CN108921820B - 一种基于颜色特征和聚类算法的显著性目标检测方法 - Google Patents

一种基于颜色特征和聚类算法的显著性目标检测方法 Download PDF

Info

Publication number
CN108921820B
CN108921820B CN201810540285.6A CN201810540285A CN108921820B CN 108921820 B CN108921820 B CN 108921820B CN 201810540285 A CN201810540285 A CN 201810540285A CN 108921820 B CN108921820 B CN 108921820B
Authority
CN
China
Prior art keywords
image
color
region
saliency
representing
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.)
Active
Application number
CN201810540285.6A
Other languages
English (en)
Other versions
CN108921820A (zh
Inventor
张艳邦
张芬
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.)
Xianyang Normal University
Original Assignee
Xianyang Normal 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 Xianyang Normal University filed Critical Xianyang Normal University
Priority to CN201810540285.6A priority Critical patent/CN108921820B/zh
Publication of CN108921820A publication Critical patent/CN108921820A/zh
Application granted granted Critical
Publication of CN108921820B publication Critical patent/CN108921820B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • 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
    • 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
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06T2207/10024—Color image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种特征聚类和颜色对比度的图像显著性目标检测方法，首先，同时考虑了Lab和对抗色两个颜色空间，同时考虑了每个像素点与多尺度邻域差值问题，这样既考虑图像的整体特征又考虑图像的局部特征。运用信息熵作为衡量显著图的检测效果，首先运用信息熵找到每个颜色通道中的最优三个邻域尺度，然后用信息熵找到最优三个颜色通道，并且运行信息熵组合每步得到的最优显著图。这样既考虑图像的整体特征又考虑图像的局部特征。接着运用信息熵分步组合得到的最优显著性分布图。

