CN108229487A - 一种结合空间域和频率域的显著性检测方法 - Google Patents
一种结合空间域和频率域的显著性检测方法 Download PDFInfo
- Publication number
- CN108229487A CN108229487A CN201611136243.3A CN201611136243A CN108229487A CN 108229487 A CN108229487 A CN 108229487A CN 201611136243 A CN201611136243 A CN 201611136243A CN 108229487 A CN108229487 A CN 108229487A
- Authority
- CN
- China
- Prior art keywords
- saliency map
- frequency domain
- image
- map
- saliency
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 54
- 230000003595 spectral effect Effects 0.000 claims abstract description 23
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 33
- 230000002776 aggregation Effects 0.000 claims description 15
- 238000004220 aggregation Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 abstract description 14
- 230000000295 complement effect Effects 0.000 abstract description 2
- 230000000379 polymerizing effect Effects 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000013766 direct food additive Nutrition 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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
- G06T2207/20182—Noise reduction or smoothing in the temporal domain; Spatio-temporal filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种结合空间域和频率域的显著性检测方法，在自然图像中，利用线性颜色特征RGBY和非线性颜色特征LAB，基于两个颜色特征各生成两幅显著图，通过显著图的显著聚合值来选取优秀的显著图实现线性权重融合；在多光谱图像中，利用光谱角和光谱绝对差异两个互补的光谱特征进行光谱显著检测。本发明所述显著性检测方法简单，容易实现，检测效果精确。
Description
技术领域
本发明属于目标检测技术领域，具体涉及一种结合空间域和频率域的显著性检测方法。
背景技术
随着计算机视觉的快速发展，显著性检测作为一种图像预处理算法，已经被广泛的应用到很多图像处理领域，例如识别、跟踪、分割、检测、立体视觉、匹配，相应地也出现了各种各样的算法，但是大致可以分为频率域和空间域两种显著检测方法。
在空间域，最典型的就是Itti提出的,利用低级图像特征，在图像金字塔多尺度的情况下，计算中心和周围的对比度来实现显著目标的提取。Ma利用每个像素和领域像素颜色的差异作为显著图，并加入了模糊生长。Achanta提出了基于全部的周围区域和基于最大的对称周围区域的两种显著检测方法。Cheng et al.通过量化颜色和直方图来加速算法，统计每个颜色的全局差异来表示该颜色的显著值，只考虑了颜色信息和忽视了距离信息，因此当显著目标比较大以及边界存在和背景颜色不同的非显著目标时，显著性提取效果不佳。
