CN109461130A - 图像处理方法、装置及计算机可读存储介质 - Google Patents

图像处理方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN109461130A
CN109461130A CN201811254503.6A CN201811254503A CN109461130A CN 109461130 A CN109461130 A CN 109461130A CN 201811254503 A CN201811254503 A CN 201811254503A CN 109461130 A CN109461130 A CN 109461130A
Authority
CN
China
Prior art keywords
pixel
significance value
image
processed
subregion
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
CN201811254503.6A
Other languages
English (en)
Inventor
马瑞翔
陈洪波
全晓荣
付谨学
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.)
Shenzhen Skyworth RGB Electronics Co Ltd
Original Assignee
Shenzhen Skyworth RGB Electronics Co Ltd
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 Shenzhen Skyworth RGB Electronics Co Ltd filed Critical Shenzhen Skyworth RGB Electronics Co Ltd
Priority to CN201811254503.6A priority Critical patent/CN109461130A/zh
Publication of CN109461130A publication Critical patent/CN109461130A/zh
Priority to PCT/CN2019/079510 priority patent/WO2020082686A1/zh
Priority to US16/976,687 priority patent/US20210049786A1/en
Priority to EP19875761.9A priority patent/EP3751510A4/en
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • 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
    • G06T2207/10024—Color 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
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Color Image Communication Systems (AREA)
  • Facsimile Image Signal Circuits (AREA)

Abstract

本发明公开了一种图像处理方法，包括以下步骤：基于待处理图像的颜色数据，使用HC算法计算所述待处理图像中每一个像素点对应的第一显著性值；基于RC算法计算所述待处理图像中每一个像素点对应的第二显著性值；基于所述第一显著性值以及所述第二显著性值，计算所述待处理图像中每一个像素点对应的目标显著性值；基于所述目标显著性值确定所述待处理图像对应的显著图。本发明还公开了一种图像处理装置及计算机可读存储介质。本发明使得该显著图能够同时突出显著待处理图像的内部及其边缘，使其更符合人类的视觉注意机制。

