CN107481248A - 一种图像显著区域的提取方法 - Google Patents
一种图像显著区域的提取方法 Download PDFInfo
- Publication number
- CN107481248A CN107481248A CN201710633392.9A CN201710633392A CN107481248A CN 107481248 A CN107481248 A CN 107481248A CN 201710633392 A CN201710633392 A CN 201710633392A CN 107481248 A CN107481248 A CN 107481248A
- Authority
- CN
- China
- Prior art keywords
- super
- msub
- pixel block
- mrow
- image
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Color Image Communication Systems (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明公开了一种图像显著区域的提取方法,其特征是,包括如下步骤:1)图像预处理;2)距离计算;3)显著值计算;4)显著值加权优化;5)显著区域的分割,完成输入图像的显著区域提取。这种方法能克服图像显著区域检测不准确导致显著区域分割提取精度和速度不佳的问题,针对自然场景的图像,这种方法能够准确地提取显著区域,得到的结果接近人工标注的真值图,符合人眼注意机制。
Description
技术领域
本发明涉及图像处理技术,具体是一种图像显著区域的提取方法。
背景技术
在图像处理中,基于人类视觉注意机制,人们往往只会对图像中局部特征明显的区域感兴趣,这些区域通常称为显著区域,代表了图像中最重要的特征,为此,需要将显著区域从图像中分离出来,以期达到提高现有图像分析系统的工作效率之目的。图像分割就是将图像区分成若干具有特定均匀一致性的独立区域,从而将感兴趣区域从图像的复杂场景中抽取出来的图像处理技术,广泛应用于如图像识别、图像分类等领域。
要对图像进行分割,首先对图像进行显著性检测。显著性检测是图像分割方法中重要的预处理过程,主要用于计算各个像素点的视觉显著性值,用和原始输入图像尺寸相同的灰度图像表示的图像称为显著性图。其中,每个像素点的视觉显著性值代表原始图像中相关位置的显著性值,显著值越大表明该像素点在原始输入图像上越突出其显著性,越容易取得视觉观察者的注意。输入图像的区域显著性值依赖自身特征与周围环境的区别,如果图像中某个区域是“显著”区域,那么该“显著”区域则具有一种或多种特征和周围有所区别。
将显著性检测运用到图像分割方法上,实际是对图像进行特征保留的同时减少了图像的冗余信息,如果能够能够准确分割提取出显著区域,就能有效且快速地处理图像信息,从而大大提高后续处理比如目标识别、图像分类等技术的效果及效率。
发明内容
本发明的目的是针对现有技术的不足,而提供一种图像显著区域的提取方法。这种方法能克服图像显著区域检测不准确导致显著区域分割提取精度和速度不佳的问题,针对自然场景的图像,这种方法能够准确地提取显著区域,得到的结果接近人工标注的真值图,符合人眼注意机制。
实现本发明目的的技术方案是:
一种图像显著区域的提取方法,包括如下步骤:
1)图像预处理:将输入的图像分割为300个超像素块,提取每个超像素块的Lab颜色特征;
2)距离计算:计算任意超像素块pi与其它超像素块的颜色及空间距离;
3)显著值计算:根据步骤2)得到的颜色和空间距离计算各个超像素块的显著性值,从而得到输入的图像的基本显著图;
4)显著值加权优化:根据超像素块之间的相似性度量因子对步骤3)得到的显著值进行加权优化,得到输入图像的最终显著图;
5)显著区域的分割:采用大津算法对输入图像的最终显著图进行自适应阈值分割,完成输入图像的显著区域提取。
步骤1)中所述预处理包括:
(1)将输入图像分割为300个超像素块时,用输入图像的像素点的平均颜色特征和平均坐标来描述每一个超像素块;
(2)提取每个超像素块的LAB颜色特征。
步骤2)中所述距离计算为:
超像素块内所有像素点的空间位置均值、LAB颜色特征均值得到超像素块pi的空间位置表示为di,颜色特征表示为ci,超像素块pi与超像素块pj之间的颜色距离、空间距离分别定义为:
dc(pi,pj)=||ci,cj||,ds(pi,pj)=||di,dj||,
式中,||ci,cj||为两个超像素块颜色特征的欧氏距离,||di,dj||为两个超像素块空间的欧氏距离。
步骤3)中所述计算显著值为:
根据超像素块pi的颜色和空间距离计算超像素块pi的显著值:
其中,c是控制空间权重的常量,取值为10。
步骤4)中所述加权优化包括:
(1)显著区域通常具有高对比度,属于显著区域的超像素块通常有相似的颜色特征,且任何一对超像素块之间的影响力与它们在色彩空间中的相似度紧密联系,根据超像素块之间的相似性度量以超像素块pi为中心的颜色距离权值定义为:
式中,δ是控制相似性力度的参数,δ2=0.1,dc(i)需要归一化;
(2)根据颜色距离权值对显著值进行加权优化:
s=((1-mi)*dc(i))*si(i),式中,s是加权优化后的显著值,mi是dc(i)的平均值。
这种方法能克服图像显著区域检测不准确导致显著区域分割提取精度和速度不佳的问题,针对自然场景的图像,这种方法能够准确地提取显著区域,得到的结果接近人工标注的真值图,符合人眼注意机制。
附图说明
图1为实施例方法的流程示意图;
图2为实施例输入图像的示意图。
图3为实施例中图像预处理后的超像素展示图;
图4为实施例中的基本显著图;
图5为实施例中的显著图;
图6为实施例中提取的显著区域。
具体实施方式
下面结合附图和实施例对本发明内容作进一步的阐述,但不是对本发明的限定。
