CN109584243B - 一种基于对比度迭代的显著区域检测方法 - Google Patents
一种基于对比度迭代的显著区域检测方法 Download PDFInfo
- Publication number
- CN109584243B CN109584243B CN201811424943.1A CN201811424943A CN109584243B CN 109584243 B CN109584243 B CN 109584243B CN 201811424943 A CN201811424943 A CN 201811424943A CN 109584243 B CN109584243 B CN 109584243B
- Authority
- CN
- China
- Prior art keywords
- image
- contrast
- region
- image area
- image region
- 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
Links
Images
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
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
本发明公开了一种基于对比度迭代的显著区域检测方法,包括如下步骤:(1)将输入图像过分割成多个互不相交的图像区域;(2)将颜色特征作为各图像区域的特征,计算各图像区域的对比度值,对比度值定义为图像区域与其他图像区域的加权特征对比度之和;(3)将新得到的对比度值作为各图像区域的特征,迭代计算各图像区域新的对比度值。本发明充分考虑人眼视觉的对比度特性,对其进行迭代建模,使之能够更好地检测图像中的显著区域并且能够更好地抑制部分靠近显著区域的背景区域。
Description
技术领域
本发明涉及图像处理技术领域,尤其是一种基于对比度迭代的显著区域检测方法。
背景技术
由于显著区域检测能够广泛应用于计算机视觉领域,比如图像分割、图像目标的检测和识别、图像分类、基于内容的图像编辑等,越来越多的学者对显著区域检测进行研究。
由于人眼视觉对对比度高的区域比较感兴趣,已有学者通过计算对比度特性来检测图像中的显著区域。部分学者基于直方图信息计算特征不相似度来获取对比度,并且只对对比度特性进行一次建模。该方法的缺陷是部分靠近显著区域的背景区域也会被错误地检测出来。
发明内容
本发明所要解决的技术问题在于,提供一种基于对比度迭代的显著区域检测方法,充分考虑人眼视觉的对比度特性,对其进行迭代计算,使之能够更好地检测图像中的显著区域。
为解决上述技术问题,本发明提供一种基于对比度迭代的显著区域检测方法,包括如下步骤:
(1)将输入图像过分割成多个互不相交的图像区域;
(2)将颜色特征作为各图像区域的特征,计算各图像区域的对比度值,对比度值定义为图像区域与其他图像区域的加权特征对比度之和;
(3)将新得到的对比度值作为各图像区域的特征,迭代计算各图像区域新的对比度值。
优选的,步骤(1)中,基于现有的Mean Shift算法,将输入图像过分割成200个互不相交的图像区域;用ri代表图像区域,i对应图像区域的下标,1≤i≤200。
优选的,步骤(2)中,将颜色特征作为各图像区域的特征,计算各图像区域的对比度值具体包括如下步骤:
(21)基于CIELab颜色特征计算各图像区域的初始特征F0,各个图像区域的初始特征定义为该图像区域中各像素点CIELab颜色特征的平均值;
(22)某个图像区域ri的第一轮得到的对比度值C1(ri)定义为该图像区域与其他所有图像区域的加权特征对比度之和:
(23)根据||F0(ri)-F0(rj)||2计算两个图像区域之间初始特征的对比度,W(rj→ri)计算的是图像区域rj作用于图像区域ri的权重;
W(rj→ri)=S(rj)×P(ri,rj)
W(rj→ri)由图像区域rj的相对大小S(rj)与图像区域ri和图像区域rj的空间相近度P(ri,rj)的乘积决定,相对大小S(rj)定义为图像区域rj包含的像素点个数占原图像素点个数的比例,空间相近度P(ri,rj)根据两个图像区域的位置特征计算而得;各图像区域的位置特征定义为该图像区域中各像素点位置特征的平均值,并将其在图像的横轴和竖轴上归一化到[0,1]之间,将图像区域ri和图像区域rj的位置特征分别记作[xi,yi]和[xj,yj];
公式中尺度参数σ2是控制位置特征距离对相近度影响的一个常数,设置为0.3。
优选的,步骤(3)中,将得到的对比度值作为各图像区域新的特征;迭代第k次时,图像区域ri新的特征Fk(ri)设置为前一步计算得到的对比度值Ck-1(ri),根据新的特征使用步骤(2)中的方法计算各图像区域新的对比度,迭代次数k设置为3。
本发明的有益效果为:本发明充分考虑人眼视觉的对比度特性,对其进行迭代建模,使之能够更好地检测图像中的显著区域并且能够更好地抑制部分靠近显著区域的背景区域。
附图说明
图1为本发明的方法流程示意图。
具体实施方式
如图1所示,本实施例的基于对比度迭代的显著区域检测方法,依次包含以下步骤:
S1:将输入图像过分割成多个互不相交的图像区域;基于现有的Mean Shift算法,将输入图像过分割成200个互不相交的图像区域;用ri代表图像区域,i对应图像区域的下标,1≤i≤200。
