CN110866896B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110866896B CN110866896B CN201911036279.8A CN201911036279A CN110866896B CN 110866896 B CN110866896 B CN 110866896B CN 201911036279 A CN201911036279 A CN 201911036279A CN 110866896 B CN110866896 B CN 110866896B
- Authority
- CN
- China
- Prior art keywords
- image
- region
- super
- color
- level set
- 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.)
- Expired - Fee Related
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 16
- 238000001514 detection method Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 34
- 239000003086 colorant Substances 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 230000004927 fusion Effects 0.000 claims abstract description 3
- 230000008569 process Effects 0.000 claims description 8
- 238000009877 rendering Methods 0.000 claims description 8
- 238000003491 array Methods 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000003709 image segmentation Methods 0.000 abstract description 2
- 230000001133 acceleration Effects 0.000 abstract 1
- 238000003064 k means clustering Methods 0.000 abstract 1
- 230000000007 visual effect Effects 0.000 description 17
- 230000006870 function Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
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
- G06T7/11—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
- G06T7/12—Edge-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
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
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)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于k‑means与水平集超像素分割的图像显著性目标检测方法，该方法使用水平集图像分割与k‑means聚类相结合的方法，将给定目标图像分割为多个具有相似特征的超像素区域，以抽象图像中不必要的细节，然后使用直方图加速的方法量化所有超像素内的颜色特征，减少颜色数量，提高计算效率，全局对比所有超像素区域在Lab色彩空间下的距离和平面空间的距离计算区域显著值，并结合背景先验和多尺度空间融合进一步优化检测效果。对于后期的机器视觉处理具有重要的意义，而且其成本远低于后续的复杂图像处理。
Description
技术领域
本发明涉及数字图像处理的领域，尤其涉及一种基于k-means与水平集超像素分割的图像显著性目标检测方法。
背景技术
随着互联网和通信技术的快速发展，人们能够获取的外界信息呈现井喷式增长，“大数据”时代已然到来。在人类日常获取的各种信息之中，又以图像信息所包含的信息量最为丰富，实际上人类一天获取的各种信息80％来自于视觉图像信息。著名视频网站YouTube在庆祝8周年生日时披露，每分钟上传到该网站的视频已突破100亿小时，而著名社交网站Facebook在其2013年的白皮书中透露，该公司的11.5亿用户每天平均向其网站上传3.5亿张照片。面对如此海量的图像与视频信息，如何从这些图像和视频中快速地获取对人们有用的重要信息，已经成为摆在研究人员面前的一个重要问题。
