WO2012122682A1 - 基于色彩直方图和全局对比度的图像视觉显著性计算方法 - Google Patents

基于色彩直方图和全局对比度的图像视觉显著性计算方法 Download PDF

Info

Publication number
WO2012122682A1
WO2012122682A1 PCT/CN2011/000690 CN2011000690W WO2012122682A1 WO 2012122682 A1 WO2012122682 A1 WO 2012122682A1 CN 2011000690 W CN2011000690 W CN 2011000690W WO 2012122682 A1 WO2012122682 A1 WO 2012122682A1
Authority
WO
WIPO (PCT)
Prior art keywords
color
representative
representative color
image
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.)
Ceased
Application number
PCT/CN2011/000690
Other languages
English (en)
French (fr)
Inventor
胡事民
程明明
张国鑫
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.)
Tsinghua University
Original Assignee
Tsinghua 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 Tsinghua University filed Critical Tsinghua University
Publication of WO2012122682A1 publication Critical patent/WO2012122682A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics

Definitions

  • Image visual saliency calculation method based on color histogram and global contrast
  • the invention belongs to the technical field of image processing, and relates to the field of image visual saliency detection, and particularly relates to an image visual saliency calculation method based on color histogram and global contrast. Background technique
  • Saliency maps are widely used in many computer vision applications, such as object segmentation of interest (refer to Chinese patent application No. 200910046276, 200910081069), object recognition, adaptive image compression, content sensitive images. Scaling (refer to Chinese patent application No. 200910092756), image retrieval (refer to Chinese patent application No. 200910081069) and the like.
  • Image visual saliency detection has always been a subject of much researcher's attention.
  • Theoretical studies on visual attention divide visual attention into two categories: fast, task-independent, data-driven saliency detection; slower, task-dependent, target-driven saliency detection.
  • Physiological studies have shown that human visual cells preferentially respond to stimuli with higher contrast in the perception field.
  • Existing data-driven visual saliency detection studies mostly calculate visual saliency by calculating the contrast of various forms of image content and scenes.
  • the previous type of research is further subdivided into two sub-categories: a method based on local contrast and a method based on global contrast.
  • Local contrast based methods calculate saliency by the rarity of the image region in its relatively small neighborhood. Itti et al. proposed “A model of saliency-based visual attention for rapid scene analysis” in 1998, which defines image saliency by center-to-neighbor differences between multi-scale image features. Ma and Zhang proposed “Contrast-based image attention analysis by using fozzy growing” in 2003, which obtained a saliency map by local contrast analysis. Liu et al. proposed “Learning to detect a salient object” in 2007. This method finds color space points, multi-scale contrast, and central neighborhood histogram differences by learning. The optimal combination weight of the results of the sex detection method. Goferman et al.
  • the global contrast based method evaluates the significance of the difference between the image area and the entire image.
  • Zhai and Shah proposed “Visual attention detection in video sequences using spatiotemporal cues” in 2006, which calculates the significance value of a pixel by the difference in brightness between one pixel and all other image pixels. Based on efficiency considerations, this method only uses the luminance information of the image, ignoring the discriminability in other color channels.
  • Achanta et al. proposed “Frequency-tuned salient region detection” in 2009, which obtains the significance value by calculating the difference between each pixel and the average color.
  • this simple method is not sufficient to effectively analyze complex and varied natural images.
  • the technical problem to be solved by the present invention is how to quickly and effectively analyze the saliency value of image pixels so that important object regions in the image can be uniformly highlighted.
  • the present invention provides a method for calculating visual saliency of an image based on a color histogram and a global contrast, comprising the following steps:
  • the representative colors are sorted according to the appearance frequency of the representative color in the input image, and the predetermined color of the predetermined number is retained, and The frequency of occurrence of its representative color is added to the frequency of occurrence of the most representative retained color of the color.
  • the calculation formula of the saliency value S of the representative color in the step S3 is:
  • C is the representative color set retained in step S2
  • c is any representative color in the set
  • A is a representative color other than c
  • D(c, Ci ) The distance between c and Euclidean in the color space.
  • the steps S3 and S4 further include the following steps to improve the detection result: smoothing the significance value of the representative color in the color space, and the specific smoothing formula is: wherein, the smoothed representative color c
