CN108596921A - 图像显著区域检测的方法、装置、设备及可读存储介质 - Google Patents

图像显著区域检测的方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN108596921A
CN108596921A CN201810442350.1A CN201810442350A CN108596921A CN 108596921 A CN108596921 A CN 108596921A CN 201810442350 A CN201810442350 A CN 201810442350A CN 108596921 A CN108596921 A CN 108596921A
Authority
CN
China
Prior art keywords
region
sub
subregion
regions
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
Application number
CN201810442350.1A
Other languages
English (en)
Inventor
陈国栋
苏凡
王正
王振华
孙立宁
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.)
Suzhou University
Original Assignee
Suzhou University
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 Suzhou University filed Critical Suzhou University
Priority to CN201810442350.1A priority Critical patent/CN108596921A/zh
Publication of CN108596921A publication Critical patent/CN108596921A/zh
Pending legal-status Critical Current

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
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种图像显著区域检测的方法、装置、设备以及计算机可读存储介质，包括：对获取到的待检测图像进行预分割，以便于将所述待检测图像分割为多个子区域；根据预设规则，分别计算各个子区域的初步区域显著性值；依据所述各个子区域的区域圆度和区域分布特性，分别计算所述各个子区域的背景分布度量；利用所述各个子区域的初步区域显著性值和背景分布度量，确定所述各个子区域的目标区域显著性值。