Description

图像处理方法、装置及计算机可读存储介质
技术领域
本发明涉及图像处理领域，尤其涉及一种图像处理方法、装置及计算机 可读存储介质。
背景技术
图像显著性源于人类视觉的独特性、不可预测性、稀缺性及奇异性，并 且是由颜色、梯度、边缘等图像特征所致。实验证明、大脑更容易响应图像 中的高对比度区域的刺激。如何有效从图像中抓取有效特征，成为一个难点。 现有的图像显著区域检测方法主要有两种：基于局部对比的显著性计算方法 和基于全局对比的显著性计算方法。
基于HC算法处理的图像能够较好地突出显著目标内部，但是一些目标边 缘不易于做出来；基于RC算法处理的图像能够较好地突出显著目标的边缘， 但是目标内部不够均匀。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是 现有技术。
发明内容
本发明的主要目的在于提供一种图像处理方法、装置及计算机可读存储 介质，旨在解决现有图像增强算法无法同时突出显著目标的内部及其边缘的 技术问题。
为实现上述目的，本发明提供一种图像处理方法，所述增强图像显著性 的方法包括以下步骤:
基于待处理图像的颜色数据，使用HC算法计算所述待处理图像中每一个 像素点对应的第一显著性值；
基于RC算法计算所述待处理图像中每一个像素点对应的第二显著性值；
基于所述第一显著性值以及所述第二显著性值，计算所述待处理图像中 每一个像素点对应的目标显著性值；
基于所述目标显著性值确定所述待处理图像对应的显著图。
优选地,所述在所述基于待处理图像的颜色数据，使用HC算法计算所述 待处理图像中每一个像素点对应的第一显著性值的步骤包括：
依次遍历所述待处理图像的像素点，基于Lab色彩模型，获取当前遍历 的第一像素点与其他像素点之间的第一颜色距离；
基于所述第一颜色距离确定所述第一像素点对应的第一显著性值。
优选地，所述依次遍历所述待处理图像的像素点，基于Lab色彩模型， 获取当前遍历的第一像素点与其他像素点之间的第一颜色距离，并基于所述 第一颜色距离确定所述第一像素点对应的第一显著性值的步骤包括：
确定所述待处理图像中是否存在颜色相同的第二像素点；
在所述待处理图像中不存在颜色相同的第二像素点时，依次遍历所述待 处理图像的像素点，基于Lab色彩模型，获取当前遍历的第一像素点与其他 像素点之间的第一颜色距离。
优选地，所述在所述确定所述待处理图像中是否存在颜色相同的第二像 素点的步骤之后，还包括：
在所述待处理图像中存在颜色相同的第二像素点时，基于Lab色彩模型， 获取所述第二像素点中的目标像素点与第三像素点之间的第二颜色距离，其 中，所述第三像素点为所述待处理图像中除所述第二像素点之外的其他像素 点；
基于所述第二颜色距离确定所述目标像素点的显著性值，并将所述目标 像素点的显著性值作为所述第二像素点的显著性值；
依次遍历所述第三像素点，基于Lab色彩模型，获取当前遍历的像素点 与第四像素点之间的第三颜色距离、当前遍历的像素点与所述目标像素点之 间的第四颜色距离以及所述第二像素点的像素点个数，其中，所述第四像素 点为所述第三像素点中除当前遍历的像素点之外的其他像素点；
基于所述第三颜色距离、所述第四颜色距离以及所述像素点个数确定所 述第三像素点的显著性值；
基于所述第二像素点的显著性值以及所述第三像素点的显著性值，确定 所述第一显著性值。
优选地，所述在所述基于RC算法计算所述待处理图像中每一个像素点对 应的第二显著性值的步骤包括：
利用SLIC算法对所述待处理图像进行分割处理，获得多个子区域，其 中，每个所述子区域包括一个像素点；
基于RC算法计算所述子区域对应的显著性值，基于所述子区域对应的显 著性值确定所述第二显著性值。
优选地，所述在所述基于RC算法计算所述子区域对应的显著性值，基于 所述子区域对应的显著性值确定所述第二显著性值的步骤包括：
依次遍历各个所述子区域，获取当前遍历的第一子区域与第二子区域之 间的空间距离，其中，所述第二子区域为各个所述子区域中除所述第一子区 域之外的其他子区域；
基于获取到的所述空间距离确定所述第一子区域对应的显著性值，基于 所述第一子区域对应的显著性值确定所述第二显著性值。
优选地，在所述基于获取到的所述空间距离确定所述第一子区域对应的 显著性值的步骤包括：
获取所述第一子区域对应的空间权值；
基于所述空间距离以及所述空间权值确定所述第一子区域对应的显著性 值。
优选地，在所述基于所述第一显著性值以及所述第二显著性值，计算所 述待处理图像中每一个像素点对应的目标显著性值的步骤包括：
获取所述第一显著性值对应的第一权值，以及所述第二显著性值对应的 第二权值；
基于所述第一显著性值、第一权值、所述第二显著性值以及第二权值， 计算所述目标显著性值；
其中，所述第一权值与所述第二权值之和为1，所述第一权值的范围为 0.35～0.45。
此外，为实现上述目的，本发明还提供一种图像处理装置，所述图像处 理装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运 行的图像处理程序，所述图像处理程序被所述处理器执行时实现前述的图像 处理方法的步骤。
此外，为实现上述目的，本发明还提供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图像处理程序，所述图像处理程序被所述处理 器执行时实现前述的图像处理方法的步骤。
本发明通过基于待处理图像的颜色数据，使用HC算法计算所述待处理图 像中每一个像素点对应的第一显著性值，再基于RC算法计算所述待处理图像 中每一个像素点对应的第二显著性值，然后基于所述第一显著性值以及所述 第二显著性值，计算所述待处理图像中每一个像素点对应的目标显著性值， 最后基于所述目标显著性值确定所述待处理图像对应的显著图，使得该显著 图能够同时突出显著待处理图像的内部及其边缘，使其更符合人类的视觉注 意机制。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的图像处理装置的结构示 意图；
图2为本发明图像处理方法第一实施例的流程示意图；
图3为本发明图像处理方法第二实施例中基于待处理图像的颜色数据，使 用HC算法计算所述待处理图像中每一个像素点对应的第一显著性值的步骤的 细化流程示意图；