  • the significance value, c m is a set of representative color compositions closest to the color value of the representative color c, ⁇ is the weight, and the closer ⁇ is to c, the larger ⁇ is.
  • the method for calculating visual saliency values of pixels in an image proposed by the present invention calculates the saliency value using the difference between each pixel and the remaining pixels; to speed up the calculation, the method quantizes and selects more frequent colors by color A set of representative colors is selected; the method can further improve the saliency detection result by a color space smoothing method, and can quickly and effectively analyze the saliency value of the image pixels. This method achieves a significantly better result than the traditional method in the largest test set available in the world.
  • FIG. 1 is a flow chart of a method for calculating visual saliency of an image based on a color histogram and a global contrast according to an embodiment of the present invention
  • Figure 2 is an example diagram of processing an input image using the method flow of Figure 1;
  • Figure 3 Figure 1. Representative color selection and an example of its corresponding appearance frequency
  • Fig. 4 is a diagram showing an example of the effect of color space smoothing on the improvement of the detection result in the method of Fig. 1. detailed description
  • FIG. 1 it is a processing flowchart of an embodiment of an image visual saliency calculation method based on a color histogram and a global contrast according to the present invention, including: Step S101, quantizing the color space to obtain a set of representative colors.
  • the color quantization method used in the experiment divides the color space evenly into n 3 parts, and the average value of the colors in each area is taken as the representative color of the area.
  • Step S102 Calculate the frequency of occurrence of the color corresponding to the representative color in the input image to form a histogram, and the ratio of the pixels of a representative color to the total number of pixels in the input image is the frequency of occurrence of the representative color.
  • Each representative color has a frequency.
  • the frequency at which this set of representative colors appears is called a histogram, as shown in Figure 2 ("representative color” in Figure 2 is simply referred to as "representative color”).
  • representative colors with a high frequency of occurrence are usually retained, and the frequency of occurrence of the remaining representative colors is added to the frequency of appearance of the most representative retained color of the color.
  • the frequency of occurrence of representative colors is sorted from large to small.
  • a representative color sufficient to cover a certain percentage of image pixels is then selected from front to back. This ratio is usually chosen to be 95% in the experiment.
  • the statistical result of the proportion of representative colors corresponding to this ratio is 85 in the largest public data set in the world.
  • Step S103 Calculate the saliency value of the representative color according to the difference between each representative color and other representative colors.
  • the specific calculation formula is as follows:
  • step S104 for each representative color, the significance value is assigned to the corresponding pixel.
  • An example diagram for processing a picture in the above process is shown in Fig. 2, which includes the frequency of occurrence of representative colors and the histogram of significance.
  • FIG. 3 it is an exemplary diagram of representative color selection and corresponding appearance frequency in the image visual saliency calculation method based on color histogram and global contrast.
  • the image after replacing the original image (left image) with the representative color (right) retains enough information for performing the saliency detection, and greatly simplifies the calculation.
  • the image visual saliency based on color histogram and global contrast is the present invention.
  • S(c) of all representative colors is calculated in step S103, a set of representative color compositions closest to a certain representative color c is defined as Cm .
  • the smoothing process of this color space can be defined as:
  • the image saliency calculation method disclosed by the present invention defines its saliency value by the color difference of a certain pixel and all the remaining pixels.
  • the method accelerates the problem solving by selecting representative colors by color quantization and color appearance frequency analysis.
  • the method can control the quantization error through a color space smoothing mechanism. This method has achieved significantly better results than the traditional methods in the largest international test set available.
  • the present invention can automatically analyze the saliency regions in the image, and the analysis results can be applied to applications such as important target segmentation, object recognition, adaptive image compression, content-sensitive image scaling, and image retrieval, and have industrial applicability.

