CN110008969A - 图像显著性区域的检测方法和装置 - Google Patents

图像显著性区域的检测方法和装置 Download PDF

Info

Publication number
CN110008969A
CN110008969A CN201910301296.3A CN201910301296A CN110008969A CN 110008969 A CN110008969 A CN 110008969A CN 201910301296 A CN201910301296 A CN 201910301296A CN 110008969 A CN110008969 A CN 110008969A
Authority
CN
China
Prior art keywords
brightness
tone
map
characteristic
feature
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
Application number
CN201910301296.3A
Other languages
English (en)
Other versions
CN110008969B (zh
Inventor
张欢欢
许景涛
唐小军
李慧
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.)
BOE Technology Group Co Ltd
Original Assignee
BOE Technology Group 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 BOE Technology Group Co Ltd filed Critical BOE Technology Group Co Ltd
Priority to CN201910301296.3A priority Critical patent/CN110008969B/zh
Publication of CN110008969A publication Critical patent/CN110008969A/zh
Priority to PCT/CN2020/076000 priority patent/WO2020211522A1/zh
Application granted granted Critical
Publication of CN110008969B publication Critical patent/CN110008969B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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]

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

本发明的实施例提供一种图像显著性区域的检测方法和装置，涉及图像处理技术领域，可以提高检测的速度和准确度。一种图像显著性区域的检测方法，包括：提取图像的亮度特征，利用高斯金字塔和第一中央周边差关系式，得到至少两个第一亮度特征图；提取图像的色调特征，利用高斯金字塔和第二中央周边差关系式，得到至少两个第一色调特征图；将第一亮度特征图进行归一化处理，并将所有归一化处理后的第一亮度特征图融合成一个第二亮度特征图；将第一色调特征图进行归一化处理，并将所有归一化处理后的第一色调特征图融合成一个第二色调特征图；将第二亮度特征图和第二色调特征图融合成显著图；根据显著图，获取显著性区域。