图4为本发明图像处理方法第三实施例中依次遍历所述待处理图像的像 素点，基于Lab色彩模型，获取当前遍历的第一像素点与其他像素点之间的第 一颜色距离的步骤的细化流程示意图；
图5为本发明图像处理方法第四实施例中依次遍历所述待处理图像的像 素点，基于Lab色彩模型，获取当前遍历的第一像素点与其他像素点之间的第 一颜色距离的步骤的细化流程示意图；
图6为本发明图像处理方法第五实施例中基于RC算法计算所述待处理图 像中每一个像素点对应的第二显著性值的步骤的细化流程示意图；
图7为本发明图像处理方法第六实施例中基于RC算法计算所述子区域对 应的显著性值，基于所述子区域对应的显著性值确定所述第二显著性值的步 骤的细化流程示意图；
图8为本发明图像处理方法第七实施例中于获取到的所述空间距离确定 所述第一子区域对应的显著性值的步骤的细化流程示意图；
图9为本发明图像处理方法第八实施例中于基于所述第一显著性值以及 所述第二显著性值，计算所述待处理图像中每一个像素点对应的目标显著性 值的步骤的细化流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步 说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限 定本发明。
本发明实施例的主要解决方案是：
基于待处理图像的颜色数据，使用HC算法计算所述待处理图像中每一个 像素点对应的第一显著性值；基于RC算法计算所述待处理图像中每一个像素 点对应的第二显著性值；基于所述第一显著性值以及所述第二显著性值，计 算所述待处理图像中每一个像素点对应的目标显著性值；基于所述目标显著 性值确定所述待处理图像对应的显著图。
由于现有图像增强算法无法同时突出显著目标的内部及其边缘。
本发明提供一种解决方案，通过将两种算法结合起来，实现了得到的显 著图既能够较好地突出显著目标的内部，又能较好地突出其边缘，更符合人 类的视觉注意机制。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的图像处理 装置的结构示意图。
本发明实施例图像处理装置可以是PC，也可以是智能手机、平板电脑、 电子书阅读器、MP3(Moving Picture Experts Group Audio Layer III，动态影像 专家压缩标准音频层面3)播放器、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、便携计算机等具有显 示功能的可移动式终端设备。
如图1所示，该图像处理装置可以包括：处理器1001，例如CPU，网络接 口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002 用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、 输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接 口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如 WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器 (non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立 于前述处理器1001的存储装置。
可选地，图像处理装置还可以包括摄像头、RF(Radio Frequency，射频) 电路，传感器、音频电路、WiFi模块等等。其中，传感器比如光传感器、运 动传感器以及其他传感器。当然，图像处理装置还可配置陀螺仪、气压计、 湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
本领域技术人员可以理解，图1中示出的图像处理装置结构并不构成对图 像处理装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件， 或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系 统、网络通信模块、用户接口模块以及网络操作控制应用程序。
在图1所示的图像处理装置中，网络接口1004主要用于连接后台服务器， 与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)， 与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的 图像处理程序，并执行以下操作：
基于待处理图像的颜色数据，使用HC算法计算所述待处理图像中每一个 像素点对应的第一显著性值；
基于RC算法计算所述待处理图像中每一个像素点对应的第二显著性值；
基于所述第一显著性值以及所述第二显著性值，计算所述待处理图像中 每一个像素点对应的目标显著性值；
基于所述目标显著性值确定所述待处理图像对应的显著图。
进一步地，处理器1001可以调用存储器1005中存储的图像处理程序， 还执行以下操作：
依次遍历所述待处理图像的像素点，基于Lab色彩模型，获取当前遍历 的第一像素点与其他像素点之间的第一颜色距离；
基于所述第一颜色距离确定所述第一像素点对应的第一显著性值。
进一步地，处理器1001可以调用存储器1005中存储的图像处理程序， 还执行以下操作：
确定所述待处理图像中是否存在颜色相同的第二像素点；
在所述待处理图像中不存在颜色相同的第二像素点时，依次遍历所述待 处理图像的像素点，基于Lab色彩模型，获取当前遍历的第一像素点与其他 像素点之间的第一颜色距离。
进一步地，处理器1001可以调用存储器1005中存储的图像处理程序， 还执行以下操作：
在所述待处理图像中存在颜色相同的第二像素点时，基于Lab色彩模型， 获取所述第二像素点中的目标像素点与第三像素点之间的第二颜色距离，其 中，所述第三像素点为所述待处理图像中除所述第二像素点之外的其他像素 点；
基于所述第二颜色距离确定所述目标像素点的显著性值，并将所述目标 像素点的显著性值作为所述第二像素点的显著性值；