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Facsimile Image Signal Circuits (AREA)

Description

基于色彩直方图和全局对比度的图像视觉显著性计算方法 技术领域
本发明属于图像处理技术领域， 涉及图像视觉显著性检测领域， 特别涉 及一种基于色彩直方图和全局对比度的图像视觉显著性计算方法。 背景技术
视觉注意是帮助人类视觉系统准确有效地识别场景的一种重要机制。 通 过计算方法获取图像中的显著性区域是计算机视觉领域一个重要的研究课 题。 它可以帮助图像处理系统在后续处理步骤中合理地分配计算资源。 显著 性图（Saliency map)被广泛的应用于许多计算机视觉应用当中， 如感兴趣物 体分割 （可参考申请号为 200910046276、 200910081069的中国专利申请）、 物体识别、 自适应图像压缩、 内容敏感的图像缩放 （可参考申请号为 200910092756的中国专利申请）、 图像检索 （可参考申请号为 200910081069 的中国专利申请） 等。
图像视觉显著性检测一直以来是一个备受研究者关注的课题。 关于视觉 注意的理论研究将视觉注意分为两类： 快速、 任务无关、 数据驱动的显著性 检测； 较慢、 任务相关、 目标驱动的显著性检测。 生理学研究表明， 人类视 觉细胞优先响应感知场内具有较高对比度的刺激。 现有数据驱动的视觉显著 性检测研究大多通过计算各种形式的图像内容和场景的对比度来计算视觉显 著性。 为了方便介绍， 进一步将前一类研究细分为两个子类： 基于局部对比 度的方法和基于全局对比度的方法。
基于局部对比度的方法通过图像区域在其相对较小邻域的罕见度来计算 显著性。 Itti等人于 1998年提出了 " A model of saliency-based visual attention for rapid scene analysis" ,该方法通过多尺度图像特征间的中心与邻域差异来定义 图像显著性。 Ma和 Zhang于 2003年提出了 "Contrast-based image attention analysis by using fozzy growing" , 该方法通过局部对比度分析来得到显著性 图。 Liu等人于 2007年提出了 "Learning to detect a salient object" , 该方法通 过学习方式找到颜色空间分 、 多尺度对比度， 中心邻域直方图差异等显著 性检测方法结果的最优组合权值。 Goferman 等人在其 2010 年的工作 "Context-aware saliency detection" 中对底层线索、 全局考虑、 组织规则和高 层特征进行建模。 这些局部方法的结果通常在物体边缘附近产生更高的显著 性值， 而不是均匀地突出整个视觉显著性物体。
基于全局对比度的方法通过度量图像区域和整幅图像的差异来评价其显 著性。 Zhai 和 Shah 于 2006 年提出了 "Visual attention detection in video sequences using spatiotemporal cues" , 该方法通过一个像素和其它所有图像像 素的亮度差异来计算该像素的显著性值。 基于效率方面的考虑， 该方法仅利 用图像的亮度信息， 忽略了其它颜色通道中的区分性。 Achanta等人于 2009 年提出了 "Frequency-tuned salient region detection" , 该方法通过计算每个像 素和平均色之间的差异来获取显著性值。 然而， 这种简单的方法不足以有效 分析复杂多变的自然图像。
图像视觉显著性检测领域目前国内相关专利申请有： 基于学习的视频中 显著物体序列自动检测方法（申请号 200810150324 )。 该方法处理一幅图片通 常需要若干秒的时间， 难以满足很多实时处理的应用需求。 发明内容