长期以来，心理学家和神经科学家一直在研究人类视觉显著性这种能力，而随着计算机视觉技术的发展，人类的视觉注意机制同时在机器视觉领域引起了极大的兴趣与关注，主要是因为它有助于发现有效表示场景的对象或区域，从而利用于解决复杂的视觉问题。
如今视觉显著性检测在计算机视觉、图像感知和人形机器人等诸多领域得到了广泛的利用，具体应用如物体检测与识别，图像和视频压缩，视频摘要，照片拼接与媒体重定向，图像质量估计，图像分割，基于内容的图像检索和图像采集浏览，图像编辑和操作，视觉跟踪，对象发现和人机交互等。
人类视觉系统在面对自然场景时具有快速搜索和定位感兴趣目标的能力，这种视觉注意机制是人们日常生活中处理视觉信息的重要机制。随着互联网带来的大数据量的传播，如何从海量的图像和视频数据中快速地获取重要信息，已经成为计算机视觉领域一个关键的问题。通过在计算机视觉任务中引入这种视觉注意机制，即视觉显著性，可以为视觉信息处理任务带来一系列重大的帮助和改善。引入视觉显著性的优势主要表现在两个方面，第一，它可将有限的计算资源分配给图像视频中更重要的信息，第二，引入视觉显著性的结果更符合人的视觉认知需求。视觉显著性检测在目标识别，图像视频压缩，图像检索，图像重定向等中有着重要的应用价值。视觉显著性检测模型是通过计算机视觉方法去预测图像或视频中的哪些信息更受到视觉注意的过程。
发明内容
有鉴于此，本发明提供了计算高效的一种基于k-means与水平集超像素分割的图像显著性目标检测方法。
本发明提供一种基于k-means与水平集超像素分割的图像显著性目标检测方法，包括以下步骤：
步骤1：输入一张彩色RGB图像IRGB，包括R、G、B三个通道；
步骤2：使用CV水平集演化模型将步骤1输入的彩色图像IRGB分割为多个具有相似特征的超像素区域rm，并定位图像的前景区域rforeground和背景区域rbackground；
步骤3：将面积大于整体图像30％的大块超像素区域rm通过k-means方法进行再分割，分割为3个小的超像素区域；
步骤4：将彩色图像IRGB进行颜色量化，将图像颜色的数量减少到少于256种，生成新的图像
步骤5：将新的图像
从RGB色彩空间转换到Lab色彩空间，生成新的图像
对比每一个超像素区域在Lab空间的颜色距离和空间距离，生成原始显著图Soriginal；
步骤6：通过计算新的图像
与背景区域在Lab色彩空间的距离生成原始背景显著图
然后将原始背景显著图
与原始显著图Soriginal融合后生成背景先验显著图Sbackground；
步骤7：将图像IRGB在2尺度空间和4尺度空间重复步骤2至步骤6，生成多尺度背景先验显著图
和
通过融合原尺度背景先验显著图Sbackground、多尺度背景先验显著图
和
生成最后的显著图Sfinal。
进一步地，所述步骤2中使用CV水平集演化模型将彩色图像IRGB分割为多个超像素区域的方法为：
(a)将彩色图像IRGB转换为灰度图像IGray，将灰度图IGray中每个像素的灰度值作为IGray数组中的值；
(b)初始化水平集IPhi，让水平集数组里的每一个元素的值为2，水平集IPhi是和灰度图像IGray有着相同形状的数组；
(c)更新水平集IPhi，迭代m次，m>2；更新的过程为：
其中，sum表示求和、
表示更新的水平集,
表示更新前的水平集，row和col分别是灰度图像IGray的高和宽；IDirac是狄克拉函数；IHeaviside是海式函数；ICurv是图像曲率，通过Sobel算子计算；IDirac、IHeaviside和ICurv均是与灰度图像IGray有相同形状的数组，IDirac和IHeaviside的计算公式分别如下：
(d)水平集IPhi迭代m次后，生成最终的水平集
通过自适应阈值，将水平集
二值化得到Imask，通过轮廓定位，将灰度图像的轮廓寻找出来，即二值化图像Imask的灰度值0和255的边界为轮廓，每一个轮廓代表了一个超像素区域rm。
进一步地，所述步骤2中定位前景区域和背景区域的方法为：将超像素区域内的区域的合集定义为前景区域rforeground，超像素区域外的区域定义为背景区域rbackground。
进一步地，所述步骤3对大块超像素区域进行再分割，按如下步骤进行：
a)将区域面积大于图像30％的大块超像素区域单独提取出来；
b)k-mean的聚类数设置为3个，随机选择该大块超像素区域中的三个像素点作为初始聚类中心，然后分别计算大块超像素区域内其他像素点与三个中心像素点的空间距离，选与其空间距离最小的中心像素点归于一类。
c)然后在三个聚类好的聚类体中再随机选择三个中心像素点，重复步骤b)直到聚类不再发生变化，三个聚类就成为三个新的超像素区域。
进一步地，所述步骤4对彩色图像IRGB进行颜色量化，按如下步骤进行：
(a)将彩色图像IRGB三个通道R、G、B分离开来，通过R*144+G*12+B*1这个公式，将颜色的最大数量256*256*256减小到12*12*12；
(b)为进一步减少颜色数量到256种，统计每一种颜色的数量，个数较少的几种颜色会被与它颜色最相近的颜色替代，直到颜色的总个数少于256种，则生成了一个新的彩色图片
进一步地，所述步骤5进行区域对比生成原始显著图，按如下步骤进行：