Description

图像显著性区域的检测方法和装置
技术领域
本发明涉及图像处理技术领域，尤其涉及一种显著性区域的检测方法和装置。
背景技术
图像的显著性是图像的重要视觉特征，体现了人眼对图像某些区域的重视程度。在图像处理过程中，常需要利用显著性检测算法对图像进行检测，以获得该图像的显著性区域。其主要应用于手机拍照软件、目标检测软件、和图像压缩软件中。
目前，一种获得图像的显著性区域的方式为：基于纯数学计算方法对图像进行显著性区域检测。该方式存在显著性区域检测准确度不高的情况，与人眼感知存在差异。
另外一种获得图像的显著性区域的方式为：基于深度学习的方法对图像进行显著性区域检测。但该方式与选取的训练样本有关，对硬件的要求高，而且实时效果差。因此，如何提高图像显著性区域检测的速度和准确度是目前亟待解决的技术问题。
发明内容
本发明的实施例提供一种图像显著性区域的检测方法和装置，可以提高检测的速度和准确度。
为达到上述目的，本发明的实施例采用如下技术方案：
一方面，本发明的实施例提供了图像显著性区域的检测方法，包括：提取图像的亮度特征，并利用高斯金字塔和第一中央周边差关系式，得到至少两个第一亮度特征图；提取所述图像的色调特征，并利用所述高斯金字塔和第二中央周边差关系式，得到至少两个第一色调特征图；将所述第一亮度特征图进行归一化处理，并将所有归一化处理后的所述第一亮度特征图融合成一个第二亮度特征图；将所述第一色调特征图进行归一化处理，并将所有归一化处理后的所述第一色调特征图融合成一个第二色调特征图；将所述第二亮度特征图和所述第二色调特征图融合成显著图；根据所述显著图，获取显著性区域。
可选地，将所述第二亮度特征图和所述第二色调特征图融合成显著图之后，根据所述显著图，获取显著性区域之前，所述图像显著性区域的检测方法还包括：采用自适应阈值二值化方法对所述显著图进行二值化处理，得到二值图像；根据所述显著图，获取显著性区域，包括：根据对所述显著图进行二值化处理后得到的所述二值图像，获取所述显著性区域。
可选地，根据所述二值图像，获取所述显著性区域，包括：对所述二值图像的像素进行连通域标记，将连通域标号相同的所有像素合并为一个连通域；将所述连通域作为显著性区域。
可选地，对所述二值图像的像素进行连通域标记，将所述连通域标号相同的像素合并为一个连通域，包括：初始标记值为N，N≥2；逐行遍历所述二值图像的像素，判断所述像素是否未标记且灰度值为1；若不为1，或者若为1但已被标记，则继续逐行遍历所述二值图像的像素；若为1且未标记，则作为种子像素，将所述种子像素的连通域标号标记为N，并且遍历所述种子像素的8邻域像素，判断所述种子像素的8邻域像素中未标记的像素灰度值是否为1；若该种子像素的8邻域像素中的至少一个未标记的像素的灰度值为1，则将该种子像素的8邻域像素中未标记且灰度值为1的像素连通域标号标记为N，并将8邻域像素中遍历到的未标记且灰度值为1的像素全部作为种子像素，循环进行且标记值不变；若该种子像素的8邻域像素的未标记的像素其灰度值均不为1，则一个连通域标记结束，标记值加1，继续逐行遍历所述二值图像的像素；其中，坐标为(x,y)的像素的8邻域像素分别为坐标是(x-1,y-1)、(x-1,y)、(x-1,y+1)、(x,y-1)、(x,y+1)、(x+1,y-1)、(x+1,y)、(x+1,y+1)的像素；x为所述像素在二值图像的行数，y为所述像素在二值图像的列数。
可选地，提取图像的亮度特征，并利用高斯金字塔和第一中央周边差关系式，得到至少两个第一亮度特征图，包括：
根据所述图像中每个像素的三原色分量，利用计算得到每个像素对应的亮度特征，得到亮度特征中间图；其中，每个像素的三原色分量包括红色分量、绿色分量和蓝色分量，R为红色分量、G为绿色分量、B为蓝色分量，I为亮度特征；将所述亮度特征中间图输入所述高斯金字塔，得到M个尺度的亮度特征中间图；其中，所述高斯金字塔为M层的高斯金字塔，M≥7；通过所述第一中央周边差关系式I(c,s)＝|I(c)ΘI(s)|，计算得到至少两个所述第一亮度特征图；其中，I(c,s)表示第一亮度特征图，I(c)表示第c个尺度的亮度特征中间图，I(s)表示第s个尺度的亮度特征中间图；c≥2，δ≥3，5≤s≤M-1，s＝c+δ。
可选地，提取所述图像的色调特征，并利用所述高斯金字塔和第二中央周边差关系式，得到至少两个第一色调特征图，包括：
根据所述图像中每个像素的三原色分量，利用 计算得到每个像素对应的色调特征，得到色调特征中间图；其中，每个像素的三原色分量包括红色分量、绿色分量和蓝色分量，R为红色分量、G为绿色分量、B为蓝色分量，H为色调特征；将所述色调特征中间图输入所述高斯金字塔，得到M个尺度的色调特征中间图；其中，所述高斯金字塔为M层的高斯金字塔，M≥7；通过所述第二中央周边差关系式H(c,s)＝|H(c)ΘH(s)|，计算得到至少两个所述第一色调特征图；其中，H(c,s)表示第一色调特征图，H(c)表示第c个尺度的色调特征中间图，H(s)表示第s个尺度的色调特征中间图；c≥2，δ≥3，5≤s≤M-1，s＝c+δ。
可选地，将所述第一亮度特征图进行归一化处理，并将所有归一化处理后的所述第一亮度特征图融合成一个第二亮度特征图，包括：
设定一个亮度特征最大值P；针对每个第一亮度特征图，遍历所述第一亮度特征图的亮度特征，获取所述第一亮度特征图的第一亮度特征最大值I1max和第一亮度特征最小值I1min，根据公式将所述第一亮度特征图的亮度特征归一化至0～P之间；I表示所述第一亮度特征图的像素的亮度特征值；在亮度特征归一化后的所述第一亮度特征图中，针对存在8邻域的每个像素，根据其8邻域像素的亮度特征值，获取其中的8邻域最大值和8邻域最小值；将所有8邻域最大值和所有8邻域最小值进行平均，得到亮度特征平均值Q；将所述第一亮度特征图的各像素的亮度特征值与(P-Q)2相乘；遍历所述第一亮度特征图的亮度特征，获取第二亮度特征最大值I2max和第二亮度特征最小值I2min，根据公式将所述第一亮度特征图的亮度特征归一化至0～1之间；将所有归一化处理后的所述第一亮度特征图通过加权平均方式融合成一个第二亮度特征图。
可选地，将所述第一色调特征图进行归一化处理，并将所有归一化处理后的所述第一色调特征图融合成一个第二色调特征图，包括：
设定一个色调特征最大值P；针对每个第一色调特征图，遍历所述第一色调特征图的色调特征，获取所述第一色调特征图的第一色调特征最大值H1max和第一色调特征最小值H1min，根据公式将所述第一色调特征图的色调特征归一化至0～P之间；H表示所述第一色调特征图的像素的色调特征值；在色调特征归一化后的所述第一色调特征图中，针对存在8邻域的每个像素，根据其8邻域的色调特征值，获取其中的8邻域最大值和8邻域最小值；将所有8邻域最大值和所有8邻域最小值进行平均，得到色调特征平均值Q；将所述第一色调特征图的各像素的色调特征值与(P-Q)2相乘；遍历所述第一亮度特征图的亮度特征，获取第二色调特征最大值H2max和第二色调特征最小值H2min，根据公式将所述第一色调特征图的色调特征归一化至0～1之间；将所有归一化处理后的所述第一色调特征图通过加权平均方式融合成一个第二色调特征图。
再一方面，本发明的实施例还提供一种计算机设备，包括存储单元和处理单元；所述存储单元中存储可在所述处理单元上运行的计算机程序并存储标记结果；所述处理单元执行所述计算机程序时实现上述的图像显著性区域的检测方法。
另一方面，本发明的实施例还提供一种计算机可读介质，其存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述的图像显著性区域的检测方法。
又一方面，本发明的实施例还提供一种图像显著性区域的检测装置，包括：提取模块，配置为提取图像的亮度特征，并利用高斯金字塔和第一中央周边差关系式，得到至少两个第一亮度特征图；所述提取模块，还配置为提取所述图像的色调特征，并利用所述高斯金字塔和第二中央周边差关系式，得到至少两个第一色调特征图；融合模块，配置为将所述第一亮度特征图进行归一化处理，并将所有归一化处理后的所述第一亮度特征图融合成一个第二亮度特征图；所述融合模块，还配置为将所述第一色调特征图进行归一化处理，并将所有归一化处理后的所述第一色调特征图融合成一个第二色调特征图；所述融合模块，还配置为将所述第二亮度特征图和所述第二色调特征图融合成显著图；获取模块，配置为根据所述显著图，获取显著性区域。
可选地，获取模块，配置为根据所述显著图，获取显著性区域，包括：所述获取模块，配置为对二值图像的像素进行连通域标记，将连通域标号相同的所有像素合并为一个连通域；将所述连通域作为显著性区域。
可选地，提取模块，配置为提取图像的亮度特征，并利用高斯金字塔和第一中央周边差关系式，得到至少两个第一亮度特征图，包括：
所述提取模块，配置为根据所述图像中每个像素的三原色分量，利用计算得到每个像素对应的亮度特征，得到亮度特征中间图；其中，每个像素的三原色分量包括红色分量、绿色分量和蓝色分量，R为红色分量、G为绿色分量、B为蓝色分量，I为亮度特征；将所述亮度特征中间图输入所述高斯金字塔，得到M个尺度的亮度特征中间图；其中，所述高斯金字塔为M层的高斯金字塔，M≥7；通过所述第一中央周边差关系式I(c,s)＝|I(c)ΘI(s)|，计算得到至少两个所述第一亮度特征图；其中，I(c,s)表示第一亮度特征图，I(c)表示第c个尺度的亮度特征中间图，I(s)表示第s个尺度的亮度特征中间图；c≥2，δ≥3，5≤s≤M-1，s＝c+δ。
