CN111028259B - 一种通过图像显著性改进适应的前景提取方法 - Google Patents

一种通过图像显著性改进适应的前景提取方法 Download PDF

Info

Publication number
CN111028259B
CN111028259B CN201911122076.0A CN201911122076A CN111028259B CN 111028259 B CN111028259 B CN 111028259B CN 201911122076 A CN201911122076 A CN 201911122076A CN 111028259 B CN111028259 B CN 111028259B
Authority
CN
China
Prior art keywords
image
memory
pixel
stored
saliency
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
CN201911122076.0A
Other languages
English (en)
Other versions
CN111028259A (zh
Inventor
吴观众
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.)
Guangzhou Wugongge Information Technology Co ltd
Original Assignee
Guangzhou Wugongge Information Technology 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 Guangzhou Wugongge Information Technology Co ltd filed Critical Guangzhou Wugongge Information Technology Co ltd
Priority to CN201911122076.0A priority Critical patent/CN111028259B/zh
Publication of CN111028259A publication Critical patent/CN111028259A/zh
Application granted granted Critical
Publication of CN111028259B publication Critical patent/CN111028259B/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
    • G06T7/10—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
    • G06T7/10—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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering

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

本发明属于智慧云食堂领域，尤其是一种通过图像显著性改进适应的前景提取方法，针对现有的基于像素颜色的特征值提取餐具准确率低、容易受到环境光照影响，基于深度学习的餐具提取过于耗时，基于边缘检测误差太大的问题，现提出如下方案，其包括以下步骤：S1：获得输入的图像，对其进行中值滤波，然后将滤波后的图像存储至第一存储器，并进行标号，同时与第一存储器内已存储的滤波后的图像进行对比，选出差异最小的滤波后的图像；获取RGB图像，采用3x3的矩阵对其进行中值滤波，本发明满足通过摄像头实时获取图像进行计算，应用于智慧云食堂领域，实时进行摄像头画面中的餐具区域提取供后续识别。

