CN108009984A - 一种面向水环境监测的水面显著性区域的检测方法 - Google Patents
一种面向水环境监测的水面显著性区域的检测方法 Download PDFInfo
- Publication number
- CN108009984A CN108009984A CN201711186183.0A CN201711186183A CN108009984A CN 108009984 A CN108009984 A CN 108009984A CN 201711186183 A CN201711186183 A CN 201711186183A CN 108009984 A CN108009984 A CN 108009984A
- Authority
- CN
- China
- Prior art keywords
- mrow
- mtd
- image
- mtr
- image block
- 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.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000012544 monitoring process Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 12
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 230000008447 perception Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 10
- 238000012360 testing method Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4023—Decimation- or insertion-based scaling, e.g. pixel or line decimation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4007—Interpolation-based scaling, e.g. bilinear interpolation
-
- G06T5/92—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
-
- 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
- G06T2207/30181—Earth observation
Abstract
本发明公开了一种面向水环境监测的水面显著性区域的检测方法，首先对视频传感器采集到的图像进行压缩重构，缩小图像的尺寸；然后，对重构图像进行分块处理；再根据每一个图像块的空间位置信息确定出对应的子图像区域；通过计算该图像块与对应的子图像区域在CIELAB色彩空间上平均向量的欧式距离，求出各重构图像块的显著值；将各重构图像块的显著值赋给其中包含的像素点，得到重构图像的显著图；最后，通过对重构图像的显著图进行归一化与最近邻插值处理，得到最终的显著图。本方法同传统图像显著性区域检测方法相比，对区分度不高的水面图片具有更好的显著性检测效果。此外，本方法计算量小、步骤简单，更适用于资源受限的视频传感器节点。
Description
技术领域
本发明涉及信息技术领域，适用于无线视频传感器网络监测，目标自动检测，物体识别等应用领域，尤其涉及一种面向水环境监测的水面显著性区域的检测方法。
背景技术
水是人类赖以生存的重要资源，对水环境的监测，如：是否存在垃圾、油污的污染或是否有蓝绿藻爆发等，都具有极其重要的意义。相比于传统的无线传感器网络，只能通过对监视区域里多种参数信息进行采集和分析才能完成监测工作，无线视频传感器网络具有感知、采集和处理网络覆盖区域内被监测对象的图像或视频等大数据量信息的能力，使得其监测效果更直观、可靠。因此，其得到了广泛的应用。而如何让视频传感器节点具备和人类一样能很容易地判断出图像中的显著性区域的能力，并根据观测得到的显著性区域优先分配图像分析所需的计算资源，十分有必要，且依旧处于研究阶段。
目前，图像的显著性检测方法可大致分为三种方式——自下而上方式，通过利用图像低级特征信息进行显著区域检测；自上而下方式，通过对已有的图像库和对应的真值图进行训练，由特定的高级特征信息找出待测图中的显著物；以及两种方法的结合。其中，由于自下而上的方式，步骤相对简单、计算量较小，检测效果较好，因此一直以来是研究的重点方向。如经典的RC算法，其首先利用图像分割的方法将原图像分割成若干区域；对每个区域建立起对应的颜色直方图，并采用直方图加速的方式减小计算量；最后，通过每个区域的颜色与位置信息计算出每个区域的显著值，从而得到整幅图像的显著图。此外，还有经典的RBD算法，其首先采用SLIC算法，将原始图像分成多个超像素点；利用局部颜色对比度原则求出每个超像素点的初级显著值；再根据其提出的背景可能性，给每个超像素点生成一个可能为背景的概率值P，P的范围在0-1上；再利用P来优化初级显著值，得到最终的显著图。虽然，这些方法具有很好的显著性识别效果，但其往往是基于计算能力强、存储空间大的服务器或PC机，因此其计算复杂度较大。而且，这些方法研究的主要对象是自然图片，很少针对于物体与背景区别度不大的水面图片。因此，直接将这些方法移植到视频传感器节点上时，水面显著性区域识别效果较差，且运算消耗资源较多。
发明内容
有鉴于此，本发明的实施例提供了一种对水面图片具有更好的检测效果，并且计算量小、步骤简单，更适用于资源受限的视频传感器节点的面向水环境监测的水面显著性区域的检测方法。