可选地，所述提取模块，配置为提取所述图像的色调特征，并利用所述高斯金字塔和第二中央周边差关系式，得到至少两个第一色调特征图，包括：
所述提取模块，配置为根据所述图像中每个像素的三原色分量，利用计算得到每个像素对应的色调特征，得到色调特征中间图；其中，每个像素的三原色分量包括红色分量、绿色分量和蓝色分量，R为红色分量、G为绿色分量、B为蓝色分量，H为色调特征；将所述色调特征中间图输入所述高斯金字塔，得到M个尺度的色调特征中间图；其中，所述高斯金字塔为M层的高斯金字塔，M≥7；通过所述第二中央周边差关系式H(c,s)＝|H(c)ΘH(s)|，计算得到至少两个所述第一色调特征图；其中，H(c,s)表示第一色调特征图，H(c)表示第c个尺度的色调特征中间图，H(s)表示第s个尺度的色调特征中间图；c≥2，δ≥3，5≤s≤M-1，s＝c+δ。
本发明的实施例提供一种图像显著性区域的检测方法和装置，通过针对性的选择提取亮度特征和色调特征，能更好的反映图像中前景物体的本质属性，使图像中的前景物体能更完整的作为显著性区域被提取。其中，通过利用高斯金字塔和第一中央周边关系式生成第一亮度特征图，利用高斯金字塔和第二中央周边关系式生成第一色调特征图，并将第一亮度特征图进行归一化处理后融合成第二亮度特征图，第一色调特征图进行归一化处理后融合成第二色调特征图，再通过第二亮度特征图和第二色调特征图融合成显著图，从而可以根据显著图提取显著性区域。通过以上方法提取显著性区域的速度更快，适用范围更广，同时更接近人眼视觉的感知，提取的效果更好。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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地介绍，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为本发明实施例提供的一种图像显著性区域的检测方法的流程图；
图2为本发明实施例提供的再一种图像显著性区域的检测方法的流程图；
图3为本发明实施例提供的另一种图像显著性区域的检测方法的流程图；
图4为本发明实施例提供的又一种图像显著性区域的检测方法的流程图；
图5为本发明实施例提供的又一种图像显著性区域的检测方法的流程图；
图6为本发明实施例提供的又一种图像显著性区域的检测方法的流程图；
图7为本发明实施例提供的又一种图像显著性区域的检测方法的流程图；
图8为本发明实施例提供的又一种图像显著性区域的检测方法的流程图；
图9为本发明实施例提供的一种图像显著性区域的检测装置模块示意图。
附图标记：
10-提取模块；20-融合模块；30-获取模块。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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。
本发明的实施例提供一种图像显著性区域的检测方法，如图1所示，包括：
S10、提取图像的亮度特征，并利用高斯金字塔和第一中央周边差关系式，得到至少两个第一亮度特征图。
其中，亮度是指人眼对光源或物体明亮程度的感觉。对图像而言，亮度特征可以表现出色彩的明亮程度。当对任意的图像提取亮度特征后，可以得到该图像每个像素的色彩的明亮程度信息，即，得到该图像每个像素的亮度特征。
高斯金字塔的理论基础为尺度空间理论，高斯金字塔本质上为图像的多尺度表示法，即将同一图像多次的进行高斯模糊，并且向下取样，藉以产生不同尺度下的多个图像以进行后续的处理。例如将一个提取出亮度特征的图像，基于高斯金字塔多次的进行高斯模糊，并且向下取样，产生不同尺度下的多个带有亮度特征信息的图像，然后根据第一中央周边差关系式进行运算，得到至少两个第一亮度特征图。
第一中央周边差关系式根据中央周边差运算方法所得，用于计算利用高斯金字塔产生的不同尺度下的多个带有亮度特征信息的图像中的反差信息。
高斯金字塔包含了一系列的高斯滤波器，其截止频率从上一层到下一层是以因子2逐渐增加的。
S20、提取图像的色调特征，并利用高斯金字塔和第二中央周边差关系式，得到至少两个第一色调特征图。
其中，色调是物体在日光照射下所反射的各光谱成分作用于人眼的综合效果，即，彩色的类别。同一色调的色彩是指色彩中组成彩色成分的三原色光组合比例相近的一系列色彩，在外观上表现出一种鲜明的色彩倾向。例如朱红、大红、粉红都属于红色色调。对于图像而言，色调特征可用来描述颜色的属性，例如黄色、橙色或红色。
当对任意的图像提取色调特征后，可以得到该图像每个像素的颜色的属性信息，即，得到该图像每个像素的色调特征。
高斯金字塔与上述得到第一亮度特征图所利用的高斯金字塔本质上相同，为图像的多尺度表示法。利用该高斯金字塔，可以将一个提取出色调特征的图像，多次的进行高斯模糊，并且向下取样，产生不同尺度下的多个带有色调特征信息的图像，然后根据第二中央周边差关系式进行运算，得到至少两个第一色调特征图。
第二中央周边差关系式也是根据中央周边差运算方法所得，用于计算利用高斯金字塔产生的不同尺度下的多个带有色调特征信息的图像中的反差信息。
S30、将第一亮度特征图进行归一化处理，并将所有归一化处理后的第一亮度特征图融合成一个第二亮度特征图。
归一化处理是将每个第一亮度特征图的亮度特征，统一到同一个数量级下，为后续处理提供更高精度的数据信息。
本领域技术人员明白，当根据S10得到两个及两个以上第一亮度特征图时，需先进行插值运算，将尺度较小的第一亮度特征图运算放大，使其与尺度较大的第一亮度特征图尺度相同，然后再进行融合以形成一个第二亮度特征图。
S40、将第一色调特征图进行归一化处理，并将所有归一化处理后的第一色调特征图融合成一个第二色调特征图。
归一化处理是将每个第一色调特征图的色调特征，统一到同一个数量级下，为后续处理提供精度更高的数据信息。
类似的，当根据S20得到两个及两个以上第一色调特征图时，需先进行插值运算，将尺度较小的第一色调特征图经运算放大，使其与尺度较大的第一色调特征图尺度相同，然后再进行融合以形成一个第二色调特征图。
S50、将第二亮度特征图和第二色调特征图融合成显著图。
例如，可以采用加权平均的方式将第二亮度特征图和第二色调特征图进行融合，即，依次将第二亮度特征图中和第二色调特征图中，同行同列对应的位置处的像素的亮度特征和色调特征进行加权平均，使得第二亮度特征图和第二色调特征图融合成一个显著图。
其中，加权平均方式中的权值可以根据需要进行设置，本发明对此不进行限定。
示例的，当权值设置为1时，将第二亮度特征图中第一行第一列像素的亮度特征与第二色调特征图中第一行第一列像素的色调特征直接相加，再除以2，由此得到的计算结果即为显著图中第一行第一列像素的信息。其他像素依次类推，从而可以融合成一个显著图。
S60、根据显著图，获取显著性区域。
人眼视觉系统的视觉注意机制使得人们可以从复杂的场景中逐步排除相对不重要的信息，选择重要的和所需要关注的信息，作为注意的目标，并对其进行优先处理。由上述描述可知，本发明基于模拟该人眼视觉注意机制原理，从图像中排除其他信息，针对性的选择亮度特征和色调特征这两种信息进行提取，并将第一亮度特征图进行归一化处理后融合成第二亮度特征图，第一色调特征图进行归一化处理后融合成第二色调特征图，再将第二亮度特征图和第二色调特征图融合成显著图，经过多次处理和融合使得得到的显著图能更近似的呈现出人眼注意的目标。
在显著图中引起视觉反差的区域，吸引人眼注意的目标被称之为显著性区域(Salience region)，视觉反差越大，就越容易引起人眼视觉系统的注意，显著性区域也是最能体现显著图内容的区域。显著性区域也可以称之为前景，其余的区域则称之为背景。显著性区域的使用，能够排除显著图中其他背景区域的干扰，直接接近用户的检测意图，有利于检测性能的提高。
本发明的实施例提供了一种图像显著性区域的检测方法，通过针对性的选择提取亮度特征和色调特征，能更好的反映图像中前景物体的本质属性，使图像中的前景物体能更完整的作为显著性区域被提取。其中，通过利用高斯金字塔和第一中央周边关系式生成第一亮度特征图，利用高斯金字塔和第二中央周边关系式生成第一色调特征图，并将第一亮度特征图进行归一化处理后融合成第二亮度特征图，第一色调特征图进行归一化处理后融合成第二色调特征图，再通过第二亮度特征图和第二色调特征图融合成显著图，从而可以根据显著图提取显著性区域。通过以上方法提取显著性区域的速度更快，适用范围更广，同时更接近人眼视觉的感知，提取的效果更好。
可选地，S10中提取图像的亮度特征，并利用高斯金字塔和第一中央周边差关系式，得到至少两个第一亮度特征图，如图2所示，包括：
S101、根据图像中每个像素的三原色分量，利用计算得到每个像素对应的亮度特征，得到亮度特征中间图；其中，每个像素的三原色分量包括红色分量、绿色分量和蓝色分量，R为红色分量、G为绿色分量、B为蓝色分量，I为亮度特征。