依次遍历所述第三像素点，基于Lab色彩模型，获取当前遍历的像素点 与第四像素点之间的第三颜色距离、当前遍历的像素点与所述目标像素点之 间的第四颜色距离以及所述第二像素点的像素点个数，其中，所述第四像素 点为所述第三像素点中除当前遍历的像素点之外的其他像素点；
基于所述第三颜色距离、所述第四颜色距离以及所述像素点个数确定所 述第三像素点的显著性值；
基于所述第二像素点的显著性值以及所述第三像素点的显著性值，确定 所述第一显著性值。
进一步地，处理器1001可以调用存储器1005中存储的图像处理程序， 还执行以下操作：
利用SLIC算法对所述待处理图像进行分割处理，获得多个子区域，其 中，每个所述子区域包括一个像素点；
基于RC算法计算所述子区域对应的显著性值，基于所述子区域对应的显 著性值确定所述第二显著性值。
进一步地，处理器1001可以调用存储器1005中存储的图像处理程序， 还执行以下操作：
依次遍历各个所述子区域，获取当前遍历的第一子区域与第二子区域之 间的空间距离，其中，所述第二子区域为各个所述子区域中除所述第一子区 域之外的其他子区域；
基于获取到的所述空间距离确定所述第一子区域对应的显著性值，基于 所述第一子区域对应的显著性值确定所述第二显著性值。
进一步地，处理器1001可以调用存储器1005中存储的图像处理程序， 还执行以下操作：
获取所述第一子区域对应的空间权值；
基于所述空间距离以及所述空间权值确定所述第一子区域对应的显著性 值。
进一步地，处理器1001可以调用存储器1005中存储的图像处理程序， 还执行以下操作：
获取所述第一显著性值对应的第一权值，以及所述第二显著性值对应的 第二权值；
基于所述第一显著性值、第一权值、所述第二显著性值以及第二权值， 计算所述目标显著性值；
其中，所述第一权值与所述第二权值之和为1，所述第一权值的范围为 0.35～0.45。
参照图2，本发明还提供一种图像处理方法，所述图像处理方法包括以下 步骤：
步骤S100，基于待处理图像的颜色数据，使用HC算法计算所述待处理 图像中每一个像素点对应的第一显著性值；
在本实施例中，待处理图像的颜色数据包括待处理图像在基于Lab色彩 模型中各个像素点的Lab数据，基于该Lab数据确定L*a*b空间中该待处理 图像的各个像素点之间的颜色距离，基于该颜色距离，采用HC算法计算待处 理图像中每一个像素点对应的第一显著性值。
具体地，通过以下公式计算像素点的显著性值：
其中，Ik代表需要计算的像素点，S(Ik)为该Ik像素点的第一显著性值， Ii代表其他像素点，D(Ik,Ii)是空间L*a*b中的像素Ik和Ii之间的颜色距离。
步骤S200，基于RC算法计算所述待处理图像中每一个像素点对应的第 二显著性值；
在本实施例中，首先使用SLIC算法把待处理图像分割为数个子区域，每 个子区域包括一个像素点，基于RC算法，确定各个子区域之间的空间距离， 并根据该空间距离计算各个子区域对应的第二显著性值。
例如，对于一个区域rk，其第二显著性值的计算公式如下：
其中，w(ri)是区域ri的权值即区域ri的像素数，Dr(rk,ri)为区域rk与区域ri之 间的空间距离。
步骤S300，基于所述第一显著性值以及所述第二显著性值，计算所述待 处理图像中每一个像素点对应的目标显著性值；
在本实施例中，通过HC算法得到的第一显著性值为S(Ik)，通过RC算法 得到第二显著性值为S(rk)，在获取到S(Ik)以及S(rk)时，基于S(Ik)以及S(rk)计 算待处理图像中每一个像素点对应的目标显著性值。
例如，为第一显著性值和第二显著性值分配和为1的权值，相加得到目标 显著性值S，计算公式如下：
S＝βS(Ik)+(1-β)S(rk)
β为比例控制因子，β的范围为0.35～0.45。
进一步的，在本实施例中，为两显著性值分配和为1的权值，相加得到 最终显著值。此公式基于上述算法提出，所保护范围并不仅限于此公式，凡 是基于上述算法提出的计算方式均在保护范围之内。
S400，基于所述目标显著性值确定所述待处理图像对应的显著图。
在本实施例中，在获取到目标显著性值，基于该目标显著性值确定该待 处理图像对应的显著图。
由于基于HC算法的显著性图效果较好，分辨率高，没有过多损失细节， 当显著目标和背景的颜色差异较大时，该算法就可以较好的检测到显著目标； 而基于RC算法的得到图片显著性图由于考虑到空间关系，能够将目标清晰地 凸显出来，将背景进行暗淡处理。因此，本实施例的显著图既能够较好地突 出显著待处理图像的内部，又能较好地突出其边缘，达到同时突出显著待处 理图像的内部及其边缘的效果。
本实施例提出的图像处理方法，通过基于待处理图像的颜色数据，使用 HC算法计算所述待处理图像中每一个像素点对应的第一显著性值，再基于 RC算法计算所述待处理图像中每一个像素点对应的第二显著性值，然后基于 所述第一显著性值以及所述第二显著性值，计算所述待处理图像中每一个像 素点对应的目标显著性值，最后基于所述目标显著性值确定所述待处理图像 对应的显著图，使得该显著图能够同时突出显著待处理图像的内部及其边缘， 使其更符合人类的视觉注意机制。
基于第一实施例，提出本发明图像处理方法的第二实施例，参照图3，在 本实施例中，步骤S100包括：
S110，依次遍历所述待处理图像的像素点，基于Lab色彩模型，获取当 前遍历的第一像素点与其他像素点之间的第一颜色距离；
S120，基于所述第一颜色距离确定所述第一像素点对应的第一显著性值。
在本实施例中，依次遍历待处理图像中的各个像素点，并将当前遍历的 像素点设置为第一像素点，基于Lab色彩模型，获取第一像素点与其他像素 点之间的第一颜色距离，并基于获取到的第一颜色距离确定第一像素点对应 的第一显著性值，直至该待处理图像中的所有像素点遍历完成。
具体地，该第一颜色距离之和为该第一像素点的显著性值，通过以下公 式计算像素点的显著性值：
其中，Ik代表需要计算的像素点，S(Ik)为该Ik像素点的第一显著性值， Ii代表其他像素点，D(Ik,Ii)是空间L*a*b中的像素Ik和Ii之间的颜色距离。
本实施例提出的图像处理方法，通过依次遍历所述待处理图像的像素点， 基于Lab色彩模型，获取当前遍历的第一像素点与其他像素点之间的第一颜 色距离，接着基于所述第一颜色距离确定所述第一像素点对应的第一显著性 值，能够根据第一颜色距离准确确定第一显著性值，进而提高目标显著性值 的准确性，使得后续得到的显著图能够同时突出显著待处理图像的内部及其 边缘。