本发明的实施例提供一种面向水环境监测的水面显著性区域的检测方法，所述检测方法基于资源有限的无线视频传感器节点，具体包括以下步骤：
S1.对无线视频传感器的摄像头采集的图像进行压缩感知采样，得到大小为原图1/4的重构图像；
S2.将步骤S1得到的重构图像从RGB色彩空间转化到CIELAB色彩空间；
S3.将经过步骤S2处理的重构图像进行分块处理,分成大小为4×4且互不重叠的图像块Ai(i＝1，2……n)，其中n代表此时的总块数；并按照从上到下、从左往右的顺序依次指定各个图像块的位置坐标信息为(1，1)、(1，2)……(H/4，W/4)，其中H、W分别代表重构图像的行数和列数；
S4.对每个图像块Ai(i＝1，2……n)，根据其坐标信息，找出一个以其为中心的对称的子图像区域；通过计算该图像块与对应子图像区域在CIELAB色彩空间上平均向量的欧式距离，得出该图像块的显著值，以此类推，得到每个图像块的显著值；
S5.将每个图像块的显著值赋给其中包含的像素点，并进行归一化处理；
S6.对步骤S5得到的显著图进行最近邻插值处理，得到和原始图一样大小的最终显著图。
进一步，所述步骤S1中，对无线视频传感器的摄像头采集的图像进行压缩感知采样的具体方法为：
S1.1.对无线视频传感器的摄像头采集的图像按照8×8大小进行分块；
S1.2.生成一个大小为16×64且满足0-1分布的随机伯努利矩阵Φ；
S1.3.依次将每块图像的像素矩阵排列成64×1的列向量xj(j＝1，2……N)，其中N代表此时图像的总块数；
S1.4.根据压缩感知的公式得到每个图像块对应的采样向量yj：
yj＝Φ×xj
S1.5.将每个图像块对应的采样向量重新排列成4×4大小的像素矩阵；
S1.6.将步骤S1.5得到的所有图像块对应的像素矩阵进行合并，得到最终的重构图像。
进一步，所述步骤S2中，重构图像从RGB色彩空间转化到CIELAB色彩空间的具体方法为：
S2.1.对重构图像中的每个像素点，先利用Gamma函数对RGB色彩空间的三个色彩通道值进行校正，Gamma函数对应公式如下：
S.2.2.对校正后的RGB色彩空间的三个色彩通道值利用如下公式得到XYZ色彩模型：
S2.3.将步骤S2.2生成的XYZ进行归一化处理，得到对应的三个色彩通道值，即Xnorm，Ynorm，Znorm；
S2.4.通过下述公式得到各像素点对应的CIELAB色彩通道值：
L＝116*f(Ynorm)-16
A＝500*(f(Xnorm)-f(Ynorm))
B＝200*(f(Ynorm)-f(Znorm))
其中，f是一个类似Gamma函数的校正函数，具体公式如下：
即得到CIELAB色彩空间。
进一步，所述步骤S4中，每个图像块的显著值的具体获得过程为：
S4.1.求出第i个图像块Ai在CIELAB色彩空间上的平均向量(Lai，Aai，Bai)；
S4.2.根据图像块Ai对应的坐标信息(xi，yi)，找出该图像块对应的子图像区域Mi，Mi的横坐标范围为(xi-x0，xi+x0)，纵坐标范围为(yi-y0，yi+y0)，其中x0，y0由如下公式得到：
x0＝min(xi,H/4-xi)
y0＝min(yi,W/4-yi)
S4.3.求出该子图像区域Mi在CIELAB色彩空间上的平均向量(Lui，Aui，Bui)；
S4.4.计算该图像块与对应子图像区域在CIELAB色彩空间上平均向量的欧式距离，计算公式如下：
即每个图像块的显著值。
与现有技术相比，本发明具有以下有益效果：本发明利用压缩感知理论对原始图像进行重构，从而降低显著性区域识别的计算量；再对重构图分块，通过计算各图像块与其对应子图像区域在CIELAB色彩空间上平均向量的欧式距离来得到重构图像的显著图；最后，采用归一化和最近邻插值方法处理，得到原始图像对应的最终显著图。本发明提出的面向水环境监测的水面显著性区域的检测算法对水面监测图片具有更好的检测效果，并且步骤简单、计算开销小、独特新颖、性能较好，更适用于资源受限的视频传感器节点。
附图说明
图1是本发明一种面向水环境监测的水面显著性区域的检测方法的一流程图。
图2是图1中步骤S1的具体流程图。
图3是图1中步骤S2的具体流程图。
图4是图1中步骤S4的具体流程图。
图5是本发明方法对水环境图像显著性检测的结果图，a行为原始图像(256×256)；b行为原始图像对应的压缩感知重构图(128×128)；c行对应重构图显著性检测结果(128×128)；d行是插值还原成原图大小的显著图(256×256)。
图6是本发明方法与几种典型显著性检测算法结果对比图，a列为原始图，b列为DSR方法检测结果图，c列为FT方法检测结果图，d列为HC方法检测结果图，e列为MC方法检测结果图，f列为MSS方法检测结果图，g列为PCA方法检测结果图，h列为RBD方法检测结果图，i列为RC方法检测结果图，j列为本发明方法检测结果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。
请参考图1，本发明的实施例提供了一种面向水环境监测的水面显著性区域的检测方法，所述检测方法基于资源有限的无线视频传感器节点，具体包括以下步骤：
S1.对无线视频传感器的摄像头采集的图像进行压缩感知采样，得到大小为原图1/4的重构图像；
请参考图2，具体方法为：
S1.1.对无线视频传感器的摄像头采集的图像按照8×8大小进行分块；
S1.2.生成一个大小为16×64且满足0-1分布的随机伯努利矩阵Φ；
S1.3.依次将每块图像的像素矩阵排列成64×1的列向量xj(j＝1，2……N)，其中N代表此时图像的总块数；
S1.4.根据压缩感知的公式得到每个图像块对应的采样向量yj：
yj＝Φ×xj
S1.5.将每个图像块对应的采样向量重新排列成4×4大小的像素矩阵；
S1.6.将步骤S1.5得到的所有图像块对应的像素矩阵进行合并，得到最终的重构图像。
S2.将步骤S1得到的重构图像从RGB色彩空间转化到CIELAB色彩空间；