需要说明的是，图像处理中最基础的色彩空间是RGB颜色空间，但是RGB颜色空间不便于描述图像，没有办法正确表达人眼感知的颜色之间的真实差异，而利用亮度、色调和饱和度三个参量来描述图像的HIS颜色空间，一方面可以对图像的颜色特性和光谱特性进行定量的表征和描述，另一方面亮度、色调和饱和度各参量具有独立性，其物理意义清晰且易于解释。HIS颜色空间与人眼对颜色的感知更加一致，因此，可以将RGB颜色空间进行非线性变换转换成HIS颜色空间，更加自然和直观的描述图像。HIS颜色空间分别用H(Hue)、I(Intensity)、S(Saturation)对色调、亮度和饱和度进行表示。
根据RGB颜色空间转换成HIS颜色空间，红色分量、绿色分量和蓝色分量与亮度的关系式可知，若给出一幅RGB彩色格式的图像，可以利用公式计算得到每个像素的亮度特征。
所有像素的亮度特征构成一个亮度特征中间图。
S102、将亮度特征中间图输入高斯金字塔，得到M个尺度的亮度特征中间图；其中，高斯金字塔为M层的高斯金字塔，M≥7。
将亮度特征中间图输入高斯金字塔，利用一系列的高斯滤波器对亮度特征中间图进行滤波和采样。其中，第0层为亮度特征中间图的原图，大小保持不变，将第0层大尺度的亮度特征中间图与高斯滤波器进行卷积，得到第1层小尺度的亮度特征中间图，其他层依次类推。高斯滤波器的高斯核大小决定了对图像的模糊程度，高斯核越小模糊的越轻，越大模糊的越严重，高斯核的大小可以根据需要进行选取。示例的，可以采用5乘5像素的高斯核对亮度特征中间图进行滤波和采样。
基于此，高斯金字塔包括的高斯滤波器越多，高斯金字塔的层级越多，得到越多个不同尺度的亮度特征中间图。同时，高斯金字塔层级越高，对应得到的亮度特征中间图的尺度越小，分辨率越低。高斯金字塔的层级数量需要根据输入的亮度特征中间图的尺寸确定，输入的亮度特征中间图尺寸越大，相应设定的高斯金字塔的层级越多，输入的亮度特征中间图尺寸越小，相应设定的高斯金字塔的层级越少。
基于上述描述，以下提供一种将亮度特征中间图输入高斯金字塔，得到M个尺度的亮度特征中间图的方法，以清楚描述其实现过程。
示例的，根据输入的亮度特征中间图的尺寸确定高斯金字塔的层级为9层，即第0层到第8层，第0层为亮度特征中间图的原图，大小不变。
第1层：首先将第0层亮度特征中间图的原图扩大一倍，利用高斯滤波器对其进行滤波和采样，使其长宽分别缩短一倍，图像面积变为1/4倍，从而使其尺寸变为亮度特征中间图原图的1/2倍。
第2层：首先将第1层得到的1/2倍的亮度特征中间图原图扩大一倍，利用高斯滤波器对其进行滤波和采样，使其长宽分别缩短一倍，图像面积变为1/4倍，从而使其尺寸变为亮度特征中间图原图的1/4倍。
第3层到第8层的过程依次参照上述方式循环进行，从而得到亮度特征中间图原图的1/8倍、1/16倍、1/32倍、1/64倍、1/128倍、1/256倍的6个亮度特征中间图。
最终，可以得到9个尺度的亮度特征中间图，分别为输入的亮度特征中间图的1倍、1/2倍、1/4倍、1/8倍、1/16倍、1/32倍、1/64倍、1/128倍、1/256倍。
S103、通过第一中央周边差关系式I(c,s)＝|I(c)ΘI(s)|，计算得到至少两个所述第一亮度特征图；其中，I(c,s)表示第一亮度特征图，I(c)表示第c个尺度的亮度特征中间图，I(s)表示第s个尺度的亮度特征中间图；c≥2，δ≥3，5≤s≤M-1，s＝c+δ。
第一中央周边差关系式I(c,s)＝|I(c)ΘI(s)|的运算方式叫作中心周边差运算，是根据人眼生理结构设计的，用于计算图像I(c,s)中的反差信息。人眼感受野对于视觉信息输入中反差大的特征反应强烈，例如中央亮周边暗的情况等，这属于反差较大的视觉信息。在高斯金字塔中，尺度较大的亮度特征中间图细节信息较多，而尺度较小的亮度特征中间图由于滤波和采样操作使其更能反映出局部的背景信息，因而，将尺度较大的亮度特征中间图和尺度较小的亮度特征中间图进行跨尺度减操作，能得到局部中心和周边背景信息的反差信息。
跨尺度减操作的算法如下：通过将代表周边背景信息的较小尺度的亮度特征中间图先进行线性插值，使之与代表中心信息的较大尺度的亮度特征中间图具有相同大小，然后进行像素对像素的减操作，即中央周边差操作，这样的跨尺度操作使用符号Θ表示。
示例的，根据S102中的示例，利用9层的高斯金字塔，可以得到9个亮度特征中间图。代表中心信息的亮度特征中间图选取I(2)，I(3)和I(4)，其中，c∈{2、3、4}，即选取第2层、第3层和第4层得到的1/4倍、1/8倍、1/16倍的亮度特征中间图；代表周边背景信息的亮度特征中间图选取I(5)、I(6)、I(7)和I(8)，其中，δ∈{3、4}，根据s＝c+δ，可知s∈{5、6、7、8}，即选取第5层、第6层、第7层和第8层得到的1/32倍、1/64倍、1/128倍和1/256倍的亮度特征中间图，相应产生6个中央周边差结果图，即I(2,5)、I(2,6)、I(3,6)、I(3,7)、I(3,8)、I(4,7)和I(4,8)6个第一亮度特征图。
在此，以得到I(2,5)的过程为例进行说明：选择第2层为代表中心信息的亮度特征中间图，选择第5层为代表周边背景信息的亮度特征中间图，将第5层的亮度特征中间图进行插值运算，放大后使第5层与第2层的亮度特征中间图尺寸一致，然后再依次将第2层与第5层亮度特征中间图中同行同列像素的亮度特征相减，由此得到一个第一亮度特征图。
可选地，S30将第一亮度特征图进行归一化处理，并将所有归一化处理后的第一亮度特征图融合成一个第二亮度特征图，如图3所示，包括：
S104、设定一个亮度特征最大值P。
可以理解的是，P的取值范围在0～255之间。
S105、针对每个第一亮度特征图，遍历第一亮度特征图的亮度特征，获取第一亮度特征图的第一亮度特征最大值I1max和第一亮度特征最小值I1min，根据公式将第一亮度特征图的亮度特征归一化至0～P之间；I表示所述第一亮度特征图的像素的亮度特征值。
当对每个第一亮度特征图遍历亮度特征后，可以得到该图像每个像素的色彩的明亮程度信息，即，得到该图像每个像素的亮度特征值。
示例的，根据S103示例中得到的6个第一亮度特征图，针对每个第一亮度特征图，对该第一亮度特征图进行遍历，得到每个像素的第一亮度特征值，找到该第一亮度特征图的第一亮度特征最大值和第一亮度特征最小值，根据公式将该第一亮度特征图的亮度特征归一化至0～P之间。基于此，可使6个第一亮度特征图统一到同一个数量级下，消除了幅值差异，提高了精度。
S106、在亮度特征归一化后的第一亮度特征图中，针对存在8邻域的每个像素，根据其8邻域像素的亮度特征值，获取其中的8邻域最大值和8邻域最小值。
可以理解的是，第一亮度特征图中，每个像素的邻域中，最多有8个像素将其包围。而这8个邻域像素的亮度特征值相互对比，将亮度特征最大的值作为该像素的8邻域最大值，亮度特征最小的值作为该像素的8邻域最小值。并且，该像素也作为其他像素的8邻域像素之一被比对。
S107、将所有8邻域最大值和所有8邻域最小值进行平均，得到亮度特征平均值Q。
S108、将第一亮度特征图的各像素的亮度特征值与(P-Q)2相乘。
根据S105示例中得到的亮度特征值归一化至0～P之间的6个第一亮度特征图，依次将每个第一亮度特征图的各像素的亮度特征值与(P-Q)2相乘。这样可以将每个第一亮度特征图中潜在的显著性区域进行放大，使得潜在的显著性区域位置处的亮度特征相对于背景区域更突出。
S109、遍历第一亮度特征图的亮度特征，获取第二亮度特征最大值I2max和第二亮度特征最小值I2min，根据公式将第一亮度特征图的亮度特征归一化至0～1之间。
根据S108中将每个第一亮度特征图的各像素的亮度特征值与(P-Q)2相乘后得到的第一亮度特征图，分别对每个第一亮度特征图进行遍历，得到每个像素的第二亮度特征值，找到该第一亮度特征图对应的第二亮度特征最大值和第二亮度特征最小值。根据公式将该第一亮度特征图的各像素的亮度特征归一化至0～1之间，进一步使6个第一亮度特征图的精度提高。
S110、将所有归一化处理后的第一亮度特征图通过加权平均方式融合成一个第二亮度特征图。
根据S109中得到的6个第一亮度特征图，将6个第一亮度特征图通过加权平均的方式融合成一个第二亮度特征图，提高了潜在的显著性区域的准确度。
可选地，S20中提取图像的色调特征，并利用高斯金字塔和第二中央周边差关系式，得到至少两个第一色调特征图，如图4所示，包括：
S201、根据图像中每个像素的三原色分量，利用 计算得到每个像素对应的色调特征，得到色调特征中间图；其中，每个像素的三原色分量包括红色分量、绿色分量和蓝色分量，R为红色分量、G为绿色分量、B为蓝色分量，H为色调特征。
根据RGB颜色空间转换成HIS颜色空间，红色分量、绿色分量和蓝色分量与色调的关系式可知，若给出一幅RGB彩色格式的图像，可以利用公式 计算得到每个像素的色调特征。
所有像素的色调特征构成一个色调特征中间图。
S202、将色调特征中间图输入高斯金字塔，得到M个尺度的色调特征中间图；其中，高斯金字塔为M层的高斯金字塔，M≥7。
将色调特征中间图输入高斯金字塔，利用一系列的高斯滤波器对色调特征中间图进行滤波和采样。其中，第0层为色调特征中间图的原图，大小保持不变，将第0层大尺度的色调特征中间图与高斯滤波器进行卷积，得到第1层小尺度的色调特征中间图，其他层依次类推。高斯滤波器的高斯核大小决定了对图像的模糊程度，高斯核越小模糊的越轻，越大模糊的越严重，高斯核的大小可以根据需要进行选取。示例的，可以采用5乘5像素的高斯核对色调特征中间图进行滤波和采样。