Description

一种通过图像显著性改进适应的前景提取方法
技术领域
本发明涉及智慧云食堂技术领域，尤其涉及一种通过图像显著性改进适应的前景提取方法。
背景技术
随着智能识别在各领域的应用，图形分割和前景提取也在推动餐饮业的智能化。目前，相关技术主要有基于阈值的分割方法、基于边缘的分割方法、基于区域连通的分割方法以及使用神经网络建立背景模型提取前景等。
阈值分割的方法通常以灰度值的大小来对图像像素划分，没有考虑像素点与相邻像素和图片其它像素之间的关系，因此难以提取到完整物体且在复杂光照环境中效果较差。
边缘检测方法依据图像中不同物体重叠处的灰度值差值，在不同物体颜色相近时容易漏掉边缘，在图像中颜色差异复杂时又会检测出许多不需要的边缘。
区域分割方法需要选择一组能正确代表所需区域的种子像素，确定种子的生长的相似性准则和停止生长的条件，也是在灰度值上的处理，难以应对图像颜色相近的情况，且种子像素点在使用时难以准确地自动选取。
基于神经网络训练的背景模型提取前景，在实际使用中过于耗时，难以对相机进行逐帧或间隔少数帧进行检测。
在现有的智能餐具识别的餐具数据提取中，往往存在基于像素颜色的特征值提取餐具准确率低、容易受到环境光照影响，基于深度学习的餐具提取过于耗时，基于边缘检测误差太大的问题；因此，我们提出了一种通过图像显著性改进适应的前景提取方法。
发明内容
本发明提出的一种通过图像显著性改进适应的前景提取方法，解决了现有的基于像素颜色的特征值提取餐具准确率低、容易受到环境光照影响，基于深度学习的餐具提取过于耗时，基于边缘检测误差太大的问题。
为了实现上述目的，本发明采用了如下技术方案：
一种通过图像显著性改进适应的前景提取方法，包括以下步骤：
S1：获得输入的图像，对其进行中值滤波，然后将滤波后的图像存储至第一存储器，并进行标号，同时与第一存储器内已存储的滤波后的图像进行对比，选出差异最小的滤波后的图像；获取RGB图像，采用3x3的矩阵对其进行中值滤波，对于图像边缘像素不计算。
S2：将中值滤波后的图像从RGB颜色空间转换到Lab颜色空间，然后将其存储至第二存储器，并进行标号，同时与第二存储器内已存储的S1中差异最小的滤波后的图像的对应数据进行对比；对于滤波后的图像，将其从RGB颜色空间转换到过渡的XYZ颜色空间；对于XYZ颜色空间图像，将其从XYZ颜色空间转换到CIE-Lab颜色空间。
S3：根据Lab图像三通道值计算每个像素的显著性值，然后将其存储至第三存储器，并进行标号，同时与第三存储器内已存储的S2中对比数据的对应数据进行对比；对转换后的Lab图像，计算其中每个像素的原始显著性，得到对应的显著性图像；对显著性图像归一化，设置一个阈值区别餐具像素和其它像素，并将餐具像素标记。
S4：根据量化后的显著性图像提取显著性值较大的餐盘区域，然后将其存储至第四存储器，并进行标号，同时与第四存储器内已存储的S3中对比数据的对应数据进行对比；将图像边界宽为1的像素设置为背景像素；从图像上边界开始从左到右进行背景像素生长，背景生长时，取当前像素的左右和下方像素进行检测，默认为背景像素，并将新的背景像素作为参照点取左右和下方像素；背景生长时，遇到的餐具像素标为前景，餐具像素不为背景，不会继续往下做餐具像素的生长；将检测为背景的像素剔除，剩下的为该方法提取的餐具和菜品的前景。
S5：根据餐盘的像素位置，分离出背景区域，得到餐具和菜品占有的像素区域，然后将其存储至第五存储器，并进行标号；同时与第五存储器内已存储的S4中对比数据的对应数据进行对比，完成有用信息区域的提取。
优选的，所述S1中，中值滤波：将输入的RGB图像采用3x3像素矩阵的核进行中值滤波；图像边缘像素保留，内部像素取原图像中这个像素及其邻近8个像素共9个像素的中值。
优选的，所述S2中，将滤波后的图像从RGB颜色空间转换到Lab颜色空间，然后将其存储至第二存储器，并进行标号，同时与第二存储器内已存储的S1中差异最小的滤波后的图像的对应数据进行对比，对比结果在设定范围内，则进行S3，否则，重新进行S2。
优选的，所述S2中，颜色空间转换：从相机获取的RGB图像转换为CIE-Lab颜色空间以进行显著性计算。
