CN113935404A - 一种光场显著性检测数据集清晰度评价方法 - Google Patents

一种光场显著性检测数据集清晰度评价方法 Download PDF

Info

Publication number
CN113935404A
CN113935404A CN202111120902.5A CN202111120902A CN113935404A CN 113935404 A CN113935404 A CN 113935404A CN 202111120902 A CN202111120902 A CN 202111120902A CN 113935404 A CN113935404 A CN 113935404A
Authority
CN
China
Prior art keywords
mask
image
frequency
salient region
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.)
Pending
Application number
CN202111120902.5A
Other languages
English (en)
Inventor
颜成钢
陈威
吕成涛
吕彬彬
孙垚棋
张继勇
李宗鹏
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202111120902.5A priority Critical patent/CN113935404A/zh
Publication of CN113935404A publication Critical patent/CN113935404A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种光场显著性检测数据集清晰度评价方法。首先通过显著性区域掩膜制作三个掩膜，并获取对应的窗函数；通过掩膜A获得光场焦堆栈图像显著性区域图像；用傅里叶变换将焦堆栈显著性区域图像从空域转换到频域，获得其频谱信息；对显著性区域高频信息进行傅里叶反变换，得到空域图像；用腐蚀的掩膜B截取空域高频部分，计算高频图像灰度值之和，用以表示焦堆栈图像显著性区域高频能量值大小；对堆栈图像显著性区域高频能量值进行归一化，用来表示该图片的训练权重。本发明针对数据集焦堆栈中显著性区域进行清晰程度判定，并以此作为焦堆栈中该图片训练权重的评价标准，显著性区域越清晰，则该图片的训练权重越高。

Description

一种光场显著性检测数据集清晰度评价方法
技术领域
本发明涉及显著性检测领域，是一种光场显著性检测数据集焦堆栈中不同层图像质量的评价方法。
技术背景
显著性监测需要相应的数据集进行网络训练，从数据结构分类，有彩色数据集、RGB-D数据集、光场显著性检测数据集等。其中光场显著性检测数据集中每个场景以焦堆栈形式存在，并且数据集中焦堆栈通常是无序的，因此输入网络进行训练时，焦堆栈中每张图片的权重的判定对网络训练尤为重要。
发明内容：
针对现有技术中存在的不足，本发明提出一种光场显著性检测数据集清晰度评价方法。
光场显著性检测数据集中每一个场景有一组焦堆栈、一张全聚焦图、一张显著性区域mask组成，以一组焦堆栈包括N张不同焦距图片为例，则一个场景由N+2张图片记录表示。
一种光场显著性检测数据集清晰度评价方法，对N张焦堆栈图片中显著性区域的清晰度进行评价，获得每一张焦堆栈图片的训练权重，具体步骤如下：
步骤一：通过光场显著性检测数据集中显著性区域掩膜Imask制作三个掩膜，并获取对应的窗函数maskcirc。
光场显著性检测数据集中的一个场景由N张图片一组的焦堆栈I1，I2，.....，IN、一个全聚焦图Ifocus、一张显著性区域掩膜Imask共N+2张图片组成。将显著性区域掩膜Imask进行二值化处理得到Amask，即Amask＝Imask&Imask；
对Amask进行先腐蚀后膨胀操作，去除掉Imask中小的连通域，得到掩膜A1；
对A1进行膨胀操作，得到掩膜A，膨胀强度为3～5个像素；
对A1进行腐蚀操作，得到掩膜B，腐蚀强度为3～5个像素；
窗函数maskcirc与显著性区域掩膜Imask尺寸相同，并且窗口位于maskcirc中央；
步骤二：通过掩膜A获得光场焦堆栈图像显著性区域图像。
通过掩膜A将焦堆栈图片显著性区域及周边部分图像单独扣取出来，得到焦堆栈显著性区域图像
Figure BDA0003277108350000021
其中
Figure BDA0003277108350000022
且i＝1，2，......，N；
步骤三：用傅里叶变换将焦堆栈显著性区域图像
Figure BDA0003277108350000023
Figure BDA0003277108350000024
从空域转换到频域，获得其频谱信息。
步骤四：对显著性区域高频信息进行傅里叶反变换，得到空域图像
Figure BDA0003277108350000025
其中
Figure BDA0003277108350000026
且i＝1，2，......，N；
步骤五：用腐蚀的掩膜B截取空域高频部分，得到显著性区域截取后的高频图像
Figure BDA0003277108350000027
其中
Figure BDA0003277108350000028
且i＝1，，2，……，N。计算
Figure BDA0003277108350000029
灰度值之和m1，m2，......，mN，用以表示焦堆栈图像显著性区域高频能量值大小。
步骤六：对堆栈图像显著性区域高频能量值进行归一化，用来表示该图片的训练权重M1，M2，......，MN，其中
Figure BDA0003277108350000031
进一步的，所述的步骤三具体方法如下：
对步骤二中获得的
Figure BDA0003277108350000032
进行二维傅里叶变换获得频谱
Figure BDA0003277108350000033
其中
Figure BDA0003277108350000034
Figure BDA0003277108350000035
为傅里叶运算符。用窗函数maskcirc对焦堆栈显著性区域频谱信息
Figure BDA0003277108350000036
进行高通滤波，获得显著性区域高频信息
Figure BDA0003277108350000037
其中
Figure BDA0003277108350000038
Figure BDA0003277108350000039
且i＝1，2，......，N。
本发明有益效果如下：
本发明针对数据集焦堆栈中显著性区域进行清晰程度判定，并以此作为焦堆栈中该图片训练权重的评价标准，显著性区域越清晰，则该图片的训练权重越高。
具体实施方式
一种光场显著性检测数据集清晰度评价方法，本方法对N张焦堆栈图片中显著性区域的清晰度进行评价，获得每一张焦堆栈图片的训练权重，具体步骤如下：
步骤一：通过光场显著性检测数据集中显著性区域掩膜Imask制作三个掩膜，并获取对应的窗函数maskcirc。
光场显著性检测数据集中的一个场景由N张图片一组的焦堆栈I1，I2，......，IN、一个全聚焦图Ifocus、一张显著性区域掩膜Imask共N+2张图片组成。将显著性区域掩膜Imask进行二值化处理得到Amask，即Amask＝Imask&Imask；
对Amask进行先腐蚀后膨胀操作，去除掉Imask中小的连通域，得到掩膜A1；
对A1进行膨胀操作，得到掩膜A，膨胀强度为3～5个像素；
对A1进行腐蚀操作，得到掩膜B，腐蚀强度为3～5个像素；
窗函数maskcirc与显著性区域掩膜Imask尺寸相同，并且窗口位于maskcirc中央；
步骤二：通过掩膜A获得光场焦堆栈图像显著性区域图像。
通过掩膜A将焦堆栈图片显著性区域及周边部分图像单独扣取出来，得到焦堆栈显著性区域图像
Figure BDA0003277108350000041
其中
Figure BDA0003277108350000042
且i＝1，2，......，N；
步骤三：用傅里叶变换将焦堆栈显著性区域图像
Figure BDA0003277108350000043
Figure BDA0003277108350000044
从空域转换到频域，获得其频谱信息。
对步骤二中获得的
Figure BDA0003277108350000045
进行二维傅里叶变换获得频谱
Figure BDA0003277108350000046
其中
Figure BDA0003277108350000047
Figure BDA0003277108350000048
为傅里叶运算符。用窗函数maskcirc对焦堆栈显著性区域频谱信息
Figure BDA0003277108350000049
进行高通滤波，获得显著性区域高频信息
Figure BDA00032771083500000410
其中
Figure BDA00032771083500000411
Figure BDA00032771083500000412
且i＝1，2，......，N。
步骤四：对显著性区域高频信息进行傅里叶反变换，得到空域图像
Figure BDA00032771083500000413
其中
Figure BDA00032771083500000414
且i＝1，2，......，N；
步骤五：用腐蚀的掩膜B截取空域高频部分，得到显著性区域截取后的高频图像
Figure BDA00032771083500000415
其中
Figure BDA00032771083500000416
且i＝1，，2，……，N。计算
Figure BDA0003277108350000051
灰度值之和m1，m2，......，mN，用以表示焦堆栈图像显著性区域高频能量值大小。
步骤六：对堆栈图像显著性区域高频能量值进行归一化，用来表示该图片的训练权重M1，M2，......，MN，其中
Figure BDA0003277108350000052