基于此，高斯金字塔包括的高斯滤波器越多，高斯金字塔的层级越多，得到越多个不同尺度的色调特征中间图。同时，高斯金字塔层级越高，对应得到的色调特征中间图的尺度越小，分辨率越低。高斯金字塔的层级数量需要根据输入的色调特征中间图的尺寸确定。输入的色调特征中间图尺寸越大，相应设定的高斯金字塔的层级越多，输入的色调特征中间图尺寸越小，相应设定的高斯金字塔的层级越少。
基于上述描述，以下提供一种将色调特征中间图输入高斯金字塔，得到M个尺度的色调特征中间图的方法，以清楚描述其实现过程。
示例的，根据输入的色调特征中间图的尺寸确定高斯金字塔的层级为9层，即第0层到第8层，第0层为色调特征中间图的原图，大小不变。
第1层：首先将第0层色调特征中间图的原图扩大一倍，利用高斯滤波器对其进行滤波和采样，使其长宽分别缩短一倍，图像面积变为1/4倍，从而使其尺寸变为色调特征中间图原图的1/2倍。
第2层：首先将第1层得到的1/2倍的色调特征中间图原图扩大一倍，利用高斯滤波器对其进行滤波和采样，使其长宽分别缩短一倍，图像面积变为1/4倍，从而使其尺寸变为色调特征中间图原图的1/4倍。
第3层到第8层的过程依次参照上述方式循环进行，从而得到色调特征中间图原图的1/8倍、1/16倍、1/32倍、1/64倍、1/128倍、1/256倍的6个色调特征中间图。
最终，可以得到9个尺度的色调特征中间图，分别为输入的色调特征中间图的1倍、1/2倍、1/4倍、1/8倍、1/16倍、1/32倍、1/64倍、1/128倍、1/256倍。
S203、通过第二中央周边差关系式H(c,s)＝|H(c)ΘH(s)|，计算得到至少两个所述第一色调特征图；其中，H(c,s)表示第一色调特征图，H(c)表示第c个尺度的色调特征中间图，H(s)表示第s个尺度的色调特征中间图；c≥2，δ≥3，5≤s≤M-1，s＝c+δ。
第二中央周边差关系式H(c,s)＝|H(c)ΘH(s)|的运算方式叫作中心周边差运算，是根据人眼生理结构设计的，用于计算图像H(c,s)中的反差信息。人眼感受野对于视觉信息输入中反差大的特征反应强烈，例如中央是绿色周边是红色的情况等。这也属于反差较大的视觉信息。在高斯金字塔中，尺度较大的色调特征中间图细节信息较多，而尺度较小的色调特征中间图由于滤波和采样操作使其更能反映出局部的背景信息，因而，将尺度较大的色调特征中间图和尺度较小的色调特征中间图进行跨尺度减操作，能得到局部中心和周边背景信息的反差信息。
跨尺度减操作的算法如下：通过将代表周边背景信息的较小尺度的色调特征中间图先进行线性插值，使之与代表中心信息的较大尺度的色调特征中间图具有相同大小，然后进行像素对像素的减操作，即中央周边差操作，这样的跨尺度操作使用符号Θ表示。
示例的，根据S202中的示例，利用9层的高斯金字塔，可以得到9个色调特征中间图。代表中心信息的色调特征中间图选取H(2)，H(3)和H(4)，其中，c∈{2、3、4}，即选取第2层、第3层和第4层得到的1/4倍、1/8倍、1/16倍的色调特征中间图；代表周边背景信息的色调特征中间图选取H(5)、H(6)、H(7)和H(8)，其中，δ∈{3、4}，根据s＝c+δ，可知s∈{5、6、7、8}，即选取第5层、第6层、第7层和第8层得到的1/32倍、1/64倍、1/128倍和1/256倍的亮度特征中间图，相应产生6个中央周边差结果图，即H(2,5)、H(2,6)、H(3,6)、H(3,7)、H(3,8)、H(4,7)和H(4,8)6个第一色调特征图。
在此，以得到H(2,5)的过程为例进行说明：选择第2层为代表中心信息的色调特征中间图，选择第5层为代表周边背景信息的色调特征中间图，将第5层的色调特征中间图进行插值运算，放大后使第5层与第2层的色调特征中间图尺寸一致，然后再依次将第2层与第5层色调特征中间图中同行同列像素的色调特征相减，由此得到一个第一色调特征图。
可选地，S40将第一色调特征图进行归一化处理，并将所有归一化处理后的第一色调特征图融合成一个第二色调特征图，如图5所示，包括：
S204、设定一个色调特征最大值P。
可以理解的是，P的取值范围在0～255之间。
S205、针对每个第一色调特征图，遍历所述第一色调特征图的色调特征，获取所述第一色调特征图的第一色调特征最大值H1max和第一色调特征最小值H1min，根据公式将所述第一色调特征图的色调特征归一化至0～P之间；H表示所述第一色调特征图的像素的色调特征值。
当对每个第一色调特征图遍历色调特征后，可以得到该图像每个像素的颜色的属性信息，即，得到该图像每个像素的色调特征值。
示例的，根据S203示例中得到的6个第一色调特征图，针对每个第一色调特征图，对该第一色调特征图进行遍历，得到每个像素的第一色调特征值，找到该第一色调特征图的第一色调特征最大值和第一色调特征最小值，根据公式将该第一色调特征图的色调特征归一化至0～P之间。基于此，可使6个第一色调特征图统一到同一个数量级下，消除了幅值差异，提高了精度。
S206、在色调特征归一化后的所述第一色调特征图中，针对存在8邻域的每个像素，根据其8邻域像素的色调特征值，获取其中的8邻域最大值和8邻域最小值。
可以理解的是，第一色调特征图中，每个像素的邻域中，最多有8个像素将其包围，而这8个邻域像素的色调特征值相互对比，将色调特征最大的值为该像素的8邻域最大值，色调特征最小的值为该像素的8邻域最小值。并且，该像素也作为其他像素的8邻域像素之一被比对。
S207、将所有8邻域最大值和所有8邻域最小值进行平均，得到色调特征平均值Q。
S208、将第一色调特征图的各像素的色调特征值与(P-Q)2相乘。
根据S205示例中得到的色调特征值归一化至0～P之间的6个第一色调特征图，依次将每个第一色调特征图的各像素的色调特征值与(P-Q)2相乘。这样可以将每个第一色调特征图中潜在的显著性区域进行放大，使得潜在的显著性区域位置处的色调特征相对于背景区域更突出。
S209、遍历所述第一亮度特征图的亮度特征，获取第二色调特征最大值H2max和第二色调特征最小值H2min，根据公式将所述第一色调特征图的色调特征归一化至0～1之间。
根据S208中将每个第一色调特征图的各像素的色调特征值与(P-Q)2相乘后得到的第一色调特征图，分别对每个第一色调特征图进行遍历，得到每个像素的第二色调特征值，找到该第一色调特征图对应的第二色调特征最大值和第二色调特征最小值，根据公式将该第一色调特征图的各像素的色调特征归一化至0～1之间，进一步使6个第一色调特征图的精度提高。
S210、将所有归一化处理后的第一色调特征图通过加权平均方式融合成一个第二色调特征图。
根据S209中得到的6个第一色调特征图，将6个第一色调特征图通过加权平均的方式融合成一个第二色调特征图，提高了潜在的显著性区域的准确度。
可选地，在S50中将第二亮度特征图和第二色调特征图，采用加权平均的方式，融合成显著图之后，S60中根据显著图，获取显著性区域之前，如图6所示，所述图像显著性区域的检测方法还包括：
S51、采用自适应阈值二值化方法对显著图进行二值化处理，得到二值图像。
自适应阈值二值化方法可以为最大类间方差法，即大津法(OTSU)。采用最大类间方差法对显著图进行二值化处理，将显著图分成背景和前景两部分看待，前景就是要按照阈值分割出来的部分，前景和背景的分界值就是要求出的阈值。
预先设定多个值作为阈值的可选项，遍历不同的值，计算不同值下对应的背景和前景之间的类间方差，当类间方差取得极大值时，此时对应的值就是最大类间方差法所求的阈值。而此时按照该阈值分割出的前景即为显著性区域。
需要说明的是，类间方差越大，说明构成显著图的前景和背景两部分的差别越大，分割时错分的可能越小，因此，类间方差取得极大值所对应的值即为所求的阈值，此时分割的效果更好。
示例的，设定显著图中前景和背景的分割阈值为T，属于前景的像素占整幅显著图的比例记为W1，其平均灰度为μ1；背景像素占整幅显著图的比例记为W2，其平均灰度为μ2。显著图的总平均灰度记为μ；类间方差记为g。假设显著图的大小为L×N，显著图中像素的灰度值小于阈值T的像素个数记作N1，灰度值大于阈值T的像素个数记作N2。
基于上述可知：N1+N2＝L×N，W1+W2＝1。
μ＝μ1×W1+μ2×W2---公式(一)。
g＝W1×(μ-μ1)2+W2×(μ-μ2)2---公式(二)。
将公式(一)代入公式(二)可得，g＝W1×W2×(μ1-μ2)2---公式(三)。
预先设定多个值作为阈值T的可选项，采用遍历的方法找到公式(三)中类间方差g的最大值，此时对应的T值即为所求的最佳阈值T。
在此基础上，S60中根据显著图，获取显著性区域，包括：
S61、根据对显著图进行二值化处理后得到的二值图像，获取显著性区域。
通过采用自适应阈值二值化方法对显著图进行二值化处理，使得显著图中的前景与背景的差异更加明显，对其获取显著性区域时更加迅速准确。
可选地，S61中根据对显著图进行二值化处理后得到的二值图像，获取显著性区域，如图7所示，包括：
S610、对二值图像的像素进行连通域标记，将连通域标号相同的所有像素合并为一个连通域。
对二值图像的像素进行连通域标记，将连通域标号相同的像素作为一个连通域，后续可以将二值图像中作为背景的像素去掉，仅对作为前景的像素进行分割，减少了运算，提高了速度。
S620、将连通域作为显著性区域。
连通域标号相同的像素为一个连通域，一个连通域作为一个显著性区域。当具有多个连通域标号时，二值图像被分割为多个连通域，多个连通域作为多个显著性区域被提取。