基于第二实施例，提出本发明图像处理方法的第三实施例，参照图4，在 本实施例中，步骤S110包括：
S111，确定所述待处理图像中是否存在颜色相同的第二像素点；
S112，在所述待处理图像中不存在颜色相同的第二像素点时，依次遍历 所述待处理图像的像素点，基于Lab色彩模型，获取当前遍历的第一像素点 与其他像素点之间的第一颜色距离。
在本实施例中，首先确定待处理图像中是否存在颜色相同的第二像素点， 例如，基于待处理图像在基于Lab色彩模型中各个像素点的Lab数据计算各 个像素点的RGB数据，根据该待处理图像中各个像素点的RGB数据，确定 是否存在颜色相同的第二像素点，若不存在，则执行步骤S110。
本实施例提出的图像处理方法，通过确定所述待处理图像中是否存在颜 色相同的第二像素点；接着在所述待处理图像中不存在颜色相同的第二像素 点时，依次遍历所述待处理图像的像素点，基于Lab色彩模型，获取当前遍 历的第一像素点与其他像素点之间的第一颜色距离，进而在待处理图像中不 存在颜色相同的像素点时，根据第一颜色距离准确确定第一显著性值。
基于第三实施例，提出本发明图像处理方法的第四实施例，参照图5，在 本实施例中，在步骤S111之后，还包括：
S113，在所述待处理图像中存在颜色相同的第二像素点时，基于Lab色 彩模型，获取所述第二像素点中的目标像素点与第三像素点之间的第二颜色 距离，其中，所述第三像素点为所述待处理图像中除所述第二像素点之外的 其他像素点；
S114，基于所述第二颜色距离确定所述目标像素点的显著性值，并将所 述目标像素点的显著性值作为所述第二像素点的显著性值；
S115，依次遍历所述第三像素点，基于Lab色彩模型，获取当前遍历的 像素点与第四像素点之间的第三颜色距离、当前遍历的像素点与所述目标像 素点之间的第四颜色距离以及所述第二像素点的像素点个数，其中，所述第 四像素点为所述第三像素点中除当前遍历的像素点之外的其他像素点；
S116，基于所述第三颜色距离、所述第四颜色距离以及所述像素点个数 确定所述第三像素点的显著性值；
S117，基于所述第二像素点的显著性值以及所述第三像素点的显著性值， 确定所述第一显著性值。
在本实施例中，若待处理图像中存在颜色相同的第二像素点，则将第二 像素点中的任一像素点作为目标像素点，并基于Lab色彩模型，获取目标像 素点与第三像素点之间的第二颜色距离，基于所述第二颜色距离确定所述目 标像素点的显著性值。由于Lab色彩模型中，颜色相同的像素点位置重叠， 因此，该目标像素点的显著性值即为第二像素点的显著性值。
其中，第三像素点的显著性值的计算公式如下：
其中，cl是像素点Ik中的颜色值，n是不同颜色像素点的数量，fj是图像 I中颜色相同的像素点cj的个数。
本实施例提出的图像处理方法，通过在所述待处理图像中存在颜色相同 的第二像素点时，基于Lab色彩模型，获取所述第二像素点中的目标像素点 与第三像素点之间的第二颜色距离，接着基于所述第二颜色距离确定所述目 标像素点的显著性值，并将所述目标像素点的显著性值作为所述第二像素点 的显著性值，而后依次遍历所述第三像素点，基于Lab色彩模型，获取当前 遍历的像素点与第四像素点之间的第三颜色距离、当前遍历的像素点与所述 目标像素点之间的第四颜色距离以及所述第二像素点的像素点个数，然后基 于所述第三颜色距离、所述第四颜色距离以及所述像素点个数确定所述第三 像素点的显著性值，最后基于所述第二像素点的显著性值以及所述第三像素 点的显著性值，确定所述第一显著性值，进而能够在待处理图像中存在颜色 相同的像素点时，简化第一显著性值的计算过程，提高第一显著性值的计算 效率。
基于第一实施例，提出本发明图像处理方法的第五实施例，参照图6，在 本实施例中，步骤S200包括：
S210，利用SLIC算法对所述待处理图像进行分割处理，获得多个子区 域，其中，每个所述子区域包括一个像素点；
S220，基于RC算法计算所述子区域对应的显著性值，基于所述子区域对 应的显著性值确定所述第二显著性值。
在本实施例中，首先使用SLIC算法对图像进行分割处理，获得多个子区 域，每个子区域仅包含一个像素点。
对于一个区域rk，其第二显著性值的计算公式如下：
其中，w(ri)是区域ri的权值即区域ri的像素数，Dr(rk,ri)为区域rk与区域ri之 间的空间距离。
本实施例提出的图像处理方法，通过利用SLIC算法对所述待处理图像 进行分割处理，获得多个子区域，接着基于RC算法计算所述子区域对应的显 著性值，基于所述子区域对应的显著性值确定所述第二显著性值，能够根据 子区域准确确定第二显著性值，进而提高第二显著性值的准确性及效率。
基于第五实施例，提出本发明图像处理方法的第六实施例，参照图7，在 本实施例中，步骤S220包括：
S221，依次遍历各个所述子区域，获取当前遍历的第一子区域与第二子 区域之间的空间距离，其中，所述第二子区域为各个所述子区域中除所述第 一子区域之外的其他子区域；
S222，基于获取到的所述空间距离确定所述第一子区域对应的显著性值， 基于所述第一子区域对应的显著性值确定所述第二显著性值。
在本实施例中，依次遍历待处理图像中的各个子区域，并将当前遍历的 子区域设置为第一子区域，获取第一子区域与其他子区域之间的空间距离， 并基于获取到的空间距离确定第一子区域对应的显著性值，直至该待处理图 像中的所有子区域遍历完成。
具体地，该第一空间距离之和为该第一子区域的显著性值，通过以下公 式计算子区域的显著性值：
其中，w(ri)是区域ri的权值即区域ri的像素数，Dr(rk,ri)为区域rk与区域ri之 间的空间距离。
本实施例提出的图像处理方法，通过依次遍历所述待处理图像的子区域， 获取当前遍历的第一子区域与其他子区域之间的空间距离，接着基于所述空 间距离确定所述第一子区域对应的显著性值，能够根据空间距离准确确定第 一子区域对应的显著性值，进而提高目标显著性值的准确性，使得后续得到 的显著图能够突出显著待处理图像的边缘。
基于第六实施例，提出本发明图像处理方法的第七实施例，参照图8，在 本实施例中，步骤S222包括：
S2221，获取所述第一子区域对应的空间权值；
S2222，基于所述空间距离以及所述空间权值确定所述第一子区域对应的 显著性值。
在本实施例中，通过获取第一子区域对应的空间权值，基于第一子区域 与其他子区域的空间距离来确定第一子区域对应的显著性值。