参照图1,一种图像显著区域的提取方法,包括如下步骤:
1)图像预处理:将输入的图像如图2所示,分割为300个超像素块,提取每个超像素块的Lab颜色特征,对输入图像进行分割得到的超像素图如图3所示;
2)距离计算:计算任意超像素块pi与其它超像素块的颜色及空间距离;
3)显著值计算:根据步骤2)得到的颜色和空间距离计算各个超像素块的显著值,从而得到输入的图像的基本显著图,如图4所示;
4)显著值加权优化:根据超像素块之间的相似性度量因子对步骤3)中得到的显著值进行加权优化,得到输入图像的最终显著图,如图5所示;
5)显著区域的分割:采用大津算法对输入图像的显著图进行自适应阈值分割,完成输入图像的显著区域提取,如图6所示。
步骤1)中所述预处理包括:
(1)将输入图像分割为300个超像素块时,用输入图像的像素点的平均颜色特征和平均坐标来描述每一个超像素块;
(2)提取每个超像素块的LAB颜色特征。
步骤2)中所述距离计算为:
超像素块内所有像素点的空间位置均值、LAB颜色特征均值得到超像素块pi的空间位置表示为di,颜色特征表示为ci,超像素块pi与超像素块pj之间的颜色距离、空间距离分别定义为:
dc(pi,pj)=||ci,cj||,ds(pi,pj)=||di,dj||,
式中,||ci,cj||为两个超像素块颜色特征的欧氏距离,||di,dj||为两个超像素块空间的欧氏距离。
步骤3)中所述计算显著值为:
根据超像素块pi的颜色和空间距离计算超像素块pi显著性值:
其中,c是控制空间权重的常量,取值为10。
步骤4)中所述加权优化包括:
(1)显著区域通常具有高对比度,属于显著区域的超像素块通常有相似的颜色特征,且任何一对超像素块之间的影响力与它们在色彩空间中的相似度紧密联系,根据超像素块之间的相似性度量以超像素块pi为中心的颜色距离权值定义为:
式中,δ是控制相似性力度的参数,δ2=0.1,dc(i)需要归一化;
(2)根据颜色距离权值对显著值进行加权优化:
s=((1-mi)*dc(i))*si(i),式中,s是加权优化后的显著值,mi是dc(i)的平均值。
Claims (5)
1.一种图像显著区域的提取方法,其特征是,包括如下步骤:
1)图像预处理:将输入的图像分割为300个超像素块,提取每个超像素块的Lab颜色特征;
2)距离计算:计算任意超像素块pi与其它超像素块的颜色及空间距离;
3)显著值计算:根据步骤2)得到的颜色和空间距离计算各个超像素块的显著性值,从而得到输入的图像的基本显著图;
4)显著值加权优化:根据超像素块之间的相似性度量因子对步骤3)得到的显著值进行加权优化,得到输入图像的最终显著图;
5)显著区域的分割:采用大津算法对输入图像的最终显著图进行自适应阈值分割,完成输入图像的显著区域提取。
2.根据权利要求1所述的图像显著区域的提取方法,其特征是,步骤1)中所述预处理包括:
(1)将输入图像分割为300个超像素块时,用输入图像的像素点的平均颜色特征和平均坐标来描述每一个超像素块;
(2)提取每个超像素块的LAB颜色特征。
3.根据权利要求1所述的图像显著区域的提取方法,其特征是,步骤2)中所述距离计算为:
超像素块内所有像素点的空间位置均值、LAB颜色特征均值得到超像素块pi的空间位置表示为di,颜色特征表示为ci,超像素块pi与超像素块pj之间的颜色距离、空间距离分别定义为:
dc(pi,pj)=||ci,cj||,ds(pi,pj)=||di,dj||,
式中,||ci,cj||为两个超像素块颜色特征的欧氏距离,||di,dj||为两个超像素块空间的欧氏距离。
4.根据权利要求1所述的图像显著区域的提取方法,其特征是,步骤3)中所述计算显著值为:
根据超像素块pi的颜色和空间距离计算超像素块pi显著性值:
<mrow>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>d</mi>
<mi>c</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>d</mi>
<mi>s</mi>
</msub>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中,c是控制空间权重的常量,取值为10。
5.根据权利要求1所述的图像显著区域的提取方法,其特征是,步骤4)中所述加权优化包括:
(1)根据超像素块之间的相似性度量以超像素块pi为中心的颜色距离权值定义为:
<mrow>
<msub>
<mi>d</mi>
<mi>c</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mi>d</mi>
<mi>c</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<msup>
<mi>&delta;</mi>
<mn>2</mn>
</msup>
</mfrac>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
式中,δ是控制相似性力度的参数,δ2=0.1,dc(i)需要归一化;
(2)根据颜色距离权值对显著值进行加权优化:
s=((1-mi)*dc(i))*si(i),式中,s是加权优化后的显著值,mi是dc(i)的平均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710633392.9A CN107481248A (zh) | 2017-07-28 | 2017-07-28 | 一种图像显著区域的提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710633392.9A CN107481248A (zh) | 2017-07-28 | 2017-07-28 | 一种图像显著区域的提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107481248A true CN107481248A (zh) | 2017-12-15 |