Description

图像显著区域检测的方法、装置、设备及可读存储介质
技术领域
本发明涉及图像处理技术领域，特别是涉及一种图像显著区域检 测的方法、装置、设备以及计算机可读存储介质。
背景技术
在计算机视觉领域，越来越多的研究人员意识到，以心理学和生 物学的理论为基础而建立的图像显著区域检测算法很难做到令人满意 的检测效果。现有技术中也提出来很多突破了严格的生物学算法的图 像显著区域检测算法，这些算法简单高效，而且检测效果也有了较大 幅度的提升。
现有技术中的图像显著区域检测的算法通常仅适用于背景简单、 显著区域位于图像中心位置的简单图像；验证显著性检测算法的图像 数据库同样多选择这样的场景，如MSRA、SED、ECSSD、THUR15K 等。
但是在实际应用中，不同于工业机器人在结构化环境下对工件的 检测与操作；服务机器人在家庭环境下的显著性检测面临着诸多挑战， 如光照变化、背景复杂、物体间相互遮挡等。现有的图像显著区域检 测算法在家庭环境下进行显著区域检测时，由于家庭环境的背景复杂 性和光照变化会导致图像显著区域检测的准确率降低。
综上所述可以看出，如何提供一种可以适应复杂环境的图像显著 性检测方法是目前有待解决的问题。
发明内容
本发明的目的是提供一种图像显著区域检测的方法、装置、设备 以及计算机可读存储介质，已解决现有技术中所提供的图像显著区域 检测算法在复杂环镜下检测效率较低的问题。
为解决上述技术问题，本发明提供一种图像显著区域检测的方 法，包括：对获取到的待检测图像进行预分割，以便于将所述待检测 图像分割为多个子区域；根据预设规则，分别计算各个子区域的初步 区域显著性值；依据所述各个子区域的区域圆度和区域分布特性，分 别计算所述各个子区域的背景分布度量；利用所述各个子区域的初步 区域显著性值和背景分布度量，确定所述各个子区域的目标区域显著 性值。
优选地，所述根据预设规则，分别计算各个子区域的初步区域显 著性值包括：
统计当前子区域ri的颜色直方图，为所述当前子区域ri分配ni个代 表颜色
分别计算所述当前子区域ri和除ri以外其他所有子区域rj(j≠i)之间 的颜色空间距离
其中，所述子区域rj有nj个代表颜色 是所述子 区域ri中第p个代表变颜色，是代表颜色在所述子区域ri中出现 的频率；是所述子区域rj中第q个代表变颜色，是代表颜色在 所述子区域rj中出现的频率；
根据所述颜色空间距离Dc(i,j)计算所述子区域ri的全局对比度：将所述全局对比度RS(ri)作为所述子区域ri的初步 区域显著性值；
其中，区域权重AR(rj)为所述子区域rj的面积占比， Ds(ri,rj)是所述子区域ri和所述子区域rj之间的质心距离，α为比例系数。
优选地，所述统计当前子区域ri的颜色直方图还包括：将所述待 检测图像RGB颜色空间的每一个颜色通道均匀量化到N(0＜N＜256) 个不同的值后，统计所述当前子区域ri的颜色直方图。
优选地，所述依据所述各个子区域的区域圆度和区域分布特性， 分别计算所述各个子区域的背景分布度量包括：
计算所述子区域ri的区域圆度其中，A(ri)和Lc(ri)2分 别为所述子区域的面积和轮廓长度；
根据所述子区域ri的区域圆度rd(ri)计算所述子区域ri的背景分布 度量
其中，ωBD(ri)为所述子区域ri的高斯权重：
其中，DC(ri)为所述子区域ri质心到所述待检测图像中心的距离；
BC(ri)为所述子区域ri的边界连接度，Lb(ri)为所述子 区域ri覆盖所述待检测图像边界的像素数目；
δBC为控制BC(ri)对ωBD(ri)影响的权重系数，δDC为控制DC(ri)对ωBD(ri) 影响的权重系数。
优选地，所述利用所述各个子区域的初步区域显著性值和背景分 布度量，确定所述各个子区域的目标区域显著性值包括：根据所述初 步区域显著性值RS(ri)和所述背景分布度量BD(ri)，计算目标区域显著 性值：其中，γ为比例系数。
优选地，所述对获取到的待检测图像进行预分割，以便于将所述 待检测图像分割为多个子区域包括：根据待检测图像的颜色特征对所 述待检测图像进行预分割，以便于将所述待检测图像分割为多个子区 域。
本发明还提供了一种图像显著性区域检测的装置，包括：
预分割模块，用于对获取到的待检测图像进行预分割，以便于将 所述待检测图像分割为多个子区域；
初值计算模块，用于根据预设规则，分别计算各个子区域的初步 区域显著性值；
分布度量计算模块，用于依据所述各个子区域的区域圆度和区域 分布特性，分别计算所述各个子区域的背景分布度量；
终值获取模块，用于利用所述各个子区域的初步区域显著性值和 背景分布度量，确定所述各个子区域的目标区域显著性值。
优选地，所述预分割模块具体用于：
根据待检测图像的颜色特征对所述待检测图像进行预分割，以便 于将所述待检测图像分割为多个子区域。
本发明还提供了一种图像显著性区域检测的设备，包括：
存储器，用于存储计算机程序；处理器，用于执行所述计算机程 序时实现上述一种图像显著性区域检测的方法的步骤。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储 介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述 一种图像显著性区域检测的方法的步骤。