(a)首先将新的图像
从RGB色彩空间转换到Lab色彩空间，生成一个形状和
一样的三通道数组
(b)某一超像素区域的显著值计算过程为，
其中Ds(rk,rm)是区域rk和区域之rm间的空间距离，w(rm)指颜色距离权值，即rm区域内像素点的个数，区域
指空间距离权值，
值越大，表示空间距离对显著值的影响越大；
是区域r1和区域r2的Lab颜色距离；
其中f(ck,i)为第i个颜色ck,i在第k个区域rk的多有nk种颜色种出现的概率，k＝{1,2}；
(c)对每一个超像素区域都执行(b)步骤，最后归一化显著值S(rk)获取原始显著图Soriginal；
其中，k、m均表示超像素区域，i表示颜色种类。
进一步地，所述步骤6中生成原始背景显著图，然后与原始显著图融合生成背景先验显著图的方法为：
(a)计算背景区域的平均
值，通过计算图像
内每一个点离平均值的距离求取原始背景显著图
(b)融合Soriginal和
的得到背景先验显著图
进一步地，所述步骤7中生成最后的显著图Sfinal，按如下步骤进行：
(a)先获取原始图像IRGB在1/2和1/4尺度下的图像
(b)两幅尺度图分别执行步骤2到6的过程，获取两张背景先验显著图
和
(c)融合三个尺度空间的显著图生成最后的显著图
本发明提供的技术方案带来的有益效果是：对于后期的机器视觉处理具有重要的意义，而且其成本远低于后续的复杂图像处理。
附图说明
图1是本发明一种基于k-means与水平集超像素分割的图像显著性目标检测方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。
请参考图1，本发明的实施例提供了一种基于k-means与水平集超像素分割的图像显著性目标检测方法，包括以下步骤：
步骤1：输入一张彩色RGB图像IRGB，包括R、G、B三个通道；
步骤2：使用CV水平集演化模型将步骤1输入的彩色图像IRGB分割为多个具有相似特征的超像素区域rm，并定位图像的前景区域rforeground和背景区域rbackground；具体步骤如下：(1)将彩色图像IRGB转换为灰度图像IGray，将灰度图IGray中每个像素的灰度值作为IGray数组中的值；
(2)初始化水平集IPhi，让水平集数组里的每一个元素的值为2，水平集IPhi是和灰度图像IGray有着相同形状的数组，即有相同的行数列数；
(3)更新水平集IPhi，迭代100次，更新的过程为：
其中，sum表示求和、
表示更新后的水平集,
表示更新前的水平集，row和col分别是灰度图像IGray的高和宽；IDirac是狄克拉函数；IHeaviside是海式函数；ICurv是图像曲率，通过Sobel算子计算；IDirac、IHeaviside和ICurv均是与灰度图像IGray有相同形状的数组，IDirac和IHeaviside的计算公式分别如下：
(4)水平集IPhi迭代100次后，生成最终的水平集
通过自适应阈值，将水平集
二值化得到Imask，通过轮廓定位，将灰度图像的轮廓寻找出来，即二值化图像Imask的灰度值0和255的边界为轮廓，每一个轮廓代表了一个超像素区域rm，所述轮廓内的区域为图像前景区域rforeground，轮廓外的区域为图像背景区域rbackground。
步骤3：将面积大于整体图像30％的大块超像素区域通过k-means方法进行再分割，分割为3个小的超像素区域；具体方法为：将k-mean的聚类数设置为3个，随机选择该大块超像素区域中的三个像素点作为初始聚类中心，然后分别计算大块超像素区域内其他像素点与三个中心像素点的空间距离，选与其空间距离最小的中心像素点归于一类；然后在三个聚类好的聚类体中再随机选择三个中心像素点，重复聚类操作，直到聚类不再发生变化，三个聚类就成为三个新的超像素区域。
步骤4：将彩色图像IRGB三个通道R、G、B分离开来，通过R*144+G*12+B*1这个公式，将颜色的最大数量256*256*256减小到12*12*12；为进一步减少颜色数量到256种，统计每一种颜色的数量，个数较少的几种颜色会被与其颜色最相近的颜色替代，直到颜色的总个数少于256种，则生成了一个新的彩色图片
步骤5：将新的图像
从RGB色彩空间转换到Lab色彩空间，生成一个形状和
一样的三通道数组
某一超像素区域的显著值计算过程为，
其中Ds(rk,rm)是区域rk和区域之rm间的空间距离，w(rm)指颜色距离权值，即rm区域内像素点的个数，区域
指空间距离权值，
值越大，表示空间距离对显著值的影响越大，本发明中
是区域r1和区域r2的Lab颜色距离；
其中f(ck,i)为第i个颜色ck,i在第k个区域rk的多有nk种颜色种出现的概率，k＝{1,2}；
对每一个超像素区域都计算显著值，最后归一化显著值S(rk)获取原始显著图Soriginal；
其中，k、m均表示超像素区域，i表示颜色种类。
步骤6：计算背景区域的平均
值，通过计算图像
内每一个点离平均值的距离求取原始背景显著图
融合Soriginal和
的得到背景先验显著图
步骤7：先获取原始图像IRGB在1/2和1/4尺度下的图像
两幅尺度图分别执行步骤2到6的过程，获取两张背景先验显著图
和