Claims (2)

1.一种光场显著性检测数据集清晰度评价方法，其特征在于，对N张焦堆栈图片中显著性区域的清晰度进行评价，获得每一张焦堆栈图片的训练权重，具体步骤如下：
步骤一：通过光场显著性检测数据集中显著性区域掩膜Imask制作三个掩膜，并获取对应的窗函数maskcirc；
光场显著性检测数据集中的一个场景由N张图片一组的焦堆栈I1，I2，......，IN、一个全聚焦图Ifocus、一张显著性区域掩膜Imask共N+2张图片组成；将显著性区域掩膜Imask进行二值化处理得到Amask，即Amask＝Imask&Imask；
对Amask进行先腐蚀后膨胀操作，去除掉Imask中小的连通域，得到掩膜A1；
对A1进行膨胀操作，得到掩膜A，膨胀强度为3～5个像素；
对A1进行腐蚀操作，得到掩膜B，腐蚀强度为3～5个像素；
窗函数maskcirc与显著性区域掩膜Imask尺寸相同，并且窗口位于maskcirc中央；
步骤二：通过掩膜A获得光场焦堆栈图像显著性区域图像；
通过掩膜A将焦堆栈图片显著性区域及周边部分图像单独扣取出来，得到焦堆栈显著性区域图像
Figure FDA0003277108340000011
其中
Figure FDA0003277108340000012
且i＝1，2，......，N；
步骤三：用傅里叶变换将焦堆栈显著性区域图像
Figure FDA0003277108340000013
Figure FDA0003277108340000014
从空域转换到频域，获得其频谱信息；
步骤四：对显著性区域高频信息进行傅里叶反变换，得到空域图像
Figure FDA0003277108340000021
其中
Figure FDA0003277108340000022
且i＝1，2，......，N；
步骤五：用腐蚀的掩膜B截取空域高频部分，得到显著性区域截取后的高频图像
Figure FDA0003277108340000023
其中
Figure FDA0003277108340000024
且i＝1，，2，……，N；计算
Figure FDA0003277108340000025
灰度值之和m1，m2，......，mN，用以表示焦堆栈图像显著性区域高频能量值大小；
步骤六：对堆栈图像显著性区域高频能量值进行归一化，用来表示该图片的训练权重M1，M2，......，MN，其中
Figure FDA0003277108340000026
2.根据权利要求1所述的一种光场显著性检测数据集清晰度评价方法，其特征在于，所述的步骤三具体方法如下：
对步骤二中获得的
Figure FDA0003277108340000027
进行二维傅里叶变换获得频谱
Figure FDA0003277108340000028
其中
Figure FDA0003277108340000029
Figure FDA00032771083400000210
为傅里叶运算符；用窗函数maskcirc对焦堆栈显著性区域频谱信息
Figure FDA00032771083400000211
进行高通滤波，获得显著性区域高频信息
Figure FDA00032771083400000212
其中
Figure FDA00032771083400000213
Figure FDA00032771083400000214
且i＝1，2，......，N。
CN202111120902.5A 2021-09-24 2021-09-24 一种光场显著性检测数据集清晰度评价方法 Pending CN113935404A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111120902.5A CN113935404A (zh) 2021-09-24 2021-09-24 一种光场显著性检测数据集清晰度评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111120902.5A CN113935404A (zh) 2021-09-24 2021-09-24 一种光场显著性检测数据集清晰度评价方法