请参考图3，具体方法为：
S2.1.对重构图像中的每个像素点，先利用Gamma函数对RGB色彩空间的三个色彩通道值进行校正，Gamma函数对应公式如下：
S.2.2.对校正后的RGB色彩空间的三个色彩通道值利用如下公式得到XYZ色彩模型：
S2.3.将步骤S2.2生成的XYZ进行归一化处理，得到对应的三个色彩通道值，即Xnorm，Ynorm，Znorm；
S2.4.通过下述公式得到各像素点对应的CIELAB色彩通道值：
L＝116*f(Ynorm)-16
A＝500*(f(Xnorm)-f(Ynorm))
B＝200*(f(Ynorm)-f(Znorm))
其中，f是一个类似Gamma函数的校正函数，具体公式如下：
即得到CIELAB色彩空间。
S3.将经过步骤S2处理的重构图像进行分块处理,分成大小为4×4且互不重叠的图像块Ai(i＝1，2……n)，其中n代表此时的总块数；并按照从上到下、从左往右的顺序依次指定各个图像块的位置坐标信息为(1，1)、(1，2)……(H/4，W/4)，其中H、W分别代表重构图像的行数和列数；
S4.对每个图像块Ai(i＝1，2……n)，根据其坐标信息，找出一个以其为中心的对称的由多个图像块组成的子图像区域；通过计算该图像块与对应子图像区域在CIELAB色彩空间上平均向量的欧式距离，得出该图像块的显著值，以此类推，得到每个图像块的显著值；
请参考图4，具体获得过程为：
S4.1.求出第i个图像块Ai在CIELAB色彩空间上的平均向量(Lai，Aai，Bai)；
S4.2.根据图像块Ai对应的坐标信息(xi，yi)，找出该图像块对应的子图像区域Mi，Mi的横坐标范围为(xi-x0，xi+x0)，纵坐标范围为(yi-y0，yi+y0)，其中x0，y0由如下公式得到：
x0＝min(xi,H/4-xi)
y0＝min(yi,W/4-yi)
S4.3.求出该子图像区域Mi在CIELAB色彩空间上的平均向量(Lui，Aui，Bui)；
S4.4.计算该图像块与对应子图像区域在CIELAB色彩空间上平均向量的欧式距离，计算公式如下：
即每个图像块的显著值。
S5.将每个图像块的显著值赋给其中包含的像素点，并进行归一化处理；
S6.对步骤S5得到的显著图进行最近邻插值处理，得到和原始图一样大小的最终显著图。
实施例1
对某一传感器节点，在t时刻，拍摄到监测的RGB彩色图像I(如图5a)。
传感器节点对采集到的图像I进行压缩感知采样。首先，对图像I按8×8大小进行分块，依次对每块进行采样，最后合并为重构图像。其次，生成一个大小为16×64且满足0-1分布的随机伯努利矩阵Φ，作为压缩感知过程中的采样矩阵。依次将每块图像的像素矩阵排列成64×1的列向量xj(j＝1，2……N)，其中N代表此时图像的总块数，再根据如下压缩感知的公式得到每个图像块对应的采样向量yj：
yj＝Φ×xj
然后，将得到的每个图像块对应的采样向量重新排列成4×4大小的像素矩阵，再将所有图像块对应的像素矩阵进行合并，得到尺寸为原图像大小1/4的重构图像I1(如图5b)。因此后续对重构图像进行显著性检测，其计算量要远小于对原图进行计算。
对重构图像I1，由于图像在CIELAB色彩空间上进行显著性检测的效果更好，要先利用Gamma函数对重构图像I1中RGB三个色彩通道先进行校正，其中Gamma函数如下：
再利用如下公式将RGB色彩空间转化到XYZ色彩模型：
然后再将得到的XYZ进行归一化处理，得到Xnorm，Ynorm，Znorm。最后由以下公式得到CIELAB色彩通道值：
L＝116*f(Ynorm)-16
A＝500*(f(Xnorm)-f(Ynorm))
B＝200*(f(Ynorm)-f(Znorm))
其中，f是一个类似Gamma函数的校正函数：
对转换色彩空间后的重构图像进行分块处理，分成大小为4×4且会不重叠的图像块Ai(i＝1，2……n)，其中n代表此时的总块数；并按照从上到下、从左往右的顺序依次指定各个图像块的位置坐标信息为(1，1)、(1，2)……(H/4，W/4)，其中H、W分别代表重构图像I1的行数和列数。
求取每个图像块的显著值。首先，对第i个图像块Ai，首先求出该图像块的在CIELAB色彩空间上的平均向量(Lai，Aai，Bai)；再根据该图像块对应的坐标信息(xi，yi)，找出该图像块对应的子图像区域Mi，而Mi的横坐标范围为(xi-x0，xi+x0)，纵坐标范围为(yi-y0，yi+y0)，其中x0，y0由如下公式得到：
x0＝min(xi,H/4-xi)
y0＝min(yi,W/4-yi)
求出该子图像区域Mi在CIELAB色彩空间上的平均向量(Lui，Aui，Bui)，最后由以下公式计算各图像块与对应子区域在CIELAB色彩空间上平均向量的欧式距离，计算公式为：
即每个图像块的显著值(如图5c)。
将每个块对应的显著值赋值给其中包含的像素点，经由归一化处理后，再对得到的显著图进行最近邻插值，得到和原始图一样大小的最终显著图(如图5d)。
本发明利用压缩感知理论对原始图像进行重构，从而降低显著性区域识别的计算量；再对重构图分块，通过计算各图像块与其对应子图像区域在CIELAB色彩空间上平均向量的欧式距离来得到重构图像的显著图；最后，采用归一化和最近邻插值方法处理，得到原始图像对应的最终显著图。本发明提出的面向水环境监测的水面显著性区域的检测算法对水面监测图片具有更好的检测效果，并且步骤简单、计算开销小、独特新颖、性能较好，更适用于资源受限的视频传感器节点,(如图6所示)。
在本文中，所涉及的前、后、上、下等方位词是以附图中零部件位于图中以及零部件相互之间的位置来定义的，只是为了表达技术方案的清楚及方便。应当理解，所述方位词的使用不应限制本申请请求保护的范围。