Description

一种基于颜色特征和聚类算法的显著性目标检测方法
技术领域
本发明属于数字图像处理领域，具体涉及一种基于特征聚类和颜色对比度的图像显著性目标检测方法。
背景技术
人的视觉系统具有非凡的选择性。当我们在观看一幅图像时，视觉系统会快速帮我们锁定图像中的关键区域，而忽视其他部分。在计算机图像信息处理中模拟和实现人类视觉系统的选择性注意机制，使计算机具有类似人类的选择性和主动性的图像信息处理能力，对图像检索、图像增强、视频压缩、视频监控等都有重要意义。
颜色对比度是吸引人注意的一个重要特征，而Lab颜色空间是与设备无关的颜色模型，是用数字化的方法来描述人的视觉感应，最接近人类的视觉，因此我们在Lab 颜色空间提出显著性目标检测方法。图像背景颜色一般具有分布分散的特点，颜色像素分布集中的通常表示一个目标。首先，我们采用特征聚类算法将图像颜色特征分为 6类，并用二维信息熵作为颜色特征分散程度的衡量指标，选择信息熵较大的图像特征作为背景特征。又由于图像边缘的四个角区域通常不包含目标，我们增加这四个角区域为背景，得到图像背景模型。然后，通过计算图像前景区域与背景区域的的对比度得到显著性特征。最后，应用特征融合和图像增强技术得到凸显显著性目标的特征图。
发明内容
要解决的技术问题
为了避免现有技术的不足之处，本发明提出一种基于特征聚类和颜色对比度的图像显著性目标检测方法，可以有效的抑制图像背景，快速检测出体现图像内容的显著性目标。
技术方案
一种基于特征聚类和颜色对比度的图像显著性目标检测方法，其特征在于步骤如下：
步骤1：将原始输入图像由RGB颜色空间转化为Lab颜色空间；
步骤2：采用SLIC算法对转化为Lab颜色空间的图像进行过分割得到超像素，原始图像过分割得200个超像素；
步骤3：应用Kmeans聚类算法将步骤2处理后的图像的颜色像素值聚为K类，本方法取K＝6；
步骤4：计算每个聚类的信息熵得：
Figure GDA0003255532060000021
其中：Cj(x,y)是i颜色通道第j个聚类，当点(x,y)属于第j个聚类时，Cj(x,y)＝1，当点(x,y)不属于第j个聚类时，Cj(x,y)＝0。g是一个高斯低通滤波器；
步骤5：将聚类的信息熵按照从大到小的顺序排列，选取信息熵前两位的2个聚类的颜色特征作为为背景特征，这两类特征对应的超像素组成的区域为背景区域；
步骤6：计算步骤2处理后图像中，每个超像素中心位置与所在图像四个顶点的距离，当到任一个顶点的距离小于
Figure GDA0003255532060000022
时，该超像素增加为背景区域，其中： w,h分别是图像宽和高，其余区域为前景区域；
步骤7：在Lab颜色空间中，计算每个颜色通道中前景区域与背景区域的对比度特征：
Figure GDA0003255532060000023
其中：Sk(i)表示前景区域中第i个超像素在k颜色通道中的显著性特征，Fk(i)表示在前景区域中第i个超像素在k颜色通道中的颜色特征，Bk(j)表示在背景区域中第j个超像素在k颜色通道中的颜色特征，
Figure GDA0003255532060000031
Pi,Pj分别是第i个和第j个超像素的中心位置，w,h分别是图像宽和高的中心位置，||·||2表示求2范数；
步骤8：将Sk(i)，k∈{L,a,b}归一化并线性组合，得到图像显著性特征：
Figure GDA0003255532060000032
其中：
Figure GDA0003255532060000033
为特征融合权系数；
步骤9：取阈值T＝mean2(S)，将显著性特征S二值化，分离图像前景区域为F；
步骤10：构造高斯滤波，
Figure GDA0003255532060000034
其中：x0和y0分别表示图像前景区域F中心位置的横坐标和纵坐标，
Figure GDA0003255532060000035
表示显著区域的半径；
步骤11：应用步骤10中的高斯滤波对步骤8得到的显著性特征增强，得到图像显著性目标特征图，显著性区域即为目标区域。
有益效果
本发明提出的一种特征聚类和颜色对比度的图像显著性目标检测方法，首先，同时考虑了Lab和对抗色两个颜色空间，同时考虑了每个像素点与多尺度邻域差值问题，这样既考虑图像的整体特征又考虑图像的局部特征。运用信息熵作为衡量显著图的检测效果，首先运用信息熵找到每个颜色通道中的最优三个邻域尺度，然后用信息熵找到最优三个颜色通道，并且运行信息熵组合每步得到的最优显著图。这样既考虑图像的整体特征又考虑图像的局部特征。接着运用信息熵分步组合得到的最优显著性分布图。
附图说明
图1：本发明方法的基本流程图
具体实施方式
现结合实施例、附图对本发明作进一步描述：
用于实施的硬件环境是：Inter Core i5-6500计算机、8GB内存、2GB显卡，运行的软件环境是：Matlab2014a和Windows 7。我们用Matlab软件实现了本发明提出的方法。
本发明具体实施如下：
1：将输入图像转化为Lab颜色空间，得到L,a,b颜色通道；
2：采用SLIC算法对转化为Lab颜色空间的图像进行过分割得到超像素，原始图像过分割得200个超像素；
3：应用Kmeans聚类算法将颜色特征分为6类；
4：计算每个聚类特征的信息熵得：
Figure GDA0003255532060000041
其中：Cj(x,y)是i颜色通道第j个聚类特征，当点(x,y)属于第j个聚类特征时， Cj(x,y)＝1，当点(x,y)不属于第j个聚类特征时，Cj(x,y)＝0。g是一个高斯低通滤波器；
5：将聚类的信息熵按照从大到小的顺序排列，选取信息熵前两位的2个聚类的颜色特征作为为背景特征，这两类特征对应的超像素组成的区域为背景区域；
6：计算步骤2处理后图像中，每个超像素中心位置与所在图像四个顶点的距离，当到任一个顶点的距离小于
Figure GDA0003255532060000042
时，该超像素增加为背景区域，其中：w,h分别是图像宽和高，其余区域为前景区域；
7：在Lab颜色空间中，计算每个颜色通道中前景区域与背景区域的对比度特征：
Figure GDA0003255532060000051
其中：Sk(i)表示前景区域中第i个超像素在k颜色通道中的显著性特征，Fk(i)表示在前景区域中第i个超像素在k颜色通道中的颜色特征，Bk(j)表示在背景区域中第j个超像素在k颜色通道中的颜色特征，
Figure GDA0003255532060000052
Pi,Pj分别是第i个和第j个超像素的中心位置，w,h分别是图像宽和高，||·||2表示求2范数；
8：将SL(i)，Sa(i)和Sb(i)归一化并组合，得到图像显著性特征：
Figure GDA0003255532060000053
其中：
Figure GDA0003255532060000054
为特征融合权系数；
9：取阈值T＝mean2(S)，将特征图S二值化，分离图像前景区域为F；
10：计算图像前景区域F平均中心位置坐标(x0,y0)，计算图像前景区域F的半径
Figure GDA0003255532060000055
11：应用高斯滤波
Figure GDA0003255532060000056
对特征图S增强，得到最终显著图。