融合原尺度背景先验显著图Sbackground、多尺度背景先验显著图
和
生成最后的显著图
以上所述仅为本发明的一个实例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。在不冲突的情况下，本文中上述实施例及实施例中的特征可以相互结合。
Claims (8)
1.一种基于k-means与水平集超像素分割的图像显著性检测方法，其特征在于，包括以下步骤：
步骤1：输入一张彩色RGB图像IRGB，包括R、G、B三个通道；
步骤2：使用CV水平集演化模型将步骤1输入的彩色图像IRGB分割为多个具有相似特征的超像素区域rm，并定位图像的前景区域rforeground和背景区域rbackground；
步骤3：将面积大于整体图像30％的大块超像素区域rm通过k-means方法进行再分割，分割为3个小的超像素区域；
步骤4：将彩色图像IRGB进行颜色量化，将图像颜色的数量减少到少于256种，生成新的图像
步骤5：将新的图像
从RGB色彩空间转换到Lab色彩空间，生成新的图像
对比所有超像素区域中任两个超像素区域在Lab空间的颜色距离和空间距离，生成原始显著图Soriginal
步骤6：通过计算新的图像
与背景区域在Lab色彩空间的距离生成原始背景显著图
然后将原始背景显著图
与原始显著图Soriginal加权融合后生成背景先验显著图Sbackground；
步骤7：将图像IRGB在2尺度空间和4尺度空间重复步骤2至步骤6，生成多尺度背景先验显著图
和
通过融合原尺度背景先验显著图Sbackground、多尺度背景先验显著图
和
生成最后的显著图Sfinal。
2.根据权利要求1所述的一种基于k-means与水平集超像素分割的图像显著性检测方法，其特征在于，所述步骤2中使用CV水平集演化模型将彩色图像IRGB分割为多个超像素区域的方法为：
(a)将彩色图像IRGB转换为灰度图像IGray，将灰度图IGray中每个像素的灰度值作为IGray数组中的值；
(b)初始化水平集IPhi，让水平集数组里的每一个元素的值为2，水平集IPhi是和灰度图像IGray有着相同形状的数组；
(c)更新水平集IPhi，迭代m次，m>2；更新的过程为：
其中，sum表示求和、
表示更新的水平集,
表示更新前的水平集，row和col分别是灰度图像IGray的高和宽；IDirac是狄克拉函数；IHeaviside是海式函数；ICurv是图像曲率，通过Sobel算子计算；IDirac、IHeaviside和ICurv均是与灰度图像IGray有相同形状的数组，IDirac和IHeaviside的计算公式分别如下：
(d)水平集IPhi迭代m次后，生成最终的水平集
通过自适应阈值，将水平集
二值化得到Imask，通过轮廓定位，将灰度图像的轮廓寻找出来，即二值化图像Imask的灰度值0和255的边界为轮廓，每一个轮廓代表了一个超像素区域rm。
3.根据权利要求1所述的一种基于k-means与水平集超像素分割的图像显著性检测方法，其特征在于，所述步骤2中定位前景区域和背景区域的方法为：将超像素区域内的区域的合集定义为前景区域rforeground，超像素区域外的区域定义为背景区域rbackground。
4.根据权利要求1所述的一种基于k-means与水平集超像素分割的图像显著性检测方法，其特征在于，所述步骤3对大块超像素区域进行再分割，按如下步骤进行：
a)将区域面积大于图像30％的大块超像素区域单独提取出来；
b)k-mean的聚类数设置为3个，随机选择该大块超像素区域中的三个像素点作为初始聚类中心，然后分别计算大块超像素区域内其他像素点与三个中心像素点的空间距离，选与其空间距离最小的中心像素点归于一类；
c)然后在三个聚类好的聚类体中再随机选择三个中心像素点，重复步骤b)直到聚类不再发生变化，三个聚类就成为三个新的超像素区域。
5.根据权利要求1所述的一种基于k-means与水平集超像素分割的图像显著性检测方法，其特征在于，所述步骤4对彩色图像IRGB进行颜色量化，按如下步骤进行：
(a)将彩色图像IRGB三个通道R、G、B分离开来，通过R*144+G*12+B*1这个公式，将颜色的最大数量256*256*256减小到12*12*12；
(b)为进一步减少颜色数量到256种，统计每一种颜色的数量，个数较少的几种颜色会被与它颜色最相近的颜色替代，直到颜色的总个数少于256种，则生成了一个新的彩色图片
6.根据权利要求1所述的一种基于k-means与水平集超像素分割的图像显著性检测方法，其特征在于，所述步骤5进行区域对比生成原始显著图，按如下步骤进行：
(a)首先将新的图像
从RGB色彩空间转换到Lab色彩空间，生成一个形状和
一样的三通道数组
(b)某一超像素区域的显著值计算过程为，
其中Ds(rk,rm)是区域rk和区域之rm间的空间距离，w(rm)指颜色距离权值，即rm区域内像素点的个数，区域
指空间距离权值，
值越大，表示空间距离对显著值的影响越大；
是区域r1和区域r2的Lab颜色距离；
其中f(ck,i)为第i个颜色ck,i在第k个区域rk的多有nk种颜色种出现的概率，k＝{1,2}；
