技发展有限公司 | 一种舞台环境下的轮式机器人障碍检测方法 |
CN110717451B (zh) * | 2019-10-10 | 2022-07-08 | 电子科技大学 | 一种基于深度学习的药用植物叶部病害图像识别方法 |
US20240022759A1 (en) * | 2020-11-25 | 2024-01-18 | International Business Machines Corporation | Video encoding through non-saliency compression for live streaming of high definition videos in low-bandwidth transmission |
CN114429470A (zh) * | 2022-01-27 | 2022-05-03 | 北京北特圣迪科技发展有限公司 | 一种基于注意力区域多向可调滤波的舞台目标检测算法 |
CN116416616A (zh) * | 2023-04-13 | 2023-07-11 | 沃森克里克(北京)生物科技有限公司 | 一种dc细胞体外培养筛分方法、装置及计算机可读介质 |
CN116416616B (zh) * | 2023-04-13 | 2024-01-05 | 沃森克里克(北京)生物科技有限公司 | 一种dc细胞体外培养筛分方法、装置及计算机可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107423740A (zh) | 图像显著区域的获取方法和装置 | |
US20230081645A1 (en) | Detecting forged facial images using frequency domain information and local correlation | |
US7233700B2 (en) | System and method for signal matching and characterization | |
CN111275784B (zh) | 生成图像的方法和装置 | |
CN108805840A (zh) | 图像去噪的方法、装置、终端及计算机可读存储介质 | |
CN111986181A (zh) | 基于双注意力机制的血管内支架图像分割方法和系统 | |
US6807305B2 (en) | System and method for image pattern matching using a unified signal transform | |
CN111062389A (zh) | 文字识别方法、装置、计算机可读介质及电子设备 | |
CN107507153A (zh) | 图像去噪方法和装置 | |
CN108171191A (zh) | 用于检测人脸的方法和装置 | |
CN109498037B (zh) | 基于深度学习提取特征和多重降维算法的脑认知测量方法 | |
CN114049332A (zh) | 异常检测方法及装置、电子设备和存储介质 | |
CN114298997B (zh) | 一种伪造图片检测方法、装置及存储介质 | |
CN114492501A (zh) | 基于改进smote算法的脑电信号样本扩充方法、介质及系统 | |
CN113011253B (zh) | 基于ResNeXt网络的人脸表情识别方法、装置、设备及存储介质 | |
CN115620384B (zh) | 模型训练方法、眼底图像预测方法及装置 | |
CN112883227A (zh) | 一种基于多尺度时序特征的视频摘要生成方法和装置 | |
CN110910326B (zh) | 图像处理方法及装置、处理器、电子设备及存储介质 | |
CN113486939B (zh) | 一种处理图片的方法、装置、终端及存储介质 | |
CN111067505A (zh) | 心律失常检测的方法、装置以及存储介质 | |
KR20220131808A (ko) | 이미지 분류 모델 생성 방법 및 장치 | |
CN114565772B (zh) | 集合特征提取方法、装置、电子设备及存储介质 | |
CN113299300B (zh) | 一种语音增强方法、装置及存储介质 | |
CN115423031A (zh) | 一种模型训练的方法以及相关装置 | |
CN108446660A (zh) | 用于识别人脸图像的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171201 |