在频率域，Hou(SR模型)首先发现在傅里叶变换下可以突出显著目标，可以通过找出光谱的Log曲线中的奇异部分，并且和原始相位角结合，傅里叶逆变换之后生成了显著图，这一模型表明光谱残渣对显著检测起主要作用。Guo(PFT模型)简化此频率域模型，只使用相位角来建立显著图，结果表明两者所生成的显著图非常接近。Li(SSS模型)关注傅里叶变换的幅度和相位的关系，实验表明两者在压制重复模块而高亮显著区方面都起着不可或缺的作用。他们发现在幅度谱中的高峰表示的就是同质区域(非显著区域)，为此可以通过平滑这些高峰来减弱同质而显示出显著区域，最后结合原始相位信息和经高斯平滑的幅度谱来获得显著图。相比于SR和PFT，SSS对突出整个显著目标效果更好。这里SR和PFT主要是利用相位信息，为此只能突显显著边界，只能通过降采样来实现突显整体。不同于这两个模型，SSS模型综合考虑相位和幅度信息，有效的提高显著目标整体的检测，但是显著区域大小的不同要选取不同的尺度，为此必须要通过优化准则选择合适的高斯尺度，计算量增加。
上述这些方法一般要么只考虑空间域的显著信息，要么只考虑频率域的显著信息，很少有人将空间域和频率域结合，其中有些算法的计算量比较大，作为一种图像预处理算法，应该是一种简单和快速的图像处理算法，如果计算量太大，无法有效地给后续处理留有足够的处理时间。在频率域的显著方法中，SR和PFT算法简单，但是只能检测出显著目标的边界，且检测效果不佳，SSS模型检测效果可以，但是计算过程较复杂，为此设计一种简单且检测效果好的频率域的显著检测方法很有必要。
显著性检测已经被研究多年了，但是主要是用于处理自然彩色图像，很少有人将其衍生到多光谱图像中。有些研究者将Itti显著模型引入到多光谱图像处理中，和原始模型一样，这些多光谱显著模型都是生成四个通道的图像特征，基于光谱图像周围和中心的对比度来检测显著目标。由于Itti模型提出已经很多年，其有一定的局限性，为此引入和多光谱相融合的新显著模型是很有必要的。
发明内容
本发明的目的是针对现有技术中显著性检测的不足，提出了一种结合空间域和频率域的显著性检测方法，该显著检测方法能精确地实现显著区域的检测，且算法简单，实现起来很容易。
为了解决上述技术问题，本发明提供一种结合空间域和频率域的显著性检测方法，步骤如下：
步骤一，对图像进行转换，生成两种不同的图像特征；其中，
对于自然图像，使用RGBY颜色特征和Lab颜色特征分别作为其图像特征一和图像特征二；
对于光谱图像，使用光谱角和光谱绝对差分别作为其图像特征一和图像特征二；
步骤二，对于图像特征一和图像特征二，使用空间域的显著性检测方法生成空间域显著图一SA1和空间域显著图二SB1，使用频率域的显著性检测方法生成频率域显著图一SA2和频率域显著图二SB2；
步骤三，从空间域显著图一SA1和空间域显著图二SB1中选取显著聚合值大的作为空间域显著图SA，从频率域显著图一SA2和频率域显著图二SB2中选取显著聚合值大的作为频率域显著图SB；
步骤四，对空间域显著图SA和频率域显著图SB，以各自的显著聚合值为权重进行线性融合获得最终的显著图Sm。
进一步，步骤二中，获取空间域显著图一SA1和空间域显著图二SB1的方法如公式(1)所示，
对于图像特征一或者图像特征二来说，D表示在像素(x,y)处的最大对称周围区域，M表示区域D中的像素数，(i,j)表示区域D中其他的像素，I(x,y)、I(i,j)分别表示像素的特征值，S1(x,y)表示基于空间域的显著图。
进一步，步骤二中，获取频率域显著图一SA2和频率域显著图二SB2的方法为：
3.1对图像特征一或者图像特征二进行傅里叶变换生成频谱图F(u,v)，方法如公式(2)所示，
F(u,v)＝FFT(I(x,y)) (2)
3.2将频谱图F(u,v)中的全局尖峰脉冲设置为0，并对其进行傅里叶逆变换和平方运算，然后进行高斯平滑，生成显著图S2(x,y)，如公式(3)所示，
S2(x,y)＝g2·(IFFT(F0(u,v)))2 (3)
其中，FFT和IFFT分别表示傅里叶变换和傅里叶逆变换，I(x,y)表示输入的图像特征，F(u,v)表示频谱图，F0(u,v)表示全局脉冲处的值为0的频谱图，g2为高斯平滑，S2(x,y)为基于频率域的显著图。
进一步，步骤三中，显著聚合值Ti的计算方法如公式(4)所示：
其中，N是归一化参数，H2D(Si(x,y))表示显著图Si(x,y)的熵，i＝1,2。
进一步，步骤四的计算方法如公式(5)所示，
其中，Ti为显著图Si(x,y)的显著聚合值。
本发明与现有技术相比，其显著优点在于：
(1)本发明采用了一种新的频率域模型，平滑频谱图中的全局尖峰脉冲来压制背景信息，高亮显著区域，不仅算法简单快速，而且可突显任意大小的显著区域；
(2)本发明结合了频率域和空间域的显著信息，频率域的模型主要体现了图像的全局显著信息，空间域的模型主要利用了局部显著信息，可实现频率域和空间域、局部和全局的有效结合；