S2:将颜色特征作为各图像区域的特征,计算各图像区域的对比度值,对比度值定义为图像区域与其他图像区域的加权特征对比度之和;
基于CIELab颜色特征计算各图像区域的初始特征F0。各个图像区域的初始特征定义为该图像区域中各像素点CIELab颜色特征的平均值。
某个图像区域ri的第一轮得到的对比度值C1(ri)定义为该图像区域与其他所有图像区域的加权特征对比度之和。
根据||F0(ri)-F0(rj)||2计算两个图像区域之间初始特征的对比度。W(rj→ri)计算的是图像区域rj作用于图像区域ri的权重。
W(rj→ri)=S(rj)×P(ri,rj)
W(rj→ri)由图像区域rj的相对大小S(rj)与图像区域ri和图像区域rj的空间相近度P(ri,rj)的乘积决定。相对大小S(rj)定义为图像区域rj包含的像素点个数占原图像素点个数的比例。空间相近度P(ri,rj)根据两个图像区域的位置特征计算而得。各图像区域的位置特征定义为该图像区域中各像素点位置特征的平均值,并将其在图像的横轴和竖轴上归一化到[0,1]之间。将图像区域ri和图像区域rj的位置特征分别记作[xi,yi]和[xj,yj]。
公式中尺度参数σ2是控制位置特征距离对相近度影响的一个常数,设置为0.3。
S3:将新得到的对比度值作为各图像区域的特征,迭代计算各图像区域新的对比度值。将得到的对比度值作为各图像区域新的特征。迭代第k次时,图像区域ri新的特征Fk(ri)设置为前一步计算得到的对比度值Ck-1(ri)。根据新的特征使用步骤S2中的方法计算各图像区域新的对比度。本发明将迭代次数k设置为3。
Claims (1)
1.一种基于对比度迭代的显著区域检测方法,其特征在于,包括如下步骤:
(1)将输入图像过分割成多个互不相交的图像区域;基于现有的Mean Shift算法,将输入图像过分割成200个互不相交的图像区域;用ri代表图像区域,i对应图像区域的下标,1≤i≤200;
(2)将颜色特征作为各图像区域的特征,计算各图像区域的对比度值,对比度值定义为图像区域与其他图像区域的加权特征对比度之和;具体包括如下步骤:
(21)基于CIELab颜色特征计算各图像区域的初始特征F0,各个图像区域的初始特征定义为该图像区域中各像素点CIELab颜色特征的平均值;
(22)某个图像区域ri的第一轮得到的对比度值C1(ri)定义为该图像区域与其他所有图像区域的加权特征对比度之和:
(23)根据||F0(ri)-F0(rj)||2计算两个图像区域之间初始特征的对比度,W(rj→ri)计算的是图像区域rj作用于图像区域ri的权重;
W(rj→ri)=S(rj)×P(ri,rj)
W(rj→ri)由图像区域rj的相对大小S(rj)与图像区域ri和图像区域rj的空间相近度P(ri,rj)的乘积决定,相对大小S(rj)定义为图像区域rj包含的像素点个数占原图像素点个数的比例,空间相近度P(ri,rj)根据两个图像区域的位置特征计算而得;各图像区域的位置特征定义为该图像区域中各像素点位置特征的平均值,并将其在图像的横轴和竖轴上归一化到[0,1]之间,将图像区域ri和图像区域rj的位置特征分别记作[xi,yi]和[xj,yj];
公式中尺度参数σ2是控制位置特征距离对相近度影响的一个常数,设置为0.3;
(3)将新得到的对比度值作为各图像区域的特征,迭代计算各图像区域新的对比度值;将得到的对比度值作为各图像区域新的特征;迭代第k次时,图像区域ri新的特征Fk(ri)设置为前一步计算得到的对比度值Ck-1(ri),根据新的特征使用步骤(2)中的方法计算各图像区域新的对比度,迭代次数k设置为3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811424943.1A CN109584243B (zh) | 2018-11-27 | 2018-11-27 | 一种基于对比度迭代的显著区域检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811424943.1A CN109584243B (zh) | 2018-11-27 | 2018-11-27 | 一种基于对比度迭代的显著区域检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109584243A CN109584243A (zh) | 2019-04-05 |
CN109584243B true CN109584243B (zh) | 2023-06-30 |
Family
ID=65924914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811424943.1A Active CN109584243B (zh) | 2018-11-27 | 2018-11-27 | 一种基于对比度迭代的显著区域检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109584243B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104574375A (zh) * | 2014-12-23 | 2015-04-29 | 浙江大学 | 结合彩色和深度信息的图像显著性检测方法 |