优选的，所述S3中，根据Lab图像三通道值计算每个像素的显著性值，然后将其存储至第三存储器，并进行标号，同时与第三存储器内已存储的S2中对比数据的对应数据进行对比，对比结果在设定范围内，则进行S4，否则，重新进行S3。
优选的，所述S3中，显著性计算：采用最小方向对比度和平均方向对比度各取1/2的和作为像素显著性值。
优选的，所述S4中，根据量化后的显著性图像提取显著性值较大的餐盘区域，然后将其存储至第四存储器，并进行标号，同时与第四存储器内已存储的S3中对比数据的对应数据进行对比，对比结果在设定范围内，则进行S5，否则，重新进行S4。
优选的，所述S4中，标记餐具像素：对得到的显著性图像进行归一化，选择其中大于某个阈值的显著性值对应餐具像素，另用一图片结构存储餐具像素的位置。
优选的，所述S5中，根据餐盘的像素位置，分离出背景区域，得到餐具和菜品占有的像素区域，然后将其存储至第五存储器，并进行标号；同时与第五存储器内已存储的S4中对比数据的对应数据进行对比，对比结果在设定范围内，则结束，否则，重新进行S5。
优选的，所述S5中，在原图像上进行背景像素生长，首先声明原图像的宽为1的边界为背景像素，然后从原图像最上一行开始，从左到右依次对每个像素作生长操作。
与现有技术相比，本发明的有益效果是：
1、本发明的技术方案主要解决了在智能餐具识别中，对餐具和菜品这些有用数据从图片中提取的速度与准确率难以并存的问题，本方法在测试中每秒可处理200帧以上的图片数据，且本方法旨在针对特定情况下的前景提取，即餐具提取，利用在同一张图片中餐具和背景的颜色亮度有较大差异进行区分，进而分离整个背景，在大部分的餐具菜品提取中表现效果显著；
2、由于设置了第一存储器、第二存储器、第三存储器、第四存储器和第五存储器，并在S1中与第一存储器内已存储的滤波后的图像进行对比、S2中与第二存储器内已存储的S1中差异最小的滤波后的图像的对应数据进行对比、S3中与第三存储器内已存储的S2中对比数据的对应数据进行对比、S4中与第四存储器内已存储的S3中对比数据的对应数据进行对比、S5中与第五存储器内已存储的S4中对比数据的对应数据进行对比能够有效避免任一步骤出现差错，提高准确率。
本发明基于实际使用中餐具的颜色与背景颜色的区别，并采用降低光照亮度影响、计算像素的显著性值提取出餐具的轮廓，接着使用背景生长的方法分离出餐具轮廓包围的餐具和菜品，得到的餐具及其中的菜品适合于后续的数据训练和检测。
本发明满足通过摄像头实时获取图像进行计算，应用于智慧云食堂领域，实时进行摄像头画面中的餐具区域提取供后续识别。
附图说明
图1为本发明提出的一种通过图像显著性改进适应的前景提取方法的流程图；
图2为本发明提出的一种通过图像显著性改进适应的前景提取方法的提取前的示意图；
图3为本发明提出的一种通过图像显著性改进适应的前景提取方法的提取后的示意图。
具体实施方式
下面将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。
实施例
参照图1-3，一种通过图像显著性改进适应的前景提取方法，包括以下步骤：
S1：获得输入的图像，对其进行中值滤波，然后将滤波后的图像存储至第一存储器，并进行标号，同时与第一存储器内已存储的滤波后的图像进行对比，选出差异最小的滤波后的图像；获取RGB图像，采用3x3的矩阵对其进行中值滤波，对于图像边缘像素不计算。
S2：将中值滤波后的图像从RGB颜色空间转换到Lab颜色空间，然后将其存储至第二存储器，并进行标号，同时与第二存储器内已存储的S1中差异最小的滤波后的图像的对应数据进行对比；对于滤波后的图像，将其从RGB颜色空间转换到过渡的XYZ颜色空间；对于XYZ颜色空间图像，将其从XYZ颜色空间转换到CIE-Lab颜色空间。
S3：根据Lab图像三通道值计算每个像素的显著性值，然后将其存储至第三存储器，并进行标号，同时与第三存储器内已存储的S2中对比数据的对应数据进行对比；对转换后的Lab图像，计算其中每个像素的原始显著性，得到对应的显著性图像；对显著性图像归一化，设置一个阈值区别餐具像素和其它像素，并将餐具像素标记。