在不冲突的情况下，本文中上述实施例及实施例中的特征可以相互结合。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种面向水环境监测的水面显著性区域的检测方法，其特征在于，所述检测方法基于资源有限的无线视频传感器节点，具体包括以下步骤：
S1.对无线视频传感器的摄像头采集的图像进行压缩感知采样，得到大小为原图1/4的重构图像；
S2.将步骤S1得到的重构图像从RGB色彩空间转化到CIELAB色彩空间；
S3.将经过步骤S2处理的重构图像进行分块处理,分成大小为4×4且互不重叠的图像块Ai(i＝1，2……n)，其中n代表此时的总块数；并按照从上到下、从左往右的顺序依次指定各个图像块的位置坐标信息为(1，1)、(1，2)……(H/4，W/4)，其中H、W分别代表重构图像的行数和列数；
S4.对每个图像块Ai(i＝1，2……n)，根据其坐标信息，找出一个以其为中心的对称的子图像区域；通过计算该图像块与对应子图像区域在CIELAB色彩空间上平均向量的欧式距离，得出该图像块的显著值，以此类推，得到每个图像块的显著值；
S5.将每个图像块的显著值赋给其中包含的像素点，并进行归一化处理；
S6.对步骤S5得到的显著图进行最近邻插值处理，得到和原始图一样大小的最终显著图。
2.根据权利要求1所述的面向水环境监测的水面显著性区域的检测方法，其特征在于，所述步骤S1中，对无线视频传感器的摄像头采集的图像进行压缩感知采样的具体方法为：
S1.1.对无线视频传感器的摄像头采集的图像按照8×8大小进行分块；
S1.2.生成一个大小为16×64且满足0-1分布的随机伯努利矩阵Φ；
S1.3.依次将每块图像的像素矩阵排列成64×1的列向量xj(j＝1，2……N)，其中N代表此时图像的总块数；
S1.4.根据压缩感知的公式得到每个图像块对应的采样向量yj：
yj＝Φ×xj
S1.5.将每个图像块对应的采样向量重新排列成4×4大小的像素矩阵；
S1.6.将步骤S1.5得到的所有图像块对应的像素矩阵进行合并，得到最终的重构图像。
3.根据权利要求1所述的面向水环境监测的水面显著性区域的检测方法，其特征在于，所述步骤S2中，重构图像从RGB色彩空间转化到CIELAB色彩空间的具体方法为：
S2.1.对重构图像中的每个像素点，先利用Gamma函数对RGB色彩空间的三个色彩通道值进行校正，Gamma函数对应公式如下：
<mrow>
<mi>G</mi>
<mi>a</mi>
<mi>m</mi>
<mi>m</mi>
<mi>a</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>+</mo>
<mn>0.055</mn>
</mrow>
<mn>1.055</mn>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2.4</mn>
</msup>
</mtd>
<mtd>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>></mo>
<mn>0.04045</mn>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mfrac>
<mi>x</mi>
<mn>12.92</mn>
</mfrac>
</mtd>
<mtd>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>&le;</mo>
<mn>0.04045</mn>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
S.2.2.对校正后的RGB色彩空间的三个色彩通道值利用如下公式得到XYZ色彩模型：
<mrow>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mi>X</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>Y</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>Z</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>0.4142</mn>
</mtd>
<mtd>
<mn>0.3576</mn>
</mtd>
<mtd>
<mn>0.1805</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0.2126</mn>
</mtd>
<mtd>
<mn>0.7152</mn>
</mtd>
<mtd>
<mn>0.0722</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0.0193</mn>
</mtd>
<mtd>
<mn>0.1192</mn>
</mtd>
<mtd>
<mn>0.9505</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>*</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mi>R</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>G</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>B</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
S2.3.将步骤S2.2生成的XYZ进行归一化处理，得到对应的三个色彩通道值，即Xnorm，Ynorm，Znorm；
S2.4.通过下述公式得到各像素点对应的CIELAB色彩通道值：
L＝116*f(Ynorm)-16