本发明所提供的图像区域检测的方法，将获取到的待检测图像进 行预分割，得到多个子区域；根据预设规则，计算各个子区域的初步 区域显著性值；根据各个子区域的区域圆度和区域分布特征，分别计 算各个子区域的背景分布度量，即各个子区域属于背景区域的概率； 最后根据所述各个子区域的初步区域显著性值和背景分布度量，计算 所述各个子区域的目标区域显著性值。本发明所提供的方法，结合了 各个子区域的区域圆度，即各个子区域的紧凑性，当所述子区域的区 域圆度越大时，该子区域就越紧凑，修正了各个子区域的初步区域显 著性值，因此利用本发明所提供的方法可以较为完整的分割显著区域 并为其分配较高的显著性值；有效的解决了服务机器人在家庭环境等 复杂环境下显著性检测结果由于光照变化、背景复杂、物体间相互遮 挡等问题导致的显著区域检测不准确的问题。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案，下面将 对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易 见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普 通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附 图获得其他的附图。
图1为本发明所提供的图像显著性区域检测的方法的第一种具体 实施例的流程图；
图2为本发明所提供的图像显著性区域检测的方法的第一种具体 实施例的流程图；
图3为本发明实施例提供的一种图像显著性区域检测的装置的结 构框图。
具体实施方式
本发明的核心是提供一种图像显著性区域检测的方法、装置、设 备以及计算机可读存储介质，使服务机器人有效的适应了背景复杂性 和光照变化对显著区域检测的影响，提高了显著区域检测的准确性。
为了使本技术领域的人员更好地理解本发明方案，下面结合附图 和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施 例仅仅是本发明一部分实施例，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，都属于本发明保护的范围。
请参考图1，图1为本发明所提供的图像显著性区域检测的方法 的第一种具体实施例的流程图；具体操作步骤如下：
步骤S101：对获取到的待检测图像进行预分割，以便于将所述待 检测图像分割为多个子区域；
在本实施例中所述待检测图像可以通过本地下载，也可以采用相 机进行实时采集。
可以根据待检测图像的颜色特征对所述待检测图像进行预分割。
步骤S102：根据预设规则，分别计算各个子区域的初步区域显著 性值；
在本实施例中，在计算各个子区域的初步显著性值时，首先统计 每个子区域的颜色直方图，并选取出该子区域中出现频率较高的若干 种代表颜色表征该区域的颜色统计特征；利用各个子区域的代表颜色 计算该子区域的全局对比度，作为该子区域的初步区域显著性值。
需要说明的是，在本实施中，在统计各个子区域的颜色直方图之 前，可以先将待检测图像RGB颜色空间的每一个颜色通道均匀量化 到N(0＜N＜256)个不同的值，将颜色数量从2563减少到后N3，再统 计所述各个子区域的颜色直方图，可以大大减少统计颜色直方图时的 计算量。
且在本实施例中，可以自适应的为每个子区域选择代表颜色，以 便于可以保持每个子区域颜色信息的完整性。
步骤S103：依据所述各个子区域的区域圆度和区域分布特性，分 别计算所述各个子区域的背景分布度量；
每个子区域的区域圆度代表该子区域的紧凑性，当子区域的区域 圆度越大时，该子区域就越紧凑。
步骤S104：利用所述各个子区域的初步区域显著性值和背景分布 度量，确定所述各个子区域的目标区域显著性值。
在本实施例中，可以采用指数函数的形式融合所述初步区域显著 性值和所述背景分布度量，从而计算目标区域显著性值。
本实施例所提供的图像显著区域检测的方法，在对待检测图像进 行预分割后，统计每个子区域的颜色直方图，分别为每个子区域分配 一组代表颜色，利用颜色空间距离计算各个子区域的初步区域显著性 值；利用区域圆度与区域分布特性计算各个子区域属于背景区域的概 率，最后以指数函数的形式融合初步显著性度量与背景分布度量计算 目标区域显著性值。本实施例所提供的方法有效的适应了家庭环境的 背景复杂性和光照变化对显著区域检测的影响。且通过本实施例所提 供的图像显著区域检测方法，能够较为完整地分割显著区域并为其分 配较高的显著值。
在上述实施例的基础上，本实施例将所述待检测图像进行预分割 后，统计当前子区域ri的颜色直方图，为所述当前子区域ri分配ni个代 表颜色计算所述当前子区域和除子区域以外所有区域 的颜色空间距离，以便于得到所述当前子区域的初步区域显著性值。 本实施例的具体操作步骤如下：
步骤S201：对获取到的待检测图像进行预分割，以便于将所述待 检测图像分割为多个子区域；
步骤S202：统计当前子区域ri的颜色直方图，为所述当前子区域ri分配ni个代表颜色ci；
其中，所述当前子区域ri分配ni个代表颜色
步骤S203：分别计算所述当前子区域ri和除ri以外其他所有子区域 rj(j≠i)之间的颜色空间距离Dc(i,j)；
所述当前子区域ri和除ri以外其他所有子区域rj(j≠i)之间的颜色空 间距离：
其中，所述子区域rj有nj个代表颜色 是所述子 区域ri中第p个代表变颜色，是代表颜色在所述子区域ri中出现 的频率；是所述子区域rj中第q个代表变颜色，是代表颜色在 所述子区域rj中出现的频率。
步骤S204：根据所述颜色空间距离Dc(i,j)计算所述子区域ri的全 局对比度RS(ri)，将所述全局对比度RS(ri)作为所述子区域ri的初步区域 显著性值；
述子区域的面积越大，区域权重就越大；Ds(ri，rj)是所述子区域ri和所述子区域rj之间的质心距离，质心距离越远，区域权重越小；α为比例系数。