(3)由于单一的图像特征不能有效的提取出图像的显著信息，本发明采用多种图像特征，综合考虑计算量和特征信息量两个因素，本发明采用两个特征，对于自然图像，使用线性关系的RGBY颜色特征和非线性关系的Lab颜色特征，实现了线性和非线性的结合，提取出更多的颜色显著性。对于多光谱，采用具有互补性的光谱角和光谱绝对差异两个特征，足以实现光谱显著性的检测；
(4)本发明利用显著图的显著聚合值来判断显著图的质量，通过计算其显著聚合值来选取比较优秀的显著图，以减小含有大量背景信息的显著图对其显著图的影响，除此之外，由于各个特征空间所产生的显著图所包含的有效信息不同，为此本发明通过利用显著聚合值的大小进行权重融合，可以有效的压制非显著信息而扩展显著信息；
(5)本发明所述显著检测方法不仅适用于自然彩色图像，有效的提取出颜色显著性，而且可以处理多光谱图像，实现光谱显著性检测。除此之外，能实现显著区域的精确检测，且方法简单，实现起来很容易。
附图说明
图1是本发明方法流程示意图。
图2是几种频率域显著方法的对比示意图，其中，(a)是原图，(b)表示本发明的频率域显著检测结果，(c)和(d)分别为SR检测方法结果和PFT检测方法结果，(e)-(h)表示SSS方法中使用不同高斯尺度的检测结果。
图3是自然图像显著检测对比实验结果示意图，其中(a)表示PR曲线，(b)表示AUC值，其中AS表示本发明所述显著检测方法。
图4是自然图像显著检测对比实验示例，(a)表示原图，(b)表示人工标记图，(c)-(h)分别表示IT、GB、SR、FT、CA、HFT的检测结果，(i)表示本发明的检测结果。
图5是多光谱图像显著检测示例，(a)-(e)表示不同波段的光谱图像，(f)表示本发明的光谱显著检测结果，(g)表示显著图的二值化结果。
具体实施方式
容易理解，依据本发明的技术方案，在不变更本发明的实质精神的情况下，本领域的一般技术人员可以想象出本发明结合空间域和频率域的显著性检测方法的多种实施方式。因此，以下具体实施方式和附图仅是对本发明的技术方案的示例性说明，而不应当视为本发明的全部或者视为对本发明技术方案的限制或限定。
结合附图，本发明结合空间域和频率域的显著性检测方法，包括如下步骤：
步骤一：对原图进行预处理。将原图像降低分辨率至128*128，这里选取128*128分辨率的设置，在保证图像的轮廓清楚，图像中的信息不丢失的情况下，极大地减小了计算量，然后利用高斯滤波平滑原图像，使相似的模块更趋向一致，这样会使显著区域成为一个整体，减少一些奇异区域对显著检测的影响；
步骤二：将步骤一预处理后的图像，转换生成两种不同的图像特征，这两种图像特征既有区别性又有相似性。
对于自然图像，利用颜色转换公式，分别产生RGBY颜色特征和Lab颜色特征，这两个颜色特征都是三个颜色通道，其中一个表示亮度通道，另外两个表示颜色通道，不同之处在于，RGBY是线性转换的，Lab是非线性转换的，这两种颜色特征的结合极大地提取出自然图像中的颜色信息。
对于光谱图像，本发明通过观察和分析光谱曲线，采用了光谱角和光谱绝对差异两个特征，光谱角表示了光谱向量间的夹角，即光谱曲线形状的不同，光谱绝对差异表示了两个光谱的整体区别性，这两者的结合足以表示光谱间的区别，有效地保证了光谱显著的检测；
步骤三：将步骤二中所产生的两个图像特征，使用频率域和空间域的显著性检测算法生成显著图。
在空间域，本发明使用Achanta所提出的局部周围显著性，利用像素和对称周围区域的整体区别来表示生成两个显著图SA1、SB1，方法如公式(1)所示：
其中，D表示在像素(x,y)处的最大对称周围区域，M表示区域D中的像素数，(i,j)表示区域D中其他的像素，I(x,y)、I(i,j)分别表示像素的特征值，S1(x,y)表示基于空间域的显著图。所述空间域模型是基于每个像素与其最大的周围空间区域的差异程度，其可提取出图像中的局部显著信息。
在频率域，本发明采用一种新的、简单的显著检测方法，该方法不仅效果好，而且速度快，如图2所示，该频率域显著检测方法的效果要优于其他频率域的方法。该方法是基于频谱图中的全局尖峰脉冲对应于原图像中重复背景模块，为此本发明主要是利用平滑频谱图中的全局尖峰脉冲来压制背景，从而凸显出显著区域，本发明只要将其全局脉冲赋值为0即可。所述频率域模型是基于平滑全局尖峰处的幅度来实现，由于图像中重复的背景信息主要对应于频谱图中的全局尖峰脉冲，可通过平滑该尖峰脉冲来压制背景信息而突显显著区域，提取出图像中的全局显著信息。
在频率域中，本发明对两个图像特征进行处理生成两个显著图SA2、SB2，该过程主要分为两个小步骤：
a.对图像特征进行傅里叶变换生成频谱图F(u,v)，方法如公式(2)所示，
F(u,v)＝FFT(I(x,y)) (2)
b.将步骤a得到的频谱图F(u,v)中的全局尖峰脉冲(频率为零处)设置为0，并对其进行傅里叶逆变换和进行平方运算，最后进行高斯平滑，生成显著图S2(x,y)，如公式(3)所示，