A＝500*(f(Xnorm)-f(Ynorm))
B＝200*(f(Ynorm)-f(Znorm))
其中，f是一个类似Gamma函数的校正函数，具体公式如下：
即得到CIELAB色彩空间。
4.根据权利要求1所述的面向水环境监测的水面显著性区域的检测方法，其特征在于，所述步骤S4中，每个图像块的显著值的具体获得过程为：
S4.1.求出第i个图像块Ai在CIELAB色彩空间上的平均向量(Lai，Aai，Bai)；
S4.2.根据图像块Ai对应的坐标信息(xi，yi)，找出该图像块对应的子图像区域Mi，Mi的横坐标范围为(xi-x0，xi+x0)，纵坐标范围为(yi-y0，yi+y0)，其中x0，y0由如下公式得到：
x0＝min(xi,H/4-xi)
y0＝min(yi,W/4-yi)
S4.3.求出该子图像区域Mi在CIELAB色彩空间上的平均向量(Lui，Aui，Bui)；
S4.4.计算该图像块与对应子图像区域在CIELAB色彩空间上平均向量的欧式距离，计算公式如下：
<mrow>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<mo>(</mo>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>L</mi>
<mrow>
<mi>u</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>L</mi>
<mrow>
<mi>a</mi>
<mi>i</mi>
</mrow>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>A</mi>
<mrow>
<mi>u</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>A</mi>
<mrow>
<mi>a</mi>
<mi>i</mi>
</mrow>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>B</mi>
<mrow>
<mi>u</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>B</mi>
<mrow>
<mi>a</mi>
<mi>i</mi>
</mrow>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
</msqrt>
</mrow>
即每个图像块的显著值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711186183.0A CN108009984B (zh) | 2017-11-21 | 2017-11-21 | 一种面向水环境监测的水面显著性区域的检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711186183.0A CN108009984B (zh) | 2017-11-21 | 2017-11-21 | 一种面向水环境监测的水面显著性区域的检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108009984A true CN108009984A (zh) | 2018-05-08 |
| CN108009984B CN108009984B (zh) | 2020-07-07 |
Family
ID=62053501
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711186183.0A Active CN108009984B (zh) | 2017-11-21 | 2017-11-21 | 一种面向水环境监测的水面显著性区域的检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108009984B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020042467A1 (zh) * | 2018-08-31 | 2020-03-05 | 深圳壹账通智能科技有限公司 | 图片压缩方法、装置、设备及计算机可读存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060029279A1 (en) * | 2004-08-09 | 2006-02-09 | Donoho David L | Method and apparatus for compressed sensing |
| KR20100108778A (ko) * | 2009-03-30 | 2010-10-08 | 계명대학교 산학협력단 | 영상정보 분류방법 및 장치 |
| CN102800086A (zh) * | 2012-06-21 | 2012-11-28 | 上海海事大学 | 一种海上场景显著性检测方法 |
| CN105451019A (zh) * | 2015-11-25 | 2016-03-30 | 中国地质大学（武汉） | 一种面向无线视频传感器网络的图像压缩传输方法 |
| CN105676222A (zh) * | 2015-10-30 | 2016-06-15 | 中国人民解放军空军工程大学 | 一种合成孔径雷达数据自适应压缩与快速重构方法 |
| CN105678699A (zh) * | 2015-05-06 | 2016-06-15 | 西安电子科技大学 | 基于测量域分块显著性检测的压缩感知图像重构方法 |