Claims (1)

1.一种基于特征聚类和颜色对比度的图像显著性目标检测方法，其特征在于步骤如下：
步骤1：将原始输入图像由RGB颜色空间转化为Lab颜色空间；
步骤2：采用SLIC算法对转化为Lab颜色空间的图像进行过分割得到超像素，原始图像过分割得200个超像素；
步骤3：应用Kmeans聚类算法将步骤2处理后的图像的颜色像素值聚为K类，本方法取K＝6；
步骤4：计算每个聚类的信息熵得：
Figure FDA0003274920390000011
其中：Cd(x,y)是k颜色通道第d个聚类，当点(x,y)属于第d个聚类时，Cd(x,y)＝1，当点(x,y)不属于第d个聚类时，Cd(x,y)＝0；g是一个高斯低通滤波器；
步骤5：将聚类的信息熵按照从大到小的顺序排列，选取信息熵前两位的2个聚类的颜色特征作为背景特征，这两类特征对应的超像素组成的区域为背景区域；
步骤6：计算步骤2处理后图像中，每个超像素中心位置与所在图像四个顶点的距离，当到任一个顶点的距离小于
Figure FDA0003274920390000012
时，该超像素增加为背景区域，其中：w,h分别是图像宽和高，其余区域为前景区域；
步骤7：在Lab颜色空间中，计算每个颜色通道中前景区域与背景区域的对比度特征：
Figure FDA0003274920390000013
其中：Sk(i)表示前景区域中第i个超像素在k颜色通道中的显著性特征，Fk(i)表示在前景区域中第i个超像素在k颜色通道中的颜色特征，Bk(j)表示在背景区域中第j个超像素在k颜色通道中的颜色特征，
Figure FDA0003274920390000014
Pi,Pj分别是第i个和第j个超像素的中心位置，w,h分别是图像宽和高，||·||2表示求2范数；
步骤8：将Sk(i)，k∈{L,a,b}归一化并线性组合，得到图像显著性特征：
Figure FDA0003274920390000021
其中：
Figure FDA0003274920390000022
为特征融合权系数；
步骤9：取阈值T＝mean2(S)，将显著性特征S二值化，分离图像前景区域为F；
步骤10：构造高斯滤波，
Figure FDA0003274920390000023
其中：x0和y0分别表示图像前景区域F中心位置的横坐标和纵坐标，
Figure FDA0003274920390000024
表示显著区域的半径；
步骤11：应用步骤10中的高斯滤波对步骤8得到的显著性特征增强，得到图像显著性目标特征图，显著性区域即为目标区域。
CN201810540285.6A 2018-05-30 2018-05-30 一种基于颜色特征和聚类算法的显著性目标检测方法 Active CN108921820B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810540285.6A CN108921820B (zh) 2018-05-30 2018-05-30 一种基于颜色特征和聚类算法的显著性目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810540285.6A CN108921820B (zh) 2018-05-30 2018-05-30 一种基于颜色特征和聚类算法的显著性目标检测方法

Publications (2)

Publication Number Publication Date
CN108921820A CN108921820A (zh) 2018-11-30
CN108921820B true CN108921820B (zh) 2021-10-29

Family

ID=64417912

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810540285.6A Active CN108921820B (zh) 2018-05-30 2018-05-30 一种基于颜色特征和聚类算法的显著性目标检测方法

Country Status (1)