Family
ID=60597065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710633392.9A Pending CN107481248A (zh) | 2017-07-28 | 2017-07-28 | 一种图像显著区域的提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107481248A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112102929A (zh) * | 2020-09-11 | 2020-12-18 | 沈阳东软智能医疗科技研究院有限公司 | 医学图像标注方法、装置、存储介质及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509099A (zh) * | 2011-10-21 | 2012-06-20 | 清华大学深圳研究生院 | 一种图像显著区域检测方法 |
CN102542267A (zh) * | 2011-12-26 | 2012-07-04 | 哈尔滨工业大学 | 结合空间分布和全局对比的显著区域检测方法 |
CN102779338A (zh) * | 2011-05-13 | 2012-11-14 | 欧姆龙株式会社 | 图像处理方法和图像处理装置 |
CN104574402A (zh) * | 2015-01-12 | 2015-04-29 | 东华大学 | 一种改进的显著性检测方法 |
-
2017
- 2017-07-28 CN CN201710633392.9A patent/CN107481248A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102779338A (zh) * | 2011-05-13 | 2012-11-14 | 欧姆龙株式会社 | 图像处理方法和图像处理装置 |
CN102509099A (zh) * | 2011-10-21 | 2012-06-20 | 清华大学深圳研究生院 | 一种图像显著区域检测方法 |
CN102542267A (zh) * | 2011-12-26 | 2012-07-04 | 哈尔滨工业大学 | 结合空间分布和全局对比的显著区域检测方法 |
CN104574402A (zh) * | 2015-01-12 | 2015-04-29 | 东华大学 | 一种改进的显著性检测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112102929A (zh) * | 2020-09-11 | 2020-12-18 | 沈阳东软智能医疗科技研究院有限公司 | 医学图像标注方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109299274B (zh) | 一种基于全卷积神经网络的自然场景文本检测方法 | |
CN110348319B (zh) | 一种基于人脸深度信息和边缘图像融合的人脸防伪方法 | |
CN105046196B (zh) | 基于级联卷积神经网络的前车车辆信息结构化输出方法 | |
CN107368831B (zh) | 一种自然场景图像中的英文文字和数字识别方法 | |
CN105512638B (zh) | 一种基于融合特征的人脸检测与对齐方法 | |
CN102682287B (zh) | 基于显著度信息的行人检测方法 | |
CN104778453B (zh) | 一种基于红外行人亮度统计特征的夜间行人检测方法 | |
CN107316333B (zh) | 一种自动生成日漫肖像的方法 | |
CN112766159A (zh) | 一种基于多特征融合的跨数据库微表情识别方法 | |
CN104408462B (zh) | 面部特征点快速定位方法 | |
CN111126240B (zh) | 一种三通道特征融合人脸识别方法 | |
CN103413119A (zh) | 基于人脸稀疏描述子的单样本人脸识别方法 | |
CN105426825B (zh) | 一种基于航拍图像识别的电网地理接线图绘制方法 | |
CN108734235A (zh) | 一种用于电子处方的身份识别方法及系统 | |
CN104598885A (zh) | 街景图像中的文字标牌检测与定位方法 | |
CN103810491A (zh) | 融合深度和灰度图像特征点的头姿估计兴趣点检测方法 | |
CN110796101A (zh) | 一种嵌入式平台的人脸识别方法及系统 | |
CN109784216B (zh) | 基于概率图的车载热成像行人检测RoIs提取方法 | |
CN108171157A (zh) | 基于多尺度局部块LBP直方图特征与Co-HOG特征相结合的人眼检测算法 | |
CN105930798A (zh) | 基于学习的面向手机应用的舌像快速检测分割方法 | |
CN105069745A (zh) | 基于普通图像传感器及增强现实技术的带表情变脸系统及方法 | |
CN109117717A (zh) | 一种城市行人检测方法 | |
CN107516083A (zh) | 一种面向识别的远距离人脸图像增强方法 | |
CN104143091A (zh) | 基于改进mLBP的单样本人脸识别方法 | |
CN111611912B (zh) | 一种基于人体关节点的行人低头异常行为的检测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171215 |