| CN106971376A (zh) * | 2017-04-20 | 2017-07-21 | 太原工业学院 | 一种基于显著性模型的图像缩放方法 |
| CN107256547A (zh) * | 2017-05-26 | 2017-10-17 | 浙江工业大学 | 一种基于显著性检测的表面裂纹识别方法 |
-
2017
- 2017-11-21 CN CN201711186183.0A patent/CN108009984B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060029279A1 (en) * | 2004-08-09 | 2006-02-09 | Donoho David L | Method and apparatus for compressed sensing |
| KR20100108778A (ko) * | 2009-03-30 | 2010-10-08 | 계명대학교 산학협력단 | 영상정보 분류방법 및 장치 |
| CN102800086A (zh) * | 2012-06-21 | 2012-11-28 | 上海海事大学 | 一种海上场景显著性检测方法 |
| CN105678699A (zh) * | 2015-05-06 | 2016-06-15 | 西安电子科技大学 | 基于测量域分块显著性检测的压缩感知图像重构方法 |
| CN105676222A (zh) * | 2015-10-30 | 2016-06-15 | 中国人民解放军空军工程大学 | 一种合成孔径雷达数据自适应压缩与快速重构方法 |
| CN105451019A (zh) * | 2015-11-25 | 2016-03-30 | 中国地质大学（武汉） | 一种面向无线视频传感器网络的图像压缩传输方法 |
| CN106971376A (zh) * | 2017-04-20 | 2017-07-21 | 太原工业学院 | 一种基于显著性模型的图像缩放方法 |
| CN107256547A (zh) * | 2017-05-26 | 2017-10-17 | 浙江工业大学 | 一种基于显著性检测的表面裂纹识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| WANGJIANG ZHU 等: "Saliency Optimization from Robust Background Detection", 《2014 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
| YUNFEI ZHENG 等: "A video saliency detection framework using spatiotemporal consistency optimization", 《2016 12TH WORLD CONGRESS ON INTELLIGENT CONTROL AND AUTOMATION (WCICA)》 * |
| 胡开云 等: "基于显著性信息和方向变换的图像压缩感知", 《微型机与应用》 * |
| 郎利影 等: "基于压缩感知OMP改进算法的图像重构", 《电视技术》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020042467A1 (zh) * | 2018-08-31 | 2020-03-05 | 深圳壹账通智能科技有限公司 | 图片压缩方法、装置、设备及计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108009984B (zh) | 2020-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106096668B (zh) | 带水印图像的识别方法及识别系统 | |
| KR102138950B1 (ko) | 조합된 깊이 큐들에 기초하여 모노스코픽 이미지로부터 깊이 맵 생성 | |
| CN110929569B (zh) | 人脸识别方法、装置、设备及存储介质 | |
| Sudiatmika et al. | Image forgery detection using error level analysis and deep learning | |
| CN100357944C (zh) | 图像检索系统和方法及图像分类系统和方法 | |
| CN107330390B (zh) | 一种基于图像分析和深度学习的人数统计方法 | |
| CN103020993B (zh) | 一种双通道颜色对比度融合的视觉显著性检测方法 | |
| JP7332183B2 (ja) | 情報処理装置、制御方法、及びプログラム | |
| US9025868B2 (en) | Method and system for image processing to determine a region of interest | |
| CN110176024B (zh) | 在视频中对目标进行检测的方法、装置、设备和存储介质 | |
| CN109740589B (zh) | 视频模式中的异步对象roi检测方法及系统 | |
| CN106855944B (zh) | 行人标志物识别方法及装置 | |
| CN112001241B (zh) | 基于通道注意力机制的微表情识别方法及系统 | |
| JP2018022340A (ja) | 画像処理装置、情報処理方法及びプログラム | |
| US9386266B2 (en) | Method and apparatus for increasing frame rate of an image stream using at least one higher frame rate image stream | |