可选地，S610中对二值图像的像素进行连通域标记，将连通域标号相同的像素合并一个连通域，如图8所示，包括：
需要说明的是，二值图像中的像素灰度值为1或者为0，为了避免初始标记值与灰度值混淆，因此，将初始标记值从2开始选取。
S611、逐行遍历二值图像的像素。
S612、判断像素是否未标记且灰度值为1。
设定二值图像中的像素灰度值为1的像素作为前景像素，像素灰度值为0的像素作为背景像素。
S613、若不为1，或者若为1但已被标记，则继续逐行遍历二值图像的像素。
若不为1，或者若为1但已被标记，说明是背景像素或者是已经有连通域标号的像素。
S614、若为1且未标记，则将该像素作为种子像素，将种子像素的连通域标号标记为N，N≥2；并且遍历种子像素的8邻域像素。
S615、判断种子像素的8邻域像素中未标记的像素灰度值是否为1。
其中，坐标为(x,y)的像素的8邻域像素分别为坐标是(x-1,y-1)、(x-1,y)、(x-1,y+1)、(x,y-1)、(x,y+1)、(x+1,y-1)、(x+1,y)、(x+1,y+1)的像素；x为像素在二值图像的行数，y为像素在二值图像的列数。
S616、若该种子像素的8邻域像素中的至少一个未标记的像素的灰度值为1，则将该种子像素的8邻域像素中未标记且灰度值为1的像素连通域标号标记为N，并将8邻域像素中遍历到的未标记且灰度值为1的像素全部作为种子像素，循环进行遍历且标记值不变。
此处，标记值不变，即标记值仍为N。
S617、若该种子像素的8邻域像素的未标记的像素其灰度值均不为1，则一个连通域标记结束，使N加1。继续逐行遍历二值图像的像素，判断像素是否未标记且灰度值为1。
可以理解的是，作为种子像素的8邻域像素中没有找到一个灰度值为1的像素，该S617停止，然后初始标记值变为N+1，重新开始S611步骤，继续逐行遍历二值图像的像素，判断下一个像素是否未标记且灰度值为1。
基于上述描述，以下提供一种对二值图像的像素进行连通域标记，将连通域标号相同的像素合并一个连通域的方法，以清楚描述其实现过程。
示例的，对二值图像的像素进行连通域标记，将连通域标号相同的像素合并一个连通域的方法，包括：
第一步：逐行遍历二值图像的像素。
第二步：判断像素是否未标记且灰度值为1。
第三步：当扫描到坐标为(2,3)的像素时，其未标记且灰度值为1，则将坐标为(2,3)的像素作为种子像素，此时，将坐标为(2,3)的该种子像素连通域标号标记为2。
第四步：坐标为(2,3)的该种子像素的8邻域像素分别是坐标为(1,2)、(1,3)、(1,4)、(2,2)、(2,4)、(3,2)、(3,3)、(3,4)的像素，遍历上述8个像素。
第五步：判断其中是否有未标记的像素且灰度值为1。
第六步：当扫描到坐标为(3,2)和(3,3)的像素时，其未标记且灰度值为1，其余像素的灰度值均为0，则将坐标为(3,2)和(3,3)的像素连通域标号标记为2，并将坐标为(3,2)和(3,3)的两个像素全部作为种子像素。
第七步：第六步中先扫描坐标为(3,3)的像素再扫描坐标为(3,2)的像素，则先以坐标为(3,3)的像素作为种子像素，且标记为2，遍历坐标为(3,3)的像素的8邻域像素，判断其中是否有未标记的像素且灰度值为1，再以坐标(3,2)的像素作为种子像素，且标记为2，遍历坐标(3,2)的像素的8邻域像素，判断其中是否有未标记的像素且灰度值为1。
第八步：第七步中，坐标为(3,3)的像素作为种子像素时，其8邻域像素中，坐标为(2,2)、(3,2)的像素已经被标记为2，其余像素灰度值均为0；坐标为(3,2)的像素作为种子像素时，其8邻域像素中，坐标为(2,2)、(3,2)的像素已经被标记为2，其余像素灰度值均为0，则该连通域标记结束，标记值变为3。
然后执行第一步，逐行遍历二值图像的像素，寻找下一个种子像素。
最终，坐标为(2,3)、(3,2)、(3,3)的像素标记值均为2，构成一个连通域，该连通域作为一个显著性区域被提取。
本发明的实施例还提供一种计算机设备，包括存储单元和处理单元；所述存储单元中存储可在处理单元上运行的计算机程序并存储标记结果；处理单元执行计算机程序时实现上述的图像显著性区域的检测方法。
本发明的实施例还提供一种计算机可读介质，其存储有计算机程序，计算机程序被处理器执行时实现上述的图像显著性区域的检测方法。
本发明的实施例还提供一种图像显著性区域的检测装置，如图9所示，包括：
提取模块10，配置为提取图像的亮度特征，并利用高斯金字塔和第一中央周边差关系式，得到至少两个第一亮度特征图。
提取模块10，还配置为提取图像的色调特征，并利用高斯金字塔和第二中央周边差关系式，得到至少两个第一色调特征图。
融合模块20，配置为将第一亮度特征图进行归一化处理，并将所有归一化处理后的第一亮度特征图融合成一个第二亮度特征图。
融合模块20，还配置为将所述第一色调特征图进行归一化处理，并将所有归一化处理后的所述第一色调特征图融合成一个第二色调特征图。
融合模块20，还配置为将所述第二亮度特征图和所述第二色调特征图融合成显著图。
获取模块30，配置为根据所述显著图，获取显著性区域。
例如，图像显著性区域的检测装置集成于服务器中。在本发明提供的一种图像显著性区域的检测装置中，通过提取模块10提取图像的亮度特征，并利用高斯金字塔和第一中央周边差关系式，得到至少两个第一亮度特征图，以及提取模块10提取图像的色调特征，并利用高斯金字塔和第二中央周边差关系式，得到至少两个第一色调特征图；融合模块20将第一亮度特征图进行归一化处理，并将所有归一化处理后的第一亮度特征图融合成一个第二亮度特征图，以及融合模块20将第一色调特征图进行归一化处理，并将所有归一化处理后的第一色调特征图融合成一个第二色调特征图，此外融合模块20还将第二亮度特征图和第二色调特征图融合成显著图。获取模块根据显著图，获取显著性区域。由此可见，本发明的实施例能够根据显著图所融合的亮度特征和色调特征信息，在获取显著性区域时，快速得到近似人眼注意的目标，相对于现有技术中每次获取都需要训练样本，不仅提高了获取显著性区域的准确度，也提高了获取速度。
可选地，获取模块30，配置为根据显著图，获取显著性区域，包括：
获取模块30，配置为对二值图像的像素进行连通域标记，将连通域标号相同的所有像素合并为一个连通域；将连通域作为显著性区域。
获取模块30对二值图像的像素进行连通域标记，将连通域标号相同的所有像素合并为一个连通域，后续可以将二值图像中作为背景的像素去掉，仅对作为前景的像素进行分割，减少了运算，提高了速度。
可选地，提取模块10，配置为提取图像的亮度特征，并利用高斯金字塔和第一中央周边差关系式，得到至少两个第一亮度特征图，包括：
提取模块10，配置为根据图像中每个像素的三原色分量，利用计算得到每个像素对应的亮度特征，得到亮度特征中间图；其中，每个像素的三原色分量包括红色分量、绿色分量和蓝色分量，R为红色分量、G为绿色分量、B为蓝色分量，I为亮度特征。
将亮度特征中间图输入高斯金字塔，得到M个尺度的亮度特征中间图；其中，高斯金字塔为M层的高斯金字塔，M≥7。
通过第一中央周边差关系式I(c,s)＝|I(c)ΘI(s)|，计算得到至少两个所述第一亮度特征图；其中，I(c,s)表示第一亮度特征图，I(c)表示第c个尺度的亮度特征中间图，I(s)表示第s个尺度的亮度特征中间图；c≥2，δ≥3，5≤s≤M-1，s＝c+δ。
可选地，提取模块10，配置为提取所述图像的色调特征，并利用高斯金字塔和第二中央周边差关系式，得到至少两个第一色调特征图，包括：
提取模块10，配置为根据所述图像中每个像素的三原色分量，利用计算得到每个像素对应的色调特征，得到色调特征中间图；其中，每个像素的三原色分量包括红色分量、绿色分量和蓝色分量，R为红色分量、G为绿色分量、B为蓝色分量，H为色调特征。
将色调特征中间图输入所述高斯金字塔，得到M个尺度的色调特征中间图；其中，所述高斯金字塔为M层的高斯金字塔，M≥7。
通过第二中央周边差关系式H(c,s)＝|H(c)ΘH(s)|，计算得到至少两个所述第一色调特征图；其中H(c,s)表示第一色调特征图，H(c)表示第c个尺度的色调特征中间图，H(s)表示第s个尺度的色调特征中间图；c≥2，δ≥3，5≤s≤M-1，s＝c+δ。
在本发明的实施例提供的一种图像显著性区域的检测装置中，通过提取模块10针对性的提取亮度特征和色调特征，能更好的反映图像中前景物体的本质属性，使图像中的前景物体能更完整的作为显著性区域被提取。其中，通过提取模块10提取图像的亮度特征，并利用高斯金字塔和第一中央周边差关系式，得到至少两个第一亮度特征图，以及提取模块10提取图像的色调特征，并利用高斯金字塔和第二中央周边差关系式，得到至少两个第一色调特征图；融合模块20将第一亮度特征图进行归一化处理，并将所有归一化处理后的第一亮度特征图融合成一个第二亮度特征图，以及融合模块20将第一色调特征图进行归一化处理，并将所有归一化处理后的第一色调特征图融合成一个第二色调特征图，此外融合模块20还将第二亮度特征图和第二色调特征图融合成显著图。从而获取模块根据显著图，获取显著性区域。通过以上方法提取显著性区域的速度更快，适用范围更广，更接近人眼视觉的感知，提取的效果更好。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (14)