步骤S205：计算所述子区域ri的区域圆度rd(ri)；
所述子区域ri的区域圆度通过计算，其中，A(ri)和 Lc(ri)2分别为所述子区域的面积和轮廓长度。
所述子区域的区域圆度越大表示该子区域越紧凑，则为显著性区 域的可能性越大；反之，当所述子区域的区域圆度越小，则该子区域 分别越广泛，则背景区域的可能性越大。
步骤S206：根据所述子区域ri的区域圆度rd(ri)计算所述子区域ri的 背景分布度量BD(ri)；
所述子区域ri的背景分布度量
其中，ωBD(ri)为所述子区域ri的高斯权重为：
其中，DC(ri)为所述子区域ri质心到所述待检测图像中心的距离；
BC(ri)为所述子区域ri的边界连接度，Lb(ri)为所述子 区域ri覆盖所述待检测图像边界的像素数目；
δBC为控制BC(ri)对ωBD(ri)影响的权重系数，δDC为控制DC(ri)对ωBD(ri) 影响的权重系数。
步骤S207：根据所述初步区域显著性值RS(ri)和所述背景分布度 量BD(ri)，计算目标区域显著性值Sal(ri)。
所述目标区域显著性值通过计算，其中，γ为 比例系数。
本实施例所提供的图像显著区域检测的方法，在得到待检测图像 的各个子区域的初步区域显著性值后，利于区域圆度来计算各个子区 域的紧凑性，当所述子区域的区域圆度越大表示该子区域越紧凑，则 为显著性区域的可能性越大；反之，当所述子区域的区域圆度越小， 则该子区域分别越广泛，则背景区域的可能性越大。本实施例所提供 的图像显著区域检测的方法，可以较为完整的分割显著区域并为其分 配较高的显著性值，有效的适应了家庭环境的背景复杂性和光照变化 对显著区域检测的影响。
请参考图3，图3为本发明实施例提供的一种图像显著性区域检 测的装置的结构框图；具体装置可以包括：
预分割模块100，用于对获取到的待检测图像进行预分割，以便 于将所述待检测图像分割为多个子区域；
初值计算模块200，用于根据预设规则，分别计算各个子区域的 初步区域显著性值；
分布度量计算模块300，用于依据所述各个子区域的区域圆度和 区域分布特性，分别计算所述各个子区域的背景分布度量；
终值获取模块400，用于利用所述各个子区域的初步区域显著性 值和背景分布度量，确定所述各个子区域的目标区域显著性值。
本实施例的图像显著性区域检测的装置用于实现前述的图像显 著性区域检测的方法，因此图像显著性区域检测的装置中的具体实施 方式可见前文中的图像显著性区域检测的方法的实施例部分，例如， 预分割模块100，初值计算模块200，分布度量计算模块300，终值计 算模块400，分别用于实现上述图像显著性区域检测的方法中步骤 S101，S102，S103和S104，所以，其具体实施方式可以参照相应的 各个部分实施例的描述，在此不再赘述。
本发明具体实施例还提供了一种图像显著性区域检测的设备，包 括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程 序时实现上述一种图像显著性区域检测的方法的步骤。
本发明具体实施例还提供了一种计算机可读存储介质，所述计算 机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行 时实现上述一种图像显著性区域检测的方法的步骤。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说 明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分 互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的 方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述 的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者 的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明 中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟 以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束 条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所 描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接 用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块 可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程 ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的图像显著性区域检测的方法、装置、设备 以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对 本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮 助理解本发明的方法及其核心思想。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，还可以对本发明进 行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范 围内。