US20150227816A1 (en) * | 2014-02-10 | 2015-08-13 | Huawei Technologies Co., Ltd. | Method and apparatus for detecting salient region of image |
CN107123150A (zh) * | 2017-03-25 | 2017-09-01 | 复旦大学 | 全局颜色对比度检测和分割显著图的方法 |
-
2018
- 2018-11-27 CN CN201811424943.1A patent/CN109584243B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150227816A1 (en) * | 2014-02-10 | 2015-08-13 | Huawei Technologies Co., Ltd. | Method and apparatus for detecting salient region of image |
CN104574375A (zh) * | 2014-12-23 | 2015-04-29 | 浙江大学 | 结合彩色和深度信息的图像显著性检测方法 |
CN107123150A (zh) * | 2017-03-25 | 2017-09-01 | 复旦大学 | 全局颜色对比度检测和分割显著图的方法 |
Non-Patent Citations (1)
Title |
---|
A novel graph-based optimization framework for salient object detection;Jinxia Zhang等;《Pattern Recognition 64(2017)》;20161022;第39-50页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109584243A (zh) | 2019-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108108746B (zh) | 基于Caffe深度学习框架的车牌字符识别方法 | |
CN106991689B (zh) | 基于fhog和颜色特征的目标跟踪方法及gpu加速 | |
US20160154469A1 (en) | Mid-air gesture input method and apparatus | |
CN106097393B (zh) | 一种基于多尺度与自适应更新的目标跟踪方法 | |
CN109657612B (zh) | 一种基于人脸图像特征的质量排序系统及其使用方法 | |
CN112184759A (zh) | 一种基于视频的运动目标检测与跟踪方法及系统 | |
CN105590319A (zh) | 一种深度学习的图像显著性区域检测方法 | |
WO2018082308A1 (zh) | 一种图像处理方法及终端 | |
CN110298796B (zh) | 基于改进Retinex与对数图像处理的低照度图像增强方法 | |
CN111899200B (zh) | 一种基于3d滤波的红外图像增强方法 | |
Hassanpour et al. | Image quality enhancement using pixel-wise gamma correction via SVM classifier | |
US20180357212A1 (en) | Detecting occlusion of digital ink | |
CN111047618B (zh) | 基于多尺度的无参考屏幕内容图像质量评估方法 | |
CN108345835B (zh) | 一种基于仿复眼感知的目标识别方法 | |
CN109522865A (zh) | 一种基于深度神经网络的特征加权融合人脸识别方法 | |
CN107527348B (zh) | 基于多尺度分割的显著性检测方法 | |
CN107330431B (zh) | 一种基于K-means聚类拟合的显著性检测优化方法 | |
CN109409224B (zh) | 一种自然场景火焰检测的方法 | |
CN108491883B (zh) | 一种基于条件随机场的显著性检测优化方法 | |
CN117893550A (zh) | 一种基于场景仿真的复杂背景下运动目标分割方法 | |
CN108960094A (zh) | 一种基于方向梯度直方图的驾驶员抽烟动作检测算法 | |
CN109584243B (zh) | 一种基于对比度迭代的显著区域检测方法 | |
CN106023258B (zh) | 改进的自适应高斯混合模型运动目标检测方法 | |
CN102592125A (zh) | 基于标准差特征的运动目标检测方法 | |
US8693769B2 (en) | Image classification methods and systems |
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 |