1.一种图像显著性区域的检测方法，其特征在于，包括：
提取图像的亮度特征，并利用高斯金字塔和第一中央周边差关系式，得到至少两个第一亮度特征图；
提取所述图像的色调特征，并利用所述高斯金字塔和第二中央周边差关系式，得到至少两个第一色调特征图；
将所述第一亮度特征图进行归一化处理，并将所有归一化处理后的所述第一亮度特征图融合成一个第二亮度特征图；
将所述第一色调特征图进行归一化处理，并将所有归一化处理后的所述第一色调特征图融合成一个第二色调特征图；
将所述第二亮度特征图和所述第二色调特征图融合成显著图；
根据所述显著图，获取显著性区域。
2.根据权利要求1所述的图像显著性区域的检测方法，其特征在于，将所述第二亮度特征图和所述第二色调特征图融合成显著图之后，根据所述显著图，获取显著性区域之前，所述图像显著性区域的检测方法还包括：
采用自适应阈值二值化方法对所述显著图进行二值化处理，得到二值图像；
根据所述显著图，获取显著性区域，包括：根据对所述显著图进行二值化处理后得到的所述二值图像，获取所述显著性区域。
3.根据权利要求2所述的图像显著性区域的检测方法，其特征在于，根据所述二值图像，获取所述显著性区域，包括：
对所述二值图像的像素进行连通域标记，将连通域标号相同的所有像素合并为一个连通域；
将所述连通域作为显著性区域。
4.根据权利要求3所述的图像显著性区域的检测方法，其特征在于，对所述二值图像的像素进行连通域标记，将所述连通域标号相同的像素合并为一个连通域，包括：
初始标记值为N，N≥2；
逐行遍历所述二值图像的像素，判断所述像素是否未标记且灰度值为1；
若不为1，或者若为1但已被标记，则继续逐行遍历所述二值图像的像素；
若为1且未标记，则作为种子像素，将所述种子像素的连通域标号标记为N，并且遍历所述种子像素的8邻域像素，判断所述种子像素的8邻域像素中未标记的像素灰度值是否为1；
若该种子像素的8邻域像素中的至少一个未标记的像素的灰度值为1，则将该种子像素的8邻域像素中未标记且灰度值为1的像素连通域标号标记为N，并将8邻域像素中遍历到的未标记且灰度值为1的像素全部作为种子像素，循环进行且标记值不变；
若该种子像素的8邻域像素的未标记的像素其灰度值均不为1，则一个连通域标记结束，标记值加1，继续逐行遍历所述二值图像的像素；
其中，坐标为(x,y)的像素的8邻域像素分别为坐标是(x-1,y-1)、(x-1,y)、(x-1,y+1)、(x,y-1)、(x,y+1)、(x+1,y-1)、(x+1,y)、(x+1,y+1)的像素；x为所述像素在二值图像的行数，y为所述像素在二值图像的列数。
5.根据权利要求1-4任一项所述的图像显著性区域的检测方法，其特征在于，提取图像的亮度特征，并利用高斯金字塔和第一中央周边差关系式，得到至少两个第一亮度特征图，包括：
根据所述图像中每个像素的三原色分量，利用计算得到每个像素对应的亮度特征，得到亮度特征中间图；其中，每个像素的三原色分量包括红色分量、绿色分量和蓝色分量，R为红色分量、G为绿色分量、B为蓝色分量，I为亮度特征；
将所述亮度特征中间图输入所述高斯金字塔，得到M个尺度的亮度特征中间图；其中，所述高斯金字塔为M层的高斯金字塔，M≥7；
通过所述第一中央周边差关系式I(c,s)＝|I(c)ΘI(s)|，计算得到至少两个所述第一亮度特征图；其中，I(c,s)表示第一亮度特征图，I(c)表示第c个尺度的亮度特征中间图，I(s)表示第s个尺度的亮度特征中间图；c≥2，δ≥3，5≤s≤M-1，s＝c+δ。
6.根据权利要求1-4任一项所述的图像显著性区域的检测方法，其特征在于，提取所述图像的色调特征，并利用所述高斯金字塔和第二中央周边差关系式，得到至少两个第一色调特征图，包括：
根据所述图像中每个像素的三原色分量，利用 计算得到每个像素对应的色调特征，得到色调特征中间图；其中，每个像素的三原色分量包括红色分量、绿色分量和蓝色分量，R为红色分量、G为绿色分量、B为蓝色分量，H为色调特征；
将所述色调特征中间图输入所述高斯金字塔，得到M个尺度的色调特征中间图；其中，所述高斯金字塔为M层的高斯金字塔，M≥7；
通过所述第二中央周边差关系式H(c,s)＝|H(c)ΘH(s)|，计算得到至少两个所述第一色调特征图；其中，H(c,s)表示第一色调特征图，H(c)表示第c个尺度的色调特征中间图，H(s)表示第s个尺度的色调特征中间图；c≥2，δ≥3，5≤s≤M-1，s＝c+δ。
7.根据权利要求5所述的图像显著性区域的检测方法，其特征在于，将所述第一亮度特征图进行归一化处理，并将所有归一化处理后的所述第一亮度特征图融合成一个第二亮度特征图，包括：
设定一个亮度特征最大值P；
针对每个第一亮度特征图，遍历所述第一亮度特征图的亮度特征，获取所述第一亮度特征图的第一亮度特征最大值I1max和第一亮度特征最小值I1min，根据公式将所述第一亮度特征图的亮度特征归一化至0～P之间；I表示所述第一亮度特征图的像素的亮度特征值；
在亮度特征归一化后的所述第一亮度特征图中，针对存在8邻域的每个像素，根据其8邻域像素的亮度特征值，获取其中的8邻域最大值和8邻域最小值；
将所有8邻域最大值和所有8邻域最小值进行平均，得到亮度特征平均值Q；
将所述第一亮度特征图的各像素的亮度特征值与(P-Q)2相乘；
遍历所述第一亮度特征图的亮度特征，获取第二亮度特征最大值I2max和第二亮度特征最小值I2min，根据公式将所述第一亮度特征图的亮度特征归一化至0～1之间；
将所有归一化处理后的所述第一亮度特征图通过加权平均方式融合成一个第二亮度特征图。
8.根据权利要求6所述的图像显著性区域的检测方法，其特征在于，将所述第一色调特征图进行归一化处理，并将所有归一化处理后的所述第一色调特征图融合成一个第二色调特征图，包括：
设定一个色调特征最大值P；
针对每个第一色调特征图，遍历所述第一色调特征图的色调特征，获取所述第一色调特征图的第一色调特征最大值H1max和第一色调特征最小值H1min，根据公式将所述第一色调特征图的色调特征归一化至0～P之间；H表示所述第一色调特征图的像素的色调特征值；
在色调特征归一化后的所述第一色调特征图中，针对存在8邻域的每个像素，根据其8邻域的色调特征值，获取其中的8邻域最大值和8邻域最小值；
将所有8邻域最大值和所有8邻域最小值进行平均，得到色调特征平均值Q；
将所述第一色调特征图的各像素的色调特征值与(P-Q)2相乘；
遍历所述第一亮度特征图的亮度特征，获取第二色调特征最大值H2max和第二色调特征最小值H2min，根据公式将所述第一色调特征图的色调特征归一化至0～1之间；
将所有归一化处理后的所述第一色调特征图通过加权平均方式融合成一个第二色调特征图。
9.一种计算机设备，其特征在于，包括存储单元和处理单元；所述存储单元中存储可在所述处理单元上运行的计算机程序并存储标记结果；所述处理单元执行所述计算机程序时实现如权利要求1-8任一项所述的图像显著性区域的检测方法。
10.一种计算机可读介质，其存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8任一项所述的图像显著性区域的检测方法。
11.一种图像显著性区域的检测装置，其特征在于，包括：
提取模块，配置为提取图像的亮度特征，并利用高斯金字塔和第一中央周边差关系式，得到至少两个第一亮度特征图；
所述提取模块，还配置为提取所述图像的色调特征，并利用所述高斯金字塔和第二中央周边差关系式，得到至少两个第一色调特征图；
融合模块，配置为将所述第一亮度特征图进行归一化处理，并将所有归一化处理后的所述第一亮度特征图融合成一个第二亮度特征图；
所述融合模块，还配置为将所述第一色调特征图进行归一化处理，并将所有归一化处理后的所述第一色调特征图融合成一个第二色调特征图；
所述融合模块，还配置为将所述第二亮度特征图和所述第二色调特征图融合成显著图；
获取模块，配置为根据所述显著图，获取显著性区域。
12.根据权利要求11所述的图像显著性区域的检测装置，其特征在于，获取模块，配置为根据所述显著图，获取显著性区域，包括：
所述获取模块，配置为对二值图像的像素进行连通域标记，将连通域标号相同的所有像素合并为一个连通域；将所述连通域作为显著性区域。
13.根据权利要求11所述的图像显著性区域的检测装置，其特征在于，提取模块，配置为提取图像的亮度特征，并利用高斯金字塔和第一中央周边差关系式，得到至少两个第一亮度特征图，包括：
所述提取模块，配置为根据所述图像中每个像素的三原色分量，利用计算得到每个像素对应的亮度特征，得到亮度特征中间图；其中，每个像素的三原色分量包括红色分量、绿色分量和蓝色分量，R为红色分量、G为绿色分量、B为蓝色分量，I为亮度特征；
将所述亮度特征中间图输入所述高斯金字塔，得到M个尺度的亮度特征中间图；其中，所述高斯金字塔为M层的高斯金字塔，M≥7；
通过所述第一中央周边差关系式I(c,s)＝|I(c)ΘI(s)|，计算得到至少两个所述第一亮度特征图；其中，I(c,s)表示第一亮度特征图，I(c)表示第c个尺度的亮度特征中间图，I(s)表示第s个尺度的亮度特征中间图；c≥2，δ≥3，5≤s≤M-1，s＝c+δ。
14.根据权利要求11所述的图像显著性区域的检测装置，其特征在于，所述提取模块，配置为提取所述图像的色调特征，并利用所述高斯金字塔和第二中央周边差关系式，得到至少两个第一色调特征图，包括：
所述提取模块，配置为根据所述图像中每个像素的三原色分量，利用计算得到每个像素对应的色调特征，得到色调特征中间图；其中，每个像素的三原色分量包括红色分量、绿色分量和蓝色分量，R为红色分量、G为绿色分量、B为蓝色分量，H为色调特征；
将所述色调特征中间图输入所述高斯金字塔，得到M个尺度的色调特征中间图；其中，所述高斯金字塔为M层的高斯金字塔，M≥7；
通过所述第二中央周边差关系式H(c,s)＝|H(c)ΘH(s)|，计算得到至少两个所述第一色调特征图；其中，H(c,s)表示第一色调特征图，H(c)表示第c个尺度的色调特征中间图，H(s)表示第s个尺度的色调特征中间图；c≥2，δ≥3，5≤s≤M-1，s＝c+δ。
CN201910301296.3A 2019-04-15 2019-04-15 图像显著性区域的检测方法和装置 Expired - Fee Related CN110008969B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910301296.3A CN110008969B (zh) 2019-04-15 2019-04-15 图像显著性区域的检测方法和装置
PCT/CN2020/076000 WO2020211522A1 (zh) 2019-04-15 2020-02-20 图像的显著性区域的检测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910301296.3A CN110008969B (zh) 2019-04-15 2019-04-15 图像显著性区域的检测方法和装置