具体地，对于一个子区域rk，其显著性的计算公式如下：
其中，Dr(rk,ri)是子区域rk和其他子区域ri之间的空间距离，σs为子区域rk对应的空间权值，w(ri)为区域ri的像素数。
本实施例提出的图像处理方法，通过获取第一子区域对应的空间权值， 接着基于第一子区域与其他子区域的空间距离来确定第一子区域对应的显著 性值，基于所述子区域对应的空间权值来确定第一子区域对应的显著性值， 能够增加较近区域的影响并减少较远区域的影响，使得后续得到的显著图能 够突出显著待处理图像的边缘。
基于第一实施例，提出本发明图像处理方法的第八实施例，参照图9，在 本实施例中，步骤S300包括：
S310，获取所述第一显著性值对应的第一权值，以及所述第二显著性值 对应的第二权值；
S320，基于所述第一显著性值、第一权值、所述第二显著性值以及第二 权值，计算所述目标显著性值；
其中，所述第一权值与所述第二权值之和为1，所述第一权值的范围为 0.35～0.45。
在本实施例中，首先获取第一显著性值对应的第一权值和第二显著性值 对应的第二权值,再基于第一显著性值、第一权值、第二显著性值以及第二权 值来计算所述目标显著性值，其中第一权值与第二权值之和为1，第一权值范 围为0.35～0.45。
具体地，计算目标显著性值的公式如下：
S＝βS(Ik)+(1-β)S(rk)
其中，S为目标显著性值，β为第一权值，S(Ik)为第一显著性值，S(rk)为 第二显著性值，(1-β)为第二权值。
本实施例提出的图像处理方法，通过获取第一显著性值对应的第一权值 和第二显著性值对应的第二权值，接着基于第一显著性值、第一权值、第二 显著性值以及第二权值来计算目标显著性值。经过此方法的处理，使得最终 得到的显著图能够同时突出显著待处理图像的内部及其边缘。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存 储介质上存储有图像处理程序，所述图像处理程序被处理器执行时实现如下 操作：
基于待处理图像的颜色数据，使用HC算法计算所述待处理图像中每一个 像素点对应的第一显著性值；
基于RC算法计算所述待处理图像中每一个像素点对应的第二显著性值；
基于所述第一显著性值以及所述第二显著性值，计算所述待处理图像中 每一个像素点对应的目标显著性值；
基于所述目标显著性值确定所述待处理图像对应的显著图
进一步地，所述图像处理程序被处理器执行时还实现如下操作：
依次遍历所述待处理图像的像素点，基于Lab色彩模型，获取当前遍历 的第一像素点与其他像素点之间的第一颜色距离；
基于所述第一颜色距离确定所述第一像素点对应的第一显著性值。
进一步地，所述图像处理程序被处理器执行时还实现如下操作：
确定所述待处理图像中是否存在颜色相同的第二像素点；
在所述待处理图像中不存在颜色相同的第二像素点时，依次遍历所述待 处理图像的像素点，基于Lab色彩模型，获取当前遍历的第一像素点与其他 像素点之间的第一颜色距离。
进一步地，所述图像处理程序被处理器执行时还实现如下操作：
在所述待处理图像中存在颜色相同的第二像素点时，基于Lab色彩模型， 获取所述第二像素点中的目标像素点与第三像素点之间的第二颜色距离，其 中，所述第三像素点为所述待处理图像中除所述第二像素点之外的其他像素 点；
基于所述第二颜色距离确定所述目标像素点的显著性值，并将所述目标 像素点的显著性值作为所述第二像素点的显著性值；
依次遍历所述第三像素点，基于Lab色彩模型，获取当前遍历的像素点 与第四像素点之间的第三颜色距离、当前遍历的像素点与所述目标像素点之 间的第四颜色距离以及所述第二像素点的像素点个数，其中，所述第四像素 点为所述第三像素点中除当前遍历的像素点之外的其他像素点；
基于所述第三颜色距离、所述第四颜色距离以及所述像素点个数确定所 述第三像素点的显著性值；
基于所述第二像素点的显著性值以及所述第三像素点的显著性值，确定 所述第一显著性值。
进一步地，所述图像处理程序被处理器执行时还实现如下操作：
利用SLIC算法对所述待处理图像进行分割处理，获得多个子区域，其 中，每个所述子区域包括一个像素点；
基于RC算法计算所述子区域对应的显著性值，基于所述子区域对应的显 著性值确定所述第二显著性值。
进一步地，所述图像处理程序被处理器执行时还实现如下操作：
依次遍历各个所述子区域，获取当前遍历的第一子区域与第二子区域之 间的空间距离，其中，所述第二子区域为各个所述子区域中除所述第一子区 域之外的其他子区域；
基于获取到的所述空间距离确定所述第一子区域对应的显著性值，基于 所述第一子区域对应的显著性值确定所述第二显著性值。
进一步地，所述图像处理程序被处理器执行时还实现如下操作：
获取所述第一子区域对应的空间权值；
基于所述空间距离以及所述空间权值确定所述第一子区域对应的显著性 值。
进一步地，所述图像处理程序被处理器执行时还实现如下操作：
获取所述第一显著性值对应的第一权值，以及所述第二显著性值对应的 第二权值；
基于所述第一显著性值、第一权值、所述第二显著性值以及第二权值， 计算所述目标显著性值；
其中，所述第一权值与所述第二权值之和为1，所述第一权值的范围为 0.35～0.45。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在 涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系 统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括 为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下， 由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物 品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通 过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的 技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体 现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、 磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机， 服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是 利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间 接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种图像处理方法，其特征在于，所述图像处理方法包括以下步骤：