Publications (1)

Publication Number Publication Date
CN113935404A true CN113935404A (zh) 2022-01-14

Family

ID=79276634

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111120902.5A Pending CN113935404A (zh) 2021-09-24 2021-09-24 一种光场显著性检测数据集清晰度评价方法

Country Status (1)

Country Link
CN (1) CN113935404A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116777750A (zh) * 2023-07-31 2023-09-19 山东黄河三角洲国家级自然保护区管理委员会 一种基于视差维滤波的聚焦堆栈视差维超分辨方法和装置
CN117253054A (zh) * 2023-11-20 2023-12-19 浙江优众新材料科技有限公司 一种光场显著性检测方法及其相关设备

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116777750A (zh) * 2023-07-31 2023-09-19 山东黄河三角洲国家级自然保护区管理委员会 一种基于视差维滤波的聚焦堆栈视差维超分辨方法和装置
CN116777750B (zh) * 2023-07-31 2023-12-26 山东黄河三角洲国家级自然保护区管理委员会 一种基于视差维滤波的聚焦堆栈视差维超分辨方法和装置
CN117253054A (zh) * 2023-11-20 2023-12-19 浙江优众新材料科技有限公司 一种光场显著性检测方法及其相关设备
CN117253054B (zh) * 2023-11-20 2024-02-06 浙江优众新材料科技有限公司 一种光场显著性检测方法及其相关设备

Similar Documents

Publication Publication Date Title
Rajkumar et al. A comparative analysis on image quality assessment for real time satellite images
CN113935404A (zh) 一种光场显著性检测数据集清晰度评价方法
CN107220988A (zh) 基于改进canny算子的零部件图像边缘提取方法
JP2005129070A (ja) 画質を評価するシステム及び方法
EP1955282A2 (en) Adjusting digital image exposure and tone scale
CN111612741B (zh) 一种基于失真识别的精确无参考图像质量评价方法
CN108038833B (zh) 一种梯度相关性检测的图像自适应锐化方法和存储介质
Al-Hatmi et al. A review of Image Enhancement Systems and a case study of Salt &pepper noise removing
CN105701491A (zh) 固定格式文档图像模版的制作方法及其应用
CN110659675A (zh) 一种基于AdaBoost算法的焊缝缺陷检测方法
Ding et al. Smoothing identification for digital image forensics
JP5614550B2 (ja) 画像処理方法、画像処理装置及びプログラム
CN107451608B (zh) 基于多视幅度统计特性的sar图像无参考质量评价方法
JP3617751B2 (ja) 放射線画像の照射野認識方法および装置
JP2004318693A (ja) 画像処理方法、画像処理装置及び画像処理プログラム
Wu et al. Review of imaging device identification based on machine learning
JP2611723B2 (ja) 画像の鮮鋭度測定装置
Khan et al. Shadow removal from digital images using multi-channel binarization and shadow matting
JP5397468B2 (ja) パタンノイズ除去装置、パタンノイズ除去方法、パタンノイズ除去プログラム
Fan et al. Image tampering detection using noise histogram features
WO2015102948A1 (en) Urine formed element classification method and apparatus
CN117218452B (zh) 一种土地图像自动分类管理系统
JP7004351B2 (ja) カラーデバンディング処理に関する装置と画像処理システムと処理プログラムと記憶媒体
TWI789957B (zh) 配合拉曼光譜儀於檢體中尋找取樣點的方法和系統
CN113838023B (zh) 一种色差图像质量评价方法

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