(c)对每一个超像素区域都执行(b)步骤，最后归一化显著值S(rk)获取原始显著图Soriginal；
其中，k、m均表示超像素区域，i表示颜色种类。
7.根据权利要求1所述的一种基于k-means与水平集超像素分割的图像显著性检测方法，其特征在于，所述步骤6中生成原始背景显著图，然后与原始显著图融合生成背景先验显著图的方法为：
(a)计算背景区域的平均
值，通过计算图像
内每一个点离平均值的距离求取原始背景显著图
(b)融合Soriginal和
的得到背景先验显著图
8.根据权利要求1所述的一种基于k-means与水平集超像素分割的图像显著性检测方法，其特征在于，所述步骤7中生成最后的显著图Sfinal，按如下步骤进行：
(a)先获取原始图像IRGB在1/2和1/4尺度下的图像
(b)两幅尺度图分别执行步骤2到6的过程，获取两张背景先验显著图
和
(c)融合三个尺度空间的显著图生成最后的显著图
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911036279.8A CN110866896B (zh) | 2019-10-29 | 2019-10-29 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911036279.8A CN110866896B (zh) | 2019-10-29 | 2019-10-29 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110866896A CN110866896A (zh) | 2020-03-06 |
| CN110866896B true CN110866896B (zh) | 2022-06-24 |
Family
ID=69653411
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911036279.8A Expired - Fee Related CN110866896B (zh) | 2019-10-29 | 2019-10-29 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110866896B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111723715B (zh) * | 2020-06-10 | 2022-03-15 | 东北石油大学 | 一种视频显著性检测方法及装置、电子设备和存储介质 |
| CN113920528A (zh) * | 2020-07-08 | 2022-01-11 | 顺丰科技有限公司 | 主体对象检测方法、装置、计算机设备和存储介质 |
| CN111988540A (zh) * | 2020-08-20 | 2020-11-24 | 合肥维信诺科技有限公司 | 图像采集方法、系统及显示面板 |
| CN112258453B (zh) * | 2020-09-27 | 2024-04-26 | 南京一起康讯智能科技有限公司 | 一种工业故障巡检机器人定位地标检测方法 |
| CN112184607B (zh) * | 2020-09-27 | 2022-08-09 | 清华大学 | 毫米波太赫兹成像质量提升方法及成像系统 |
| CN112541912B (zh) * | 2020-12-23 | 2024-03-12 | 中国矿业大学 | 矿井突发灾害场景中显著性目标的快速检测方法及装置 |
| US11763422B2 (en) * | 2021-07-01 | 2023-09-19 | International Business Machines Corporation | Fast color clustering for preprocessing an image |
| 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 |
| CN115205289B (zh) * | 2022-09-15 | 2022-12-06 | 山东雅满家生物质科技有限公司 | 基于视觉的软木地板原材料分级方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104392231A (zh) * | 2014-11-07 | 2015-03-04 | 南京航空航天大学 | 基于分块与稀疏主特征提取的快速协同显著性检测方法 |
| CN105488812A (zh) * | 2015-11-24 | 2016-04-13 | 江南大学 | 一种融合运动特征的时空显著性检测方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106682679B (zh) * | 2016-06-24 | 2019-08-09 | 大连理工大学 | 一种基于水平集超像素和贝叶斯框架的显著性检测方法 |