| CN110570402B (zh) | 基于边界感知神经网络的双目显著物体检测方法 | |
| CN106970709B (zh) | 一种基于全息成像的3d交互方法和装置 | |
| CN106373131A (zh) | 基于边缘的图像显著性区域检测方法 | |
| CN108345835A (zh) | 一种基于仿复眼感知的目标识别方法 | |
| CN108009984A (zh) | 一种面向水环境监测的水面显著性区域的检测方法 | |
| CN106022310B (zh) | 基于htg-hog和stg特征的人体行为识别方法 | |
| CN102156879B (zh) | 基于加权陆地运动距离的人体目标匹配方法 | |
| WO2019230965A1 (ja) | 物体らしさ推定装置、方法、およびプログラム | |
| CN108256401B (zh) | 一种获取目标属性特征语义的方法及装置 | |
| CN101620734A (zh) | 运动检测方法及装置、背景模型建立方法及装置 |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20180508 Assignee: Hubei Hongrui Membrane Technology Co.,Ltd. Assignor: CHINA University OF GEOSCIENCES (WUHAN CITY) Contract record no.: X2024980001471 Denomination of invention: A detection method for significant water surface regions for water environment monitoring Granted publication date: 20200707 License type: Common License Record date: 20240129 Application publication date: 20180508 Assignee: Wuhan Xingqi Technology Co.,Ltd. Assignor: CHINA University OF GEOSCIENCES (WUHAN CITY) Contract record no.: X2024980001469 Denomination of invention: A detection method for significant water surface regions for water environment monitoring Granted publication date: 20200707 License type: Common License Record date: 20240129 Application publication date: 20180508 Assignee: Wuhan Xintiande Energy Technology Co.,Ltd. Assignor: CHINA University OF GEOSCIENCES (WUHAN CITY) Contract record no.: X2024980001464 Denomination of invention: A detection method for significant water surface regions for water environment monitoring Granted publication date: 20200707 License type: Common License Record date: 20240129 Application publication date: 20180508 Assignee: Wuhan Shitu Technology Co.,Ltd. Assignor: CHINA University OF GEOSCIENCES (WUHAN CITY) Contract record no.: X2024980001462 Denomination of invention: A detection method for significant water surface regions for water environment monitoring Granted publication date: 20200707 License type: Common License Record date: 20240129 Application publication date: 20180508 Assignee: Wuhan Rongguo Biotechnology Co.,Ltd. Assignor: CHINA University OF GEOSCIENCES (WUHAN CITY) Contract record no.: X2024980001461 Denomination of invention: A detection method for significant water surface regions for water environment monitoring Granted publication date: 20200707 License type: Common License Record date: 20240129 |
|
| EE01 | Entry into force of recordation of patent licensing contract |