基于待处理图像的颜色数据，使用HC算法计算所述待处理图像中每一个像素点对应的第一显著性值；
基于RC算法计算所述待处理图像中每一个像素点对应的第二显著性值；
基于所述第一显著性值以及所述第二显著性值，计算所述待处理图像中每一个像素点对应的目标显著性值；
基于所述目标显著性值确定所述待处理图像对应的显著图。
2.如权利要求1所述的图像处理方法，所述基于待处理图像的颜色数据，使用HC算法计算所述待处理图像中每一个像素点对应的第一显著性值的步骤包括：
依次遍历所述待处理图像的像素点，基于Lab色彩模型，获取当前遍历的第一像素点与其他像素点之间的第一颜色距离；
基于所述第一颜色距离确定所述第一像素点对应的第一显著性值。
3.如权利要求2所述的图像处理方法，所述依次遍历所述待处理图像的像素点，基于Lab色彩模型，获取当前遍历的第一像素点与其他像素点之间的第一颜色距离的步骤包括：
确定所述待处理图像中是否存在颜色相同的第二像素点；
在所述待处理图像中不存在颜色相同的第二像素点时，依次遍历所述待处理图像的像素点，基于Lab色彩模型，获取当前遍历的第一像素点与其他像素点之间的第一颜色距离。
4.如权利要求3所述的图像处理方法，其特征在于，所述确定所述待处理图像中是否存在颜色相同的第二像素点的步骤之后，还包括：
在所述待处理图像中存在颜色相同的第二像素点时，基于Lab色彩模型，获取所述第二像素点中的目标像素点与第三像素点之间的第二颜色距离，其中，所述第三像素点为所述待处理图像中除所述第二像素点之外的其他像素点；
基于所述第二颜色距离确定所述目标像素点的显著性值，并将所述目标像素点的显著性值作为所述第二像素点的显著性值；
依次遍历所述第三像素点，基于Lab色彩模型，获取当前遍历的像素点与第四像素点之间的第三颜色距离、当前遍历的像素点与所述目标像素点之间的第四颜色距离以及所述第二像素点的像素点个数，其中，所述第四像素点为所述第三像素点中除当前遍历的像素点之外的其他像素点；
基于所述第三颜色距离、所述第四颜色距离以及所述像素点个数确定所述第三像素点的显著性值；
基于所述第二像素点的显著性值以及所述第三像素点的显著性值，确定所述第一显著性值。
5.如权利要求1所述的图像处理方法，其特征在于，所述基于RC算法计算所述待处理图像中每一个像素点对应的第二显著性值的步骤包括：
利用SLIC算法对所述待处理图像进行分割处理，获得多个子区域，其中，每个所述子区域包括一个像素点；
基于RC算法计算所述子区域对应的显著性值，基于所述子区域对应的显著性值确定所述第二显著性值。
6.如权利要求5所述的图像处理方法，其特征在于，所述基于RC算法计算所述子区域对应的显著性值，基于所述子区域对应的显著性值确定所述第二显著性值的步骤包括：
依次遍历各个所述子区域，获取当前遍历的第一子区域与第二子区域之间的空间距离，其中，所述第二子区域为各个所述子区域中除所述第一子区域之外的其他子区域；
基于获取到的所述空间距离确定所述第一子区域对应的显著性值，基于所述第一子区域对应的显著性值确定所述第二显著性值。
7.如权利要求6所述的图像处理方法，其特征在于，基于获取到的所述空间距离确定所述第一子区域对应的显著性值的步骤包括：
获取所述第一子区域对应的空间权值；
基于所述空间距离以及所述空间权值确定所述第一子区域对应的显著性值。
8.如权利要求1至7中任一项所述的图像处理方法，其特征在于，所述基于所述第一显著性值以及所述第二显著性值，计算所述待处理图像中每一个像素点对应的目标显著性值的步骤包括：
获取所述第一显著性值对应的第一权值，以及所述第二显著性值对应的第二权值；
基于所述第一显著性值、第一权值、所述第二显著性值以及第二权值，计算所述目标显著性值；
其中，所述第一权值与所述第二权值之和为1，所述第一权值的范围为0.35～0.45。
9.一种图像处理装置，其特征在于，所述图像处理装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图像处理程序，所述图像处理程序被所述处理器执行时实现如权利要求1至8中任一项所述的图像处理方法的步骤。
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图像处理程序，所述图像处理程序被处理器执行时实现如权利要求1至8中任一项所述的图像处理方法的步骤。
CN201811254503.6A 2018-10-25 2018-10-25 图像处理方法、装置及计算机可读存储介质 Pending CN109461130A (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201811254503.6A CN109461130A (zh) 2018-10-25 2018-10-25 图像处理方法、装置及计算机可读存储介质
PCT/CN2019/079510 WO2020082686A1 (zh) 2018-10-25 2019-03-25 图像处理方法、装置及计算机可读存储介质
US16/976,687 US20210049786A1 (en) 2018-10-25 2019-03-25 Method and device of processing image, and computer readable storage medium
EP19875761.9A EP3751510A4 (en) 2018-10-25 2019-03-25 IMAGE PROCESSING METHOD AND DEVICE AND COMPUTER-READABLE STORAGE MEDIUM