S2(x,y)＝g2·(IFFT(F0(u,v)))2 (3)
其中，FFT和IFFT分别表示傅里叶变换和傅里叶逆变换，I(x,y)表示输入的图像特征，F(u,v)表示频谱图，F0(u,v)表示全局脉冲处的值为0的频谱图，g2为高斯平滑，S2(x,y)为基于频率域的显著图。
经过上述处理，本发明利用空间域和频率域的显著检测方法，基于两个图像特征各自产生了两个显著图SA1和SA2以及SB1和SB2。
步骤四：由于所产生的显著图中，有的既包含了大量的背景信息，又包含了重复的显著信息，在这一步，从步骤三产生的两个显著图中选取显著聚合值大的显著图作为优秀的显著图，即从SA1和SA2中选取显著聚合值更大的显著图SA，从SB1和SB2中选取显著聚合值更大的显著图SB。所述显著聚合值是通过计算图像的二维熵来表示的，当显著值趋向于某一个值时，其熵值越小，相应的显著聚合值越大，该显著图就更优秀。显著图的熵可定义为H2D＝H{gn*x},其中，gn是一个高斯平滑操作，x表示一个二维图像数据，H表示求熵运算。显著图的显著聚合值计算如公式(4)所示：
其中，Ti就是显著图的显著聚合值的大小，N是归一化参数，H2D(Si(x,y))表示显著图Si(x,y)的熵。
所述显著聚合值是基于图像的熵信息，由于当显著值趋向于某一个值时，其熵值更小的思想，显著图的二维熵越小，其显著聚合值越大，所对应的显著图就越优秀。
步骤五：对从步骤四得到的两个显著图SA、SB，以各自显著图的显著聚合值为权重进行线性融合获得最终的显著图，方法如公式(5)所示：
其中，Ti就是显著图Si(x,y)的显著聚合值，Si(x,y)表示两个显著图SA、SB，Sm就是最终的显著图。这种以显著聚合值为权重的融合，不同于直接加性融合和乘性融合，可以最大限度地保留了显著信息而减少冗余的背景信息的影响。
所述最终的显著图，为了使其看起来更直观，可以利用自适应的阈值实现二值化。
本发明是一种基于频率域和空间域结合、全局信息和局部信息结合的显著性检测方法，且以显著图的显著聚合值进行择优选取和权重融合使显著信息最大化。本发明不仅适用于自然图像，而且实现了光谱图像的显著目标检测，在现有的研究中，显著性应用到多光谱目标检测中的比较少，这也是本发明的一大优势。在自然彩色图像中，如图3和4所示，很明显地看出本发明的显著性检测方法要优于其他算法，可以精确定位和完整地检测到显著区域。在多光谱图像中，如图4所示，本发明所使用的实验数据是近红外波段的多光谱图像，当背景较简单时，可以完全压制背景，当背景较复杂时，虽然压制背景不完全，但是显著目标更高亮，为了展示更清楚，本发明采用阈值TH＝0.5*max(map)进行二值化处理，从图5中的(g)可以看出本发明可以精确地定位到多光谱显著目标。
Claims (5)
1.一种结合空间域和频率域的显著性检测方法，其特征在于，步骤如下：
步骤一，对图像进行转换，生成两种不同的图像特征；其中，
对于自然图像，使用RGBY颜色特征和Lab颜色特征分别作为其图像特征一和图像特征二；
对于光谱图像，使用光谱角和光谱绝对差分别作为其图像特征一和图像特征二；
步骤二，对于图像特征一和图像特征二，使用空间域的显著性检测方法生成空间域显著图一SA1和空间域显著图二SB1，使用频率域的显著性检测方法生成频率域显著图一SA2和频率域显著图二SB2；
步骤三，从空间域显著图一SA1和空间域显著图二SB1中选取显著聚合值大的作为空间域显著图SA，从频率域显著图一SA2和频率域显著图二SB2中选取显著聚合值大的作为频率域显著图SB；
步骤四，对空间域显著图SA和频率域显著图SB，以各自的显著聚合值为权重进行线性融合获得最终的显著图Sm。
2.如权利要求1所述显著性检测方法，其特征在于，步骤二中，获取空间域显著图一SA1和空间域显著图二SB1的方法如公式(1)所示，
对于图像特征一或者图像特征二来说，D表示在像素(x,y)处的最大对称周围区域，M表示区域D中的像素数，(i,j)表示区域D中其他的像素，I(x,y)、I(i,j)分别表示像素的特征值，S1(x,y)表示基于空间域的显著图。
3.如权利要求2所述显著性检测方法，其特征在于，步骤二中，获取频率域显著图一SA2和频率域显著图二SB2的方法为：
3.1对图像特征一或者图像特征二进行傅里叶变换生成频谱图F(u,v)，方法如公式(2)所示，
F(u,v)＝FFT(I(x,y)) (2)
3.2将频谱图F(u,v)中的全局尖峰脉冲设置为0，并对其进行傅里叶逆变换和平方运算，然后进行高斯平滑，生成显著图S2(x,y)，如公式(3)所示，