| CN106327507B (zh) * | 2016-08-10 | 2019-02-22 | 南京航空航天大学 | 一种基于背景和前景信息的彩色图像显著性检测方法 |
| CN106886995B (zh) * | 2017-01-13 | 2019-09-20 | 北京航空航天大学 | 多线性示例回归器聚合的图像显著对象分割方法 |
| CN107977660A (zh) * | 2017-10-13 | 2018-05-01 | 天津工业大学 | 基于背景先验和前景节点的感兴趣区域检测方法 |
| CN107886507B (zh) * | 2017-11-14 | 2018-08-21 | 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 |
| CN108550132B (zh) * | 2018-03-16 | 2021-06-18 | 安徽大学 | 一种图像协同显著目标检测方法 |
-
2019
- 2019-10-29 CN CN201911036279.8A patent/CN110866896B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104392231A (zh) * | 2014-11-07 | 2015-03-04 | 南京航空航天大学 | 基于分块与稀疏主特征提取的快速协同显著性检测方法 |
| CN105488812A (zh) * | 2015-11-24 | 2016-04-13 | 江南大学 | 一种融合运动特征的时空显著性检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110866896A (zh) | 2020-03-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN111768432B (zh) | 基于孪生深度神经网络的动目标分割方法及系统 | |
| CN108132968B (zh) | 网络文本与图像中关联语义基元的弱监督学习方法 | |
| Raja et al. | Color object detection based image retrieval using ROI segmentation with multi-feature method | |
| CN110163239B (zh) | 一种基于超像素和条件随机场的弱监督图像语义分割方法 | |
| CN109325484B (zh) | 基于背景先验显著性的花卉图像分类方法 | |
| CN105184763B (zh) | 图像处理方法和装置 | |
| US9443314B1 (en) | Hierarchical conditional random field model for labeling and segmenting images | |
| CN108629783B (zh) | 基于图像特征密度峰值搜索的图像分割方法、系统及介质 | |
| CN109086777B (zh) | 一种基于全局像素特征的显著图精细化方法 | |
| JP4098021B2 (ja) | シーン識別方法および装置ならびにプログラム | |
| CN111583279A (zh) | 一种基于pcba的超像素图像分割方法 | |
| CN106874862B (zh) | 基于子模技术和半监督学习的人群计数方法 | |
| CN106780639B (zh) | 基于显著性特征稀疏嵌入和极限学习机的哈希编码方法 | |
| CN109145964B (zh) | 一种实现图像颜色聚类的方法和系统 | |
| CN114492619B (zh) | 一种基于统计和凹凸性的点云数据集构建方法及装置 | |
| Feng et al. | A color image segmentation method based on region salient color and fuzzy c-means algorithm | |
| CN111091129A (zh) | 一种基于多重颜色特征流形排序的图像显著区域提取方法 | |
| CN105825201A (zh) | 视频监控中的运动目标跟踪方法 | |
| CN108664968B (zh) | 一种基于文本选取模型的无监督文本定位方法 | |
| CN107657276B (zh) | 一种基于寻找语义类簇的弱监督语义分割方法 | |
| CN111488923B (zh) | 增强的锚点图半监督分类方法 | |
| CN105844299B (zh) | 一种基于词袋模型的图像分类方法 | |
| CN113723410A (zh) | 一种数码管数字识别方法及装置 | |
| Gupta et al. | A learning-based approach for automatic image and video colorization |
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: 20220624 |