S4：根据量化后的显著性图像提取显著性值较大的餐盘区域，然后将其存储至第四存储器，并进行标号，同时与第四存储器内已存储的S3中对比数据的对应数据进行对比；将图像边界宽为1的像素设置为背景像素；从图像上边界开始从左到右进行背景像素生长，背景生长时，取当前像素的左右和下方像素进行检测，默认为背景像素，并将新的背景像素作为参照点取左右和下方像素；背景生长时，遇到的餐具像素标为前景，餐具像素不为背景，不会继续往下做餐具像素的生长；将检测为背景的像素剔除，剩下的为该方法提取的餐具和菜品的前景。
S5：根据餐盘的像素位置，分离出背景区域，得到餐具和菜品占有的像素区域，然后将其存储至第五存储器，并进行标号；同时与第五存储器内已存储的S4中对比数据的对应数据进行对比，完成有用信息区域的提取。
本实施例中，所述S1中，中值滤波：将输入的RGB图像采用3x3像素矩阵的核进行中值滤波；图像边缘像素保留，内部像素取原图像中这个像素及其邻近8个像素共9个像素的中值；所述S2中，将滤波后的图像从RGB颜色空间转换到Lab颜色空间，然后将其存储至第二存储器，并进行标号，同时与第二存储器内已存储的S1中差异最小的滤波后的图像的对应数据进行对比，对比结果在设定范围内，则进行S3，否则，重新进行S2；所述S2中，颜色空间转换：从相机获取的RGB图像转换为CIE-Lab颜色空间以进行显著性计算；所述S3中，根据Lab图像三通道值计算每个像素的显著性值，然后将其存储至第三存储器，并进行标号，同时与第三存储器内已存储的S2中对比数据的对应数据进行对比，对比结果在设定范围内，则进行S4，否则，重新进行S3；所述S3中，显著性计算：采用最小方向对比度和平均方向对比度各取1/2的和作为像素显著性值；所述S4中，根据量化后的显著性图像提取显著性值较大的餐盘区域，然后将其存储至第四存储器，并进行标号，同时与第四存储器内已存储的S3中对比数据的对应数据进行对比，对比结果在设定范围内，则进行S5，否则，重新进行S4；所述S4中，标记餐具像素：对得到的显著性图像进行归一化，选择其中大于某个阈值的显著性值对应餐具像素，另用一图片结构存储餐具像素的位置；所述S5中，根据餐盘的像素位置，分离出背景区域，得到餐具和菜品占有的像素区域，然后将其存储至第五存储器，并进行标号；同时与第五存储器内已存储的S4中对比数据的对应数据进行对比，对比结果在设定范围内，则结束，否则，重新进行S5；所述S5中，在原图像上进行背景像素生长，首先声明原图像的宽为1的边界为背景像素，然后从原图像最上一行开始，从左到右依次对每个像素作生长操作；本发明的技术方案主要解决了在智能餐具识别中，对餐具和菜品这些有用数据从图片中提取的速度与准确率难以并存的问题，本方法在测试中每秒可处理200帧以上的图片数据，且本方法旨在针对特定情况下的前景提取，即餐具提取，利用在同一张图片中餐具和背景的颜色亮度有较大差异进行区分，进而分离整个背景，在大部分的餐具菜品提取中表现效果显著；由于设置了第一存储器、第二存储器、第三存储器、第四存储器和第五存储器，并在S1中与第一存储器内已存储的滤波后的图像进行对比、S2中与第二存储器内已存储的S1中差异最小的滤波后的图像的对应数据进行对比、S3中与第三存储器内已存储的S2中对比数据的对应数据进行对比、S4中与第四存储器内已存储的S3中对比数据的对应数据进行对比、S5中与第五存储器内已存储的S4中对比数据的对应数据进行对比能够有效避免任一步骤出现差错，提高准确率。本发明基于实际使用中餐具的颜色与背景颜色的区别，并采用降低光照亮度影响、计算像素的显著性值提取出餐具的轮廓，接着使用背景生长的方法分离出餐具轮廓包围的餐具和菜品，得到的餐具及其中的菜品适合于后续的数据训练和检测。
本发明满足通过摄像头实时获取图像进行计算，应用于智慧云食堂领域，实时进行摄像头画面中的餐具区域提取供后续识别。
本实施例中，所述S1中，中值滤波：将输入的RGB图像采用3x3像素矩阵的核进行中值滤波；图像边缘像素保留，内部像素取原图像中这个像素及其邻近8个像素共9个像素的中值。
例如，下式(1)中间像素“1”经过中值滤波后被“23”替换，“23”是原矩阵9个像素中按大小排序的中间值；
Figure GDA0004058140410000081