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811254503.6A CN109461130A (zh) 2018-10-25 2018-10-25 图像处理方法、装置及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN109461130A true CN109461130A (zh) 2019-03-12

Family

ID=65608553

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811254503.6A Pending CN109461130A (zh) 2018-10-25 2018-10-25 图像处理方法、装置及计算机可读存储介质

Country Status (4)

Country Link
US (1) US20210049786A1 (zh)
EP (1) EP3751510A4 (zh)
CN (1) CN109461130A (zh)
WO (1) WO2020082686A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020082686A1 (zh) * 2018-10-25 2020-04-30 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

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113393458A (zh) * 2021-07-14 2021-09-14 华东理工大学 一种基于伤口加权显著性算法的手部伤口检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103714537A (zh) * 2013-12-19 2014-04-09 武汉理工大学 一种图像显著性的检测方法
CN105869173A (zh) * 2016-04-19 2016-08-17 天津大学 一种立体视觉显著性检测方法
CN108596921A (zh) * 2018-05-10 2018-09-28 苏州大学 图像显著区域检测的方法、装置、设备及可读存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2394851A (en) * 2002-10-30 2004-05-05 Hewlett Packard Co A camera having a user operable control for producing a saliency signal representative of a user's interest in a scene being imaged
US9042648B2 (en) * 2012-02-23 2015-05-26 Microsoft Technology Licensing, Llc Salient object segmentation
US9619708B2 (en) * 2012-04-30 2017-04-11 Niko Corporation Method of detecting a main subject in an image
CN104091326A (zh) * 2014-06-16 2014-10-08 小米科技有限责任公司 图标分割方法和装置
US10055850B2 (en) * 2014-09-19 2018-08-21 Brain Corporation Salient features tracking apparatus and methods using visual initialization
US9626584B2 (en) * 2014-10-09 2017-04-18 Adobe Systems Incorporated Image cropping suggestion using multiple saliency maps
US10262229B1 (en) * 2015-03-24 2019-04-16 Hrl Laboratories, Llc Wide-area salient object detection architecture for low power hardware platforms
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103714537A (zh) * 2013-12-19 2014-04-09 武汉理工大学 一种图像显著性的检测方法
CN105869173A (zh) * 2016-04-19 2016-08-17 天津大学 一种立体视觉显著性检测方法
CN108596921A (zh) * 2018-05-10 2018-09-28 苏州大学 图像显著区域检测的方法、装置、设备及可读存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MINGMING CHENG 等: "Global contrast based salient region detection", 《IEEE》 *
刘玮 和 魏龙生 编著: "《计算机视觉中的目标特征模型和视觉注意模型》", 30 September 2016 *
赵雪专 著: "《图像显著性检测算法研究》", 30 September 2018 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020082686A1 (zh) * 2018-10-25 2020-04-30 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

Also Published As

Publication number Publication date
EP3751510A1 (en) 2020-12-16
US20210049786A1 (en) 2021-02-18
WO2020082686A1 (zh) 2020-04-30
EP3751510A4 (en) 2021-12-15

Similar Documents

Publication Publication Date Title
CN111476780B (zh) 一种图像检测方法、装置、电子设备以及存储介质
CN106352877B (zh) 一种移动装置及其定位方法
WO2019096174A1 (zh) 人物图像服装颜色识别方法、装置及电子设备
CN108875594B (zh) 一种人脸图像的处理方法、装置以及存储介质
CN107589963B (zh) 一种图片处理方法、移动终端及计算机可读存储介质
CN104661305B (zh) 用于用户终端定位的方法、装置及服务端
CN112950525B (zh) 图像检测方法、装置及电子设备
CN105320921B (zh) 双眼定位方法及双眼定位装置
CN107004255A (zh) 使用自相似度驱动混合的带细节保留的非局部均值图像去噪
US11841241B2 (en) Systems and methods for updating a 3D model of building
CN112308797B (zh) 角点检测方法、装置、电子设备及可读存储介质
CN112699808A (zh) 密集目标检测方法、电子设备及相关产品
CN109684302A (zh) 数据预测方法、装置、设备及计算机可读存储介质
CN108960012B (zh) 特征点检测方法、装置及电子设备
CN109461130A (zh) 图像处理方法、装置及计算机可读存储介质
CN104766354B (zh) 一种增强现实绘图的方法及移动终端
US20170171524A1 (en) Techniques for improving stereo block matching with the pyramid method
US20160316151A1 (en) Filter realization method and apparatus of camera application
CN105138311B (zh) 一种提高图形绘制效率的方法及装置
WO2022033306A1 (zh) 目标跟踪方法和装置
CN105096355B (zh) 图像处理方法和系统
CN105631849B (zh) 多边形目标的变化检测方法及装置
CN107179181A (zh) 显示屏均匀性的测试方法、终端及计算机可读存储介质
CN109165648A (zh) 一种图像处理方法、图像处理装置及移动终端
CN108647600A (zh) 人脸识别方法、设备及计算机可读存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190312