S2(x,y)＝g2·(IFFT(F0(u,v)))2 (3)
其中，FFT和IFFT分别表示傅里叶变换和傅里叶逆变换，I(x,y)表示输入的图像特征，F(u,v)表示频谱图，F0(u,v)表示全局脉冲处的值为0的频谱图，g2为高斯平滑，S2(x,y)为基于频率域的显著图。
4.如权利要求3所述显著性检测方法，其特征在于，步骤三中，显著聚合值Ti的计算方法如公式(4)所示：
其中，N是归一化参数，H2D(Si(x,y))表示显著图Si(x,y)的熵，i＝1,2。
5.如权利要求4所述显著性检测方法，其特征在于，步骤四的计算方法如公式(5)所示，
其中，Ti为显著图Si(x,y)的显著聚合值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611136243.3A CN108229487B (zh) | 2016-12-12 | 2016-12-12 | 一种结合空间域和频率域的显著性检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611136243.3A CN108229487B (zh) | 2016-12-12 | 2016-12-12 | 一种结合空间域和频率域的显著性检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108229487A true CN108229487A (zh) | 2018-06-29 |
| CN108229487B CN108229487B (zh) | 2021-06-11 |
Family
ID=62637849
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611136243.3A Active CN108229487B (zh) | 2016-12-12 | 2016-12-12 | 一种结合空间域和频率域的显著性检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108229487B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109767454A (zh) * | 2018-12-18 | 2019-05-17 | 西北工业大学 | 基于时-空-频显著性的无人机航拍视频运动目标检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013165565A1 (en) * | 2012-04-30 | 2013-11-07 | Nikon Corporation | Method of detecting a main subject in an image |
| 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 |
| CN104463855A (zh) * | 2014-11-25 | 2015-03-25 | 武汉科技大学 | 一种基于频域和空域结合的显著区域检测方法 |
-
2016
- 2016-12-12 CN CN201611136243.3A patent/CN108229487B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013165565A1 (en) * | 2012-04-30 | 2013-11-07 | Nikon Corporation | Method of detecting a main subject in an image |
| 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 |
| CN104463855A (zh) * | 2014-11-25 | 2015-03-25 | 武汉科技大学 | 一种基于频域和空域结合的显著区域检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| DAN XIANG 等: "Scale-space saliency detection in combined color space", 《2015 CHINESE AUTOMATION CONGRESS》 * |
| 孙晓飞 等: "典型的显著性检测算法分析和比较", 《黔南民族师范学院学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109767454A (zh) * | 2018-12-18 | 2019-05-17 | 西北工业大学 | 基于时-空-频显著性的无人机航拍视频运动目标检测方法 |