Country Link
CN (1) CN108921820B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110765948A (zh) * 2019-10-24 2020-02-07 长沙品先信息技术有限公司 一种基于无人机的目标检测识别方法及系统
CN111583279A (zh) * 2020-05-12 2020-08-25 重庆理工大学 一种基于pcba的超像素图像分割方法
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
CN111784715B (zh) * 2020-08-13 2022-01-04 重庆七腾科技有限公司 一种图像分离方法及其系统
CN113158715A (zh) * 2020-11-05 2021-07-23 西安天伟电子系统工程有限公司 一种船只检测方法及装置
CN113239944B (zh) * 2021-06-08 2023-07-14 矿冶科技集团有限公司 一种图像特征提取方法、装置、电子设备及介质
CN113469976A (zh) * 2021-07-06 2021-10-01 浙江大华技术股份有限公司 一种对象检测的方法、装置及电子设备
CN115115893B (zh) * 2022-07-26 2023-01-31 金乡县富通金属回收有限公司 用于废金属回收的智能分选方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102867301A (zh) * 2012-08-29 2013-01-09 西北工业大学 一种根据信息熵得到图像显著性特征的方法
CN103106672A (zh) * 2013-01-25 2013-05-15 西北工业大学 一种基于颜色特征的图像感兴趣区域检测方法
CN104966285A (zh) * 2015-06-03 2015-10-07 北京工业大学 一种显著性区域的检测方法
CN105354599A (zh) * 2015-11-25 2016-02-24 安徽创世科技有限公司 一种基于改进的slic超像素分割算法的颜色识别方法
CN106056155A (zh) * 2016-05-30 2016-10-26 西安电子科技大学 基于边界信息融合的超像素分割方法
CN107886507A (zh) * 2017-11-14 2018-04-06 长春工业大学 一种基于图像背景和空间位置的显著区域检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9025880B2 (en) * 2012-08-29 2015-05-05 Disney Enterprises, Inc. Visual saliency estimation for images and video

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102867301A (zh) * 2012-08-29 2013-01-09 西北工业大学 一种根据信息熵得到图像显著性特征的方法
CN103106672A (zh) * 2013-01-25 2013-05-15 西北工业大学 一种基于颜色特征的图像感兴趣区域检测方法
CN104966285A (zh) * 2015-06-03 2015-10-07 北京工业大学 一种显著性区域的检测方法
CN105354599A (zh) * 2015-11-25 2016-02-24 安徽创世科技有限公司 一种基于改进的slic超像素分割算法的颜色识别方法
CN106056155A (zh) * 2016-05-30 2016-10-26 西安电子科技大学 基于边界信息融合的超像素分割方法
CN107886507A (zh) * 2017-11-14 2018-04-06 长春工业大学 一种基于图像背景和空间位置的显著区域检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Saliency detection by selective color features;Yanbang Zhang等;《Neurocomputing》;20160826;全文 *
引入显著特征空间的抗遮挡红外目标跟踪;马天义等;《红外与激光工程》;20170331;全文 *

Also Published As

Publication number Publication date
CN108921820A (zh) 2018-11-30

Similar Documents

Publication Publication Date Title
CN108921820B (zh) 一种基于颜色特征和聚类算法的显著性目标检测方法
US8498444B2 (en) Blob representation in video processing
CN110866896B (zh) 基于k-means与水平集超像素分割的图像显著性目标检测方法
CN108537239B (zh) 一种图像显著性目标检测的方法
WO2018082185A1 (zh) 图像处理方法和装置
CN105184779B (zh) 一种基于快速特征金字塔的车辆多尺度跟踪方法
US6289110B1 (en) Object extracting method using motion picture
CN109086777B (zh) 一种基于全局像素特征的显著图精细化方法
US10970824B2 (en) Method and apparatus for removing turbid objects in an image
CN106296681B (zh) 基于双通道低秩分解的协同学习显著性检测方法
US9401027B2 (en) Method and apparatus for scene segmentation from focal stack images
EP3073443B1 (en) 3d saliency map
CN102800094A (zh) 一种快速彩色图像分割方法
US20060204082A1 (en) Fusion of color space data to extract dominant color
JP2014041476A (ja) 画像処理装置、画像処理方法及びプログラム
AU2015324988A1 (en) Method and system for unsupervised image segmentation using a trained quality metric
CN102637298A (zh) 基于高斯混合模型与支持向量机的彩色图像分割方法
CN107085848A (zh) 一种rgb‑d图显著性的检测方法
Ganesan et al. YIQ color space based satellite image segmentation using modified FCM clustering and histogram equalization
CN108345835B (zh) 一种基于仿复眼感知的目标识别方法
CN107392211B (zh) 基于视觉稀疏认知的显著目标检测方法
Chen et al. Improve transmission by designing filters for image dehazing
JP5914046B2 (ja) 画像処理装置および画像処理方法
CN104268845A (zh) 极值温差短波红外图像的自适应双局部增强方法
Liu et al. An image mosaic block detection method based on fuzzy c-means clustering

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