Publications (2)

Publication Number Publication Date
CN110008969A true CN110008969A (zh) 2019-07-12
CN110008969B CN110008969B (zh) 2021-05-14

Family

ID=67172018

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910301296.3A Expired - Fee Related CN110008969B (zh) 2019-04-15 2019-04-15 图像显著性区域的检测方法和装置

Country Status (2)

Country Link
CN (1) CN110008969B (zh)
WO (1) WO2020211522A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111444929A (zh) * 2020-04-01 2020-07-24 北京信息科技大学 一种基于模糊神经网络的显著图计算方法及系统
WO2020211522A1 (zh) * 2019-04-15 2020-10-22 京东方科技集团股份有限公司 图像的显著性区域的检测方法和装置
CN112669306A (zh) * 2021-01-06 2021-04-16 北京信息科技大学 一种基于显著图的太阳能电池片缺陷检测方法及系统
CN114022747A (zh) * 2022-01-07 2022-02-08 中国空气动力研究与发展中心低速空气动力研究所 基于特征感知的显著目标提取方法

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329796B (zh) * 2020-11-12 2023-05-23 北京环境特性研究所 基于视觉显著性的红外成像卷云检测方法和装置
CN113009443B (zh) * 2021-02-22 2023-09-12 南京邮电大学 一种基于图连通密度的海面目标检测方法及其装置
CN113362356B (zh) * 2021-06-02 2024-02-02 杭州电子科技大学 一种基于双侧注意通路的显著轮廓提取方法
CN114022753B (zh) * 2021-11-16 2024-05-14 北京航空航天大学 基于显著性和边缘分析的对空小目标检测算法
CN114332572B (zh) * 2021-12-15 2024-03-26 南方医科大学 基于显著图引导分层密集特征融合网络用于提取乳腺病变超声图像多尺度融合特征参数方法
CN114998189B (zh) * 2022-04-15 2024-04-16 电子科技大学 一种彩色显示点缺陷检测方法
CN115578476B (zh) * 2022-11-21 2023-03-10 山东省标筑建筑规划设计有限公司 一种用于城乡规划数据的高效存储方法
CN115598138B (zh) * 2022-11-23 2023-04-07 惠州威尔高电子有限公司 基于显著性检测的电源控制电路板瑕疵检测方法及系统
CN115810113B (zh) * 2023-02-10 2023-05-05 南京隼眼电子科技有限公司 针对sar图像的显著特征提取方法及装置
CN116051543B (zh) * 2023-03-06 2023-06-16 山东锦霖钢材加工有限公司 一种用于钢材剥皮的缺陷识别方法
CN117455913B (zh) * 2023-12-25 2024-03-08 卡松科技股份有限公司 基于图像特征的液压油污染智能检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101211356A (zh) * 2006-12-30 2008-07-02 中国科学院计算技术研究所 一种基于显著区域的图像查询方法
US20100268301A1 (en) * 2009-03-06 2010-10-21 University Of Southern California Image processing algorithm for cueing salient regions
CN102521595A (zh) * 2011-12-07 2012-06-27 中南大学 一种基于眼动数据和底层特征的图像感兴趣区域提取方法
CN107301420A (zh) * 2017-06-30 2017-10-27 武汉大学 一种基于显著性分析的热红外影像目标探测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834933B (zh) * 2014-02-10 2019-02-12 华为技术有限公司 一种图像显著性区域的检测方法和装置
CN108960247B (zh) * 2017-05-22 2022-02-25 阿里巴巴集团控股有限公司 图像显著性检测方法、装置以及电子设备
CN109410171B (zh) * 2018-09-14 2022-02-18 安徽三联学院 一种用于雨天图像的目标显著性检测方法
CN110008969B (zh) * 2019-04-15 2021-05-14 京东方科技集团股份有限公司 图像显著性区域的检测方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101211356A (zh) * 2006-12-30 2008-07-02 中国科学院计算技术研究所 一种基于显著区域的图像查询方法
US20100268301A1 (en) * 2009-03-06 2010-10-21 University Of Southern California Image processing algorithm for cueing salient regions
CN102521595A (zh) * 2011-12-07 2012-06-27 中南大学 一种基于眼动数据和底层特征的图像感兴趣区域提取方法
CN107301420A (zh) * 2017-06-30 2017-10-27 武汉大学 一种基于显著性分析的热红外影像目标探测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LAURENT ITTI ET.AL: "A Model of Saliency-Based Visual Attention for Rapid Scene Analysis", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 *
叶聪颖 等: "基于HSI的视觉注意力模型及其在船只检测中的应用", 《厦门大学学报（自然科学版）》 *
翟永杰 等: "基于显著性检测的风机叶片裂纹提取研究", 《南方能源建设》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020211522A1 (zh) * 2019-04-15 2020-10-22 京东方科技集团股份有限公司 图像的显著性区域的检测方法和装置
CN111444929A (zh) * 2020-04-01 2020-07-24 北京信息科技大学 一种基于模糊神经网络的显著图计算方法及系统
CN112669306A (zh) * 2021-01-06 2021-04-16 北京信息科技大学 一种基于显著图的太阳能电池片缺陷检测方法及系统
CN114022747A (zh) * 2022-01-07 2022-02-08 中国空气动力研究与发展中心低速空气动力研究所 基于特征感知的显著目标提取方法
CN114022747B (zh) * 2022-01-07 2022-03-15 中国空气动力研究与发展中心低速空气动力研究所 基于特征感知的显著目标提取方法

Also Published As

Publication number Publication date
WO2020211522A1 (zh) 2020-10-22
CN110008969B (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
CN110008969B (zh) 图像显著性区域的检测方法和装置
Wong et al. Histogram equalization and optimal profile compression based approach for colour image enhancement
Wang et al. Biologically inspired image enhancement based on Retinex
Jiang et al. Image dehazing using adaptive bi-channel priors on superpixels
JP5781743B2 (ja) 画像処理装置、画像処理方法及び画像処理プログラム
CN111915704A (zh) 一种基于深度学习的苹果分级识别方法
Tsai Adaptive local power-law transformation for color image enhancement
CN108389215B (zh) 一种边缘检测方法、装置、计算机存储介质及终端
Raffei et al. A low lighting or contrast ratio visible iris recognition using iso-contrast limited adaptive histogram equalization
CN102222229A (zh) 手指静脉图像预处理方法
CN107256539B (zh) 一种基于局部对比度的图像锐化方法
JP5534411B2 (ja) 画像処理装置
CN107256543B (zh) 图像处理方法、装置、电子设备及存储介质
Ancuti et al. Image and video decolorization by fusion
CN111223110A (zh) 一种显微图像增强方法、装置及计算机设备
CN114926374B (zh) 一种基于ai的图像处理方法、装置、设备及可读存储介质
CN112508024A (zh) 一种变压器电气铭牌钢印字体智能识别方法
CN113487473A (zh) 一种添加图像水印的方法、装置、电子设备及存储介质
CN112102207A (zh) 一种确定温度的方法、装置、电子设备及可读存储介质
Rahman et al. Efficient contrast adjustment and fusion method for underexposed images in industrial cyber-physical systems
Spaepen et al. Digital image processing of live/dead staining
CN108877030B (zh) 图像处理方法、装置、终端和计算机可读存储介质
CN113658118A (zh) 图像噪声程度估计方法、装置、电子设备及存储介质
Al-Ameen et al. Fast and Efficient Algorithm for Contrast Enhancement of Color Images.
WO2014002811A1 (ja) 画像処理装置、画像処理方法および画像処理プログラム

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210514

CF01 Termination of patent right due to non-payment of annual fee