| CN109767454B (zh) * | 2018-12-18 | 2022-05-10 | 西北工业大学 | 基于时-空-频显著性的无人机航拍视频运动目标检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108229487B (zh) | 2021-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103729848B (zh) | 基于光谱显著性的高光谱遥感图像小目标检测方法 | |
| CN103456013B (zh) | 一种表示超像素以及度量超像素之间相似性的方法 | |
| KR101567792B1 (ko) | 이미지 윤곽 묘사 시스템 및 방법 | |
| Seo et al. | Novel PCA-based color-to-gray image conversion | |
| US8218892B2 (en) | Visual object detection | |
| CN104331877A (zh) | 融合色调梯度的彩色图像边缘检测方法 | |
| CN105513060A (zh) | 一种视觉感知启发的高分辨率遥感图像分割方法 | |
| Senthilkani et al. | Overlap wavelet transform for image segmentation | |
| Mu et al. | Discrete stationary wavelet transform based saliency information fusion from frequency and spatial domain in low contrast images | |
| CN104239883A (zh) | 纹理特征提取方法及装置 | |
| JP5892592B2 (ja) | 超解像画像処理装置及び超解像画像処理用コードブック作成装置 | |
| KR101334794B1 (ko) | 특징정보를 이용하는 꽃 인식 장치 및 방법 | |
| CN104217430A (zh) | 基于l1正则化的图像显著性检测方法 | |
| CN108229487B (zh) | 一种结合空间域和频率域的显著性检测方法 | |
| Joo et al. | Feature-point extraction based on an improved SIFT algorithm | |
| Avinash et al. | Color hand gesture segmentation for images with complex background | |
| CN112232249A (zh) | 一种基于深度特征的遥感图像变化检测方法及装置 | |
| Sun et al. | Salient region detection in high resolution remote sensing images | |
| Rathi et al. | Copy move forgery detection by using integration of SLIC and SIFT | |
| Chen et al. | An edge detection method for hyperspectral image classification based on mean shift | |
| Dixit et al. | Copy-move image forgery detection using frequency-based techniques: a review | |
| CN110276350B (zh) | 一种海上船舶目标检测方法 | |
| Wu et al. | Edge‐preserving colour‐to‐greyscale conversion | |
| Sitdikov et al. | Accelerated mutual entropy maximization for biomedical image registration | |
| Muniz et al. | Novel Techniques for Color Texture Classification. |
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 |