本实施例中，所述S2中，颜色空间转换：从相机获取的RGB图像转换为CIE-Lab颜色空间以进行显著性计算，CIE-Lab颜色空间更加适合像素的颜色值及亮度的差异计算，RGB颜色空间转换为CIE-Lab需要借助XYZ颜色空间作为过渡，RGB转XYZ颜色空间方法如下式(2)：
Figure GDA0004058140410000091
3B，各系数相加之和为0.950456，非常接近于1，R/G/B的取值范围为[0,255]，如果系数和等于1，则X的取值范围也必然在[0,255]之间，因此等比修改各系数，使其之和等于1，这样就做到了XYZ和RGB在同等范围的映射，所以X,Y,Z会分别除以0.950456、1.0、1.088754，这三个常量与255的乘积分别由Xn、Yn、Zn表示，XYZ颜色空间转LAB颜色空间方法如下式(3)、(4)：
L*＝116f(Y/Yn)-16
a*＝500[f(X/Xn)-f(Y/Yn)]
b*＝200[f(Y/Yn)-f(Z/Zn)] (3)
Figure GDA0004058140410000092
本实施例中，所述S3中，显著性计算：对比度是测量显著性的常用特征，本方法采用最小方向对比度和平均方向对比度各取1/2的和作为像素显著性值，在本方法中采用像素级显著性检测，即计算图像中每个像素的显著性，对于每个待计算的像素，整张图像根据其横纵坐标位置被分为左上(TL)、右上(TR)、左下(BL)和右下(BR)四个区域，计算一个区域的方向对比度(DC)计算如下式(5)：
Figure GDA0004058140410000101
上式中Ω表示所有区域，j表示循环取得区域中所有像素；k表示通道数目，Lab图像有L/a/b三个通道，ch表示通道序号从1依次增1到k；i表示用于计算显著性的该像素点；式(5)表示计算一个基像素的某个区域的方向对比度(DC)时，遍历这个区域中每个像素，每个遍历到的像素遍历其三个颜色通道，对于每个颜色通道计算基像素该通道值与区域像素该通道值的差的平方，将所有遍历计算得到的平方值求和并最终将和值开平方。
最小方向对比度是四个区域的方向对比度中最小值，平均方向对比度是四个区域方向对比度的平均值。
上式(5)的方向对比度计算可以将时间复杂度简化到O(1)，式
Figure DA00040581404171076854
Figure GDA0004058140410000103
最终的像素显著性值为像素的最小方向对比度与平均方向对比度的和的一半，显著性值存储在一个与原图像尺寸一样的图片结构中，值为浮点类型。
本实施例中，所述S4中，标记餐具像素：对得到的显著性图像进行归一化，选择其中大于某个阈值的显著性值对应餐具像素，另用一图片结构存储餐具像素的位置。
本实施例中，所述S5中，在原图像上进行背景像素生长，首先声明原图像的宽为1的边界为背景像素，然后从原图像最上一行开始，从左到右依次对每个像素作生长操作：每次遍历取一个像素点，如果该点不为背景则遍历执行下一位像素点；如果该像素点为背景，则检测其左、右和下三个像素点是否为餐具像素点；将三点中不为餐具的像素点设置为背景，遍历完原图像中的所有像素后，部分像素被标记为背景点，部分像素被标记为餐具点，部分点未知，该方法假设未知点为菜品像素。对标记为背景的剔除，获得只提取出餐具和菜品的像素区域，即完成有用信息区域的提取。
本发明采用一种计算效率较快且准确率较高的前景分割方法，在智能识别的实际使用中，计算图片中像素的对比度，白色餐具的对比度值会明显大于背景和菜品的对比度值，可以提取出餐具轮廓部分，将图像边界设为背景像素，类似水流漫延的方法识别出背景像素，遇到餐具部分则停止，最终将餐具菜品与背景部分分离，提取所需前景。
本发明的技术方案解决了传统餐具提取中的准确度不够高，速度不够快，不能满足实时提取的问题。
以上所述，仅为本发明较佳的具体实施方式，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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种通过图像显著性改进适应的前景提取方法，其特征在于，包括以下步骤：
S1：获得输入的图像，对其进行中值滤波，然后将滤波后的图像存储至第一存储器，并进行标号，同时与第一存储器内已存储的滤波后的图像进行对比，选出差异最小的滤波后的图像；