Claims (10)

1.一种图像显著区域检测的方法，其特征在于，包括：
对获取到的待检测图像进行预分割，以便于将所述待检测图像分割为多个子区域；
根据预设规则，分别计算各个子区域的初步区域显著性值；
依据所述各个子区域的区域圆度和区域分布特性，分别计算所述各个子区域的背景分布度量；
利用所述各个子区域的初步区域显著性值和背景分布度量，确定所述各个子区域的目标区域显著性值。
2.如权利要求1所述的方法，其特征在于，所述根据预设规则，分别计算各个子区域的初步区域显著性值包括：
统计当前子区域ri的颜色直方图，为所述当前子区域ri分配ni个代表颜色
分别计算所述当前子区域ri和除ri以外其他所有子区域rj(j≠i)之间的颜色空间距离
其中，所述子区域rj有nj个代表颜色 是所述子区域ri中第p个代表变颜色，是代表颜色在所述子区域ri中出现的频率；是所述子区域rj中第q个代表变颜色，是代表颜色在所述子区域rj中出现的频率；
根据所述颜色空间距离Dc(i,j)计算所述子区域ri的全局对比度：将所述全局对比度RS(ri)作为所述子区域ri的初步区域显著性值；
其中，区域权重AR(rj)为所述子区域rj的面积占比，Ds(ri,rj)是所述子区域ri和所述子区域rj之间的质心距离，α为比例系数。
3.如权利要求2所述的方法，其特征在于，所述统计当前子区域ri的颜色直方图还包括：
将所述待检测图像RGB颜色空间的每一个颜色通道均匀量化到N(0＜N＜256)个不同的值后，统计所述当前子区域ri的颜色直方图。
4.如权利要求2所述的方法，其特征在于，所述依据所述各个子区域的区域圆度和区域分布特性，分别计算所述各个子区域的背景分布度量包括：
计算所述子区域ri的区域圆度其中，A(ri)和Lc(ri)2分别为所述子区域的面积和轮廓长度；
根据所述子区域ri的区域圆度rd(ri)计算所述子区域ri的背景分布度量
其中，ωBD(ri)为所述子区域ri的高斯权重：
其中，DC(ri)为所述子区域ri质心到所述待检测图像中心的距离；
BC(ri)为所述子区域ri的边界连接度，Lb(ri)为所述子区域ri覆盖所述待检测图像边界的像素数目；
δBC为控制BC(ri)对ωBD(ri)影响的权重系数，δDC为控制DC(ri)对ωBD(ri)影响的权重系数。
5.如权利要求4所述的方法，其特征在于，所述利用所述各个子区域的初步区域显著性值和背景分布度量，确定所述各个子区域的目标区域显著性值包括：
根据所述初步区域显著性值RS(ri)和所述背景分布度量BD(ri)，计算目标区域显著性值：其中，γ为比例系数。
6.如权利要求1所述的方法，其特征在于，所述对获取到的待检测图像进行预分割，以便于将所述待检测图像分割为多个子区域包括：
根据待检测图像的颜色特征对所述待检测图像进行预分割，以便于将所述待检测图像分割为多个子区域。
7.一种图像显著性区域检测的装置，其特征在于，包括：
预分割模块，用于对获取到的待检测图像进行预分割，以便于将所述待检测图像分割为多个子区域；
初值计算模块，用于根据预设规则，分别计算各个子区域的初步区域显著性值；
分布度量计算模块，用于依据所述各个子区域的区域圆度和区域分布特性，分别计算所述各个子区域的背景分布度量；
终值获取模块，用于利用所述各个子区域的初步区域显著性值和背景分布度量，确定所述各个子区域的目标区域显著性值。
8.如权利要7所述的装置，其特征在于，所述预分割模块具体用于：
根据待检测图像的颜色特征对所述待检测图像进行预分割，以便于将所述待检测图像分割为多个子区域。
9.一种图像显著性区域检测的设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至6任一项所述一种图像显著性区域检测的方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述一种图像显著性区域检测的方法的步骤。
CN201810442350.1A 2018-05-10 2018-05-10 图像显著区域检测的方法、装置、设备及可读存储介质 Pending CN108596921A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810442350.1A CN108596921A (zh) 2018-05-10 2018-05-10 图像显著区域检测的方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810442350.1A CN108596921A (zh) 2018-05-10 2018-05-10 图像显著区域检测的方法、装置、设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN108596921A true CN108596921A (zh) 2018-09-28