S2：将中值滤波后的图像从RGB颜色空间转换到Lab颜色空间，然后将其存储至第二存储器，并进行标号，同时与第二存储器内已存储的S1中差异最小的滤波后的图像的对应数据进行对比；
S3：根据Lab图像三通道值计算每个像素的显著性值，然后将其存储至第三存储器，并进行标号，同时与第三存储器内已存储的S2中对比数据的对应数据进行对比；
S4：根据量化后的显著性图像提取显著性值较大的餐盘区域，然后将其存储至第四存储器，并进行标号，同时与第四存储器内已存储的S3中对比数据的对应数据进行对比；
S5：根据餐盘的像素位置，分离出背景区域，得到餐具和菜品占有的像素区域，然后将其存储至第五存储器，并进行标号；同时与第五存储器内已存储的S4中对比数据的对应数据进行对比，完成有用信息区域的提取。
2.根据权利要求1所述的一种通过图像显著性改进适应的前景提取方法，其特征在于，所述S1中，中值滤波：将输入的RGB图像采用3x3像素矩阵的核进行中值滤波；图像边缘像素保留，内部像素取原图像中这个像素及其邻近8个像素共9个像素的中值。
3.根据权利要求1所述的一种通过图像显著性改进适应的前景提取方法，其特征在于，所述S2中，将滤波后的图像从RGB颜色空间转换到Lab颜色空间，然后将其存储至第二存储器，并进行标号，同时与第二存储器内已存储的S1中差异最小的滤波后的图像的对应数据进行对比，对比结果在设定范围内，则进行S3，否则，重新进行S2。
4.根据权利要求3所述的一种通过图像显著性改进适应的前景提取方法，其特征在于，所述S2中，颜色空间转换：从相机获取的RGB图像转换为CIE-Lab颜色空间以进行显著性计算。
5.根据权利要求1所述的一种通过图像显著性改进适应的前景提取方法，其特征在于，所述S3中，根据Lab图像三通道值计算每个像素的显著性值，然后将其存储至第三存储器，并进行标号，同时与第三存储器内已存储的S2中对比数据的对应数据进行对比，对比结果在设定范围内，则进行S4，否则，重新进行S3。
6.根据权利要求5所述的一种通过图像显著性改进适应的前景提取方法，其特征在于，所述S3中，显著性计算：采用最小方向对比度和平均方向对比度各取1/2的和作为像素显著性值。
7.根据权利要求1所述的一种通过图像显著性改进适应的前景提取方法，其特征在于，所述S4中，根据量化后的显著性图像提取显著性值较大的餐盘区域，然后将其存储至第四存储器，并进行标号，同时与第四存储器内已存储的S3中对比数据的对应数据进行对比，对比结果在设定范围内，则进行S5，否则，重新进行S4。
8.根据权利要求7所述的一种通过图像显著性改进适应的前景提取方法，其特征在于，所述S4中，标记餐具像素：对得到的显著性图像进行归一化，选择其中大于某个阈值的显著性值对应餐具像素，另用一图片结构存储餐具像素的位置。
9.根据权利要求1所述的一种通过图像显著性改进适应的前景提取方法，其特征在于，所述S5中，根据餐盘的像素位置，分离出背景区域，得到餐具和菜品占有的像素区域，然后将其存储至第五存储器，并进行标号；同时与第五存储器内已存储的S4中对比数据的对应数据进行对比，对比结果在设定范围内，则结束，否则，重新进行S5。
10.根据权利要求9所述的一种通过图像显著性改进适应的前景提取方法，其特征在于，所述S5中，在原图像上进行背景像素生长，首先声明原图像的宽为1的边界为背景像素，然后从原图像最上一行开始，从左到右依次对每个像素作生长操作。
CN201911122076.0A 2019-11-15 2019-11-15 一种通过图像显著性改进适应的前景提取方法 Active CN111028259B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911122076.0A CN111028259B (zh) 2019-11-15 2019-11-15 一种通过图像显著性改进适应的前景提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911122076.0A CN111028259B (zh) 2019-11-15 2019-11-15 一种通过图像显著性改进适应的前景提取方法

Publications (2)

Publication Number Publication Date
CN111028259A CN111028259A (zh) 2020-04-17
CN111028259B true CN111028259B (zh) 2023-04-28

Family

ID=70201531

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911122076.0A Active CN111028259B (zh) 2019-11-15 2019-11-15 一种通过图像显著性改进适应的前景提取方法

Country Status (1)

Country Link
CN (1) CN111028259B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020965A (zh) * 2012-11-29 2013-04-03 奇瑞汽车股份有限公司 一种基于显著性检测的前景分割方法
CN106056590A (zh) * 2016-05-26 2016-10-26 重庆大学 基于Manifold Ranking和结合前景背景特征的显著性检测方法
CN107452010A (zh) * 2017-07-31 2017-12-08 中国科学院长春光学精密机械与物理研究所 一种自动抠图算法和装置
CN107527348A (zh) * 2017-07-11 2017-12-29 湖州师范学院 基于多尺度分割的显著性检测方法
CN108537239A (zh) * 2018-04-18 2018-09-14 西南科技大学 一种图像显著性目标检测的方法
CN109636784A (zh) * 2018-12-06 2019-04-16 西安电子科技大学 基于最大邻域和超像素分割的图像显著性目标检测方法
CN110189294A (zh) * 2019-04-15 2019-08-30 杭州电子科技大学 基于深度可信度分析的rgb-d图像显著性检测方法

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 (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020965A (zh) * 2012-11-29 2013-04-03 奇瑞汽车股份有限公司 一种基于显著性检测的前景分割方法
CN106056590A (zh) * 2016-05-26 2016-10-26 重庆大学 基于Manifold Ranking和结合前景背景特征的显著性检测方法
CN107527348A (zh) * 2017-07-11 2017-12-29 湖州师范学院 基于多尺度分割的显著性检测方法
CN107452010A (zh) * 2017-07-31 2017-12-08 中国科学院长春光学精密机械与物理研究所 一种自动抠图算法和装置
CN108537239A (zh) * 2018-04-18 2018-09-14 西南科技大学 一种图像显著性目标检测的方法
CN109636784A (zh) * 2018-12-06 2019-04-16 西安电子科技大学 基于最大邻域和超像素分割的图像显著性目标检测方法
CN110189294A (zh) * 2019-04-15 2019-08-30 杭州电子科技大学 基于深度可信度分析的rgb-d图像显著性检测方法

Also Published As

Publication number Publication date
CN111028259A (zh) 2020-04-17

Similar Documents

Publication Publication Date Title
CN106910186B (zh) 一种基于cnn深度学习的桥梁裂缝检测定位方法
CN105469113B (zh) 一种二维视频流中的人体骨骼点追踪方法及系统
CN109636784B (zh) 基于最大邻域和超像素分割的图像显著性目标检测方法
CN109522889A (zh) 一种基于图像分析的水文尺水位识别估算方法
CN108537239B (zh) 一种图像显著性目标检测的方法
CN105493141B (zh) 非结构化道路边界检测
CN107578035A (zh) 基于超像素‑多色彩空间的人体轮廓提取方法
CN106909902B (zh) 一种基于改进的层次化显著模型的遥感目标检测方法
CN106022232A (zh) 基于深度学习的车牌检测方法
CN106709517B (zh) 红树林识别方法及系统
CN103679677B (zh) 一种基于模型互更新的双模图像决策级融合跟踪方法
CN107492094A (zh) 一种高压电线绝缘子的无人机视觉检测方法
CN107066972B (zh) 基于多通道极值区域的自然场景文本检测方法
CN105740945A (zh) 一种基于视频分析的人群计数方法
CN110866932A (zh) 多通道舌体边缘检测装置、方法及存储介质
CN105931241B (zh) 一种自然场景图像的自动标注方法
CN107256547A (zh) 一种基于显著性检测的表面裂纹识别方法
CN110032932B (zh) 一种基于视频处理和决策树设定阈值的人体姿态识别方法
CN104598907B (zh) 一种基于笔画宽度图的图像中文字数据提取方法
CN105741276A (zh) 一种船舶水线提取方法
CN105405138A (zh) 基于显著性检测的水面目标跟踪方法
CN106056078B (zh) 一种基于多特征回归式集成学习的人群密度估计方法
CN109754440A (zh) 一种基于全卷积网络和均值漂移的阴影区域检测方法
CN107527343A (zh) 一种基于图像处理的双孢蘑菇分级方法
CN107038401B (zh) 一种嘴唇轮廓的分割及特征提取方法

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