Family

ID=63636466

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810442350.1A Pending CN108596921A (zh) 2018-05-10 2018-05-10 图像显著区域检测的方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN108596921A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109461130A (zh) * 2018-10-25 2019-03-12 深圳创维－Rgb电子有限公司 图像处理方法、装置及计算机可读存储介质
CN109696240A (zh) * 2018-12-26 2019-04-30 信利光电股份有限公司 半导体激光器全局均匀度的检测方法、装置及可读存储介质
CN109753957A (zh) * 2018-12-07 2019-05-14 东软集团股份有限公司 图像显著性检测方法、装置、存储介质及电子设备
CN111784714A (zh) * 2020-08-13 2020-10-16 北京英迈琪科技有限公司 一种图像分离方法及其系统
CN111784715A (zh) * 2020-08-13 2020-10-16 北京英迈琪科技有限公司 一种图像分离方法及其系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050036661A1 (en) * 2003-08-15 2005-02-17 Viggh Herbert E.M. Spatial surface prior information reflectance estimation (SPIRE) algorithms
CN103413303A (zh) * 2013-07-29 2013-11-27 西北工业大学 基于联合显著性的红外目标分割方法
CN104933738A (zh) * 2015-06-16 2015-09-23 中国人民解放军国防科学技术大学 一种基于局部结构检测和对比度的视觉显著图生成方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050036661A1 (en) * 2003-08-15 2005-02-17 Viggh Herbert E.M. Spatial surface prior information reflectance estimation (SPIRE) algorithms
CN103413303A (zh) * 2013-07-29 2013-11-27 西北工业大学 基于联合显著性的红外目标分割方法
CN104933738A (zh) * 2015-06-16 2015-09-23 中国人民解放军国防科学技术大学 一种基于局部结构检测和对比度的视觉显著图生成方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
NA LI等: "A salient region detection model combining background distribution measure for indoor robots", 《PLOS ONE》 *
曾祥鑫等: "基于对比度和局部结构特征的显著性检测", 《重庆理工大学学报（自然科学）》 *
李二水: "基于空间分布特征的图像显著性检测", 《计算机与数字工程》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109461130A (zh) * 2018-10-25 2019-03-12 深圳创维－Rgb电子有限公司 图像处理方法、装置及计算机可读存储介质
CN109753957A (zh) * 2018-12-07 2019-05-14 东软集团股份有限公司 图像显著性检测方法、装置、存储介质及电子设备
CN109753957B (zh) * 2018-12-07 2020-11-27 东软集团股份有限公司 图像显著性检测方法、装置、存储介质及电子设备
CN109696240A (zh) * 2018-12-26 2019-04-30 信利光电股份有限公司 半导体激光器全局均匀度的检测方法、装置及可读存储介质
CN111784714A (zh) * 2020-08-13 2020-10-16 北京英迈琪科技有限公司 一种图像分离方法及其系统
CN111784715A (zh) * 2020-08-13 2020-10-16 北京英迈琪科技有限公司 一种图像分离方法及其系统
CN111784714B (zh) * 2020-08-13 2021-08-17 深圳市贝格蓝斯科技有限公司 一种图像分离方法及其系统

Similar Documents

Publication Publication Date Title
CN108596921A (zh) 图像显著区域检测的方法、装置、设备及可读存储介质
CN108550101B (zh) 图像处理方法、装置及存储介质
US9349165B2 (en) Automatically suggesting regions for blur kernel estimation
CN106709930B (zh) 三维医学图像的感兴趣体积分割方法及装置
EP3108449B1 (en) View independent 3d scene texturing
CN108171104A (zh) 一种文字检测方法及装置
CN110648363B (zh) 相机姿态确定方法、装置、存储介质及电子设备
US8483480B2 (en) Method and system for factoring an illumination image
GB2541179A (en) Denoising filter
CN106407920B (zh) 指纹图像的条纹噪声消除方法
US8385655B2 (en) Method and system for generating intrinsic images using single reflectance technique
CN110390260A (zh) 图片扫描件处理方法、装置、计算机设备及存储介质
US10540750B2 (en) Electronic device with an upscaling processor and associated method
CN102289823B (zh) 获取显示设备上图形面积的方法和装置
WO2022105276A1 (zh) 投影区域确定方法、装置、投影设备及可读存储介质
CN108960012B (zh) 特征点检测方法、装置及电子设备
CN108647587A (zh) 人数统计方法、装置、终端及存储介质
CN109785264A (zh) 图像增强方法、装置及电子设备
CN111368596B (zh) 人脸识别逆光补偿方法、装置、可读存储介质及设备
CN110188698B (zh) 一种指纹识别控制方法、装置及计算机可读存储介质
CN111476872B (zh) 一种图像绘制方法及图像绘制装置
US9754155B2 (en) Method and system for generating intrinsic images using a single reflectance technique
CN107729373B (zh) 运动轨迹显示方法和装置
CN111429487B (zh) 一种深度图像的黏连前景分割方法及装置
US11881002B2 (en) Systems and methods for dynamic decimation of point clouds and data points in a three-dimensional space

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: 20180928