本发明要解决的技术问题是：如何快速有效地分析图像像素的显著性值， 使得图像中重要物体区域可以被均匀地凸显出来。
为解决上述技术问题， 本发明提供了一种基于色彩直方图和全局对比度 的图像视觉显著性计算方法， 包括以下步骤：
S1 : 对颜色空间进行量化得到一组代表性色彩；
S2: 计算所述代表性色彩对应的颜色在输入图像中的出现频率， 组成一 个直方图；
S3: 根据每个代表性色彩与其它代表性色彩的差异计算代表性色彩的显 著性值；
S4: 对于每一个代表性色彩， 将其显著性值赋予对应的像素。
其中， 所述步骤 S2中， 按照所述代表性色彩在输入图像中的出现频率从 大到小对代表性色彩进行排序， 排在前预定个数的代表性色彩被保留， 并将 其佘代表性色彩的出现频率累加到颜色最相近的被保留的代表性色彩的出现 频率上。
其中， 所述步骤 S3中代表性色彩的显著性值 S的计算公式为：
(c) = Jc c fi D(c,ci)
其中， C为步骤 S2中被保留的代表性色彩集合， c为该集合中任一代表 性色彩， A为除 c以外的其它代表性色彩， 为 c,的出现频率， D(c，Ci)为 c与 在色彩空间中的欧氏距离。
其中， 步骤 S3和 S4之间还进一步包括以下步骤来改进检测结果： 在色 彩空间中对所述代表性色彩的显著性值进行平滑， 具体平滑公式为： 其中， 为平滑后的代表性色彩 c的显著性值， cm为与代表性色彩 c的 颜色值最相近的 个代表性色彩组成的集合， ^为权值， ^与 c越相近则^越大。
本发明所提出的用于计算图像中像素的视觉显著性值的方法利用每一个 像素和其余像素之间的差异计算其显著性值； 为了加速计算， 本方法通过颜 色量化和选择更频繁的色彩选择一组代表性色彩； 本方法可以通过一种颜色 空间平滑方法进一步改善显著性检测结果， 能够快速有效地分析图像像素的 显著性值。 本方法在国际上现有最大的测试集上取得了明显优于传统方法的 结果。
附图说明
图 1是本发明实施例的一种基于色彩直方图和全局对比度的图像视觉显 著性计算方法流程图；
图 2釆用图 1的方法流程处理一幅输入图像的示例图；
图 3图 1的方法 代表性色彩选取及其对应出现频度的示例图；
图 4图 1的方法中色彩空间平滑对检测结果改善影响的示例图。 具体实施方式
以下实施例用于说明本发明， 但不用来限制本发明的范围。
如图 1所示，为本发明基于色彩直方图和全局对比度的图像视觉显著性计 算方法的一个实施例的处理流程图， 包括： 步骤 S 101 , 对颜色空间进行量化得到一组代表性色彩。 实验中釆用的颜 色量化方式将颜色空间均匀划分为 n3份区域， 每个区域中颜色的平均值作为 该区域的代表性色彩。 在实际计算中， 计算过程中 n的取值越大， 整个算法 的计算量就越大。 在实验中， 优选 n = 12就可以得到很好的结果。
步骤 S 102， 计算代表性色彩对应的颜色在输入图像中的出现频率， 组成 一个直方图， 某个代表性色彩对应像素占输入图像中所有像素个数的比例为 该代表性色彩的出现频率。 每一个代表性色彩都有一个频率。 这组代表性色 彩出现的频率被称为直方图， 如图 2所示（图 2中 "代表性色彩"简称为 "代 表色 "）。 为了节约计算资源， 通常保留出现频率较多的代表性色彩， 其余代 表性色彩的出现频率被累加到颜色最相近的被保留的代表性色彩的出现频率 上。 在选择出现频率较多的代表性色彩的时候， 对代表性色彩的出现频率从 大到小排序。 然后从前到后选择足以覆盖一定比例图像像素的代表性色彩。 实验中这个比例通常选择为 95%， 在目前国际上最大的一个公开数据集上该 比例对应的代表性色彩的个数的统计结果为 85。
步骤 S 103 , 根据每个代表性色彩与其它代表性色彩的差异计算代表性色 彩的显著性值^ 具体计算公式如下：
S(c) =∑c c fi x D(c,ci) 其中， C为步骤 S 102中被保留的代表性色彩集合， c为该集合中任一代 表性色彩， 为除 c以外的其它代表性色彩， 为 Ci的出现频率， D(c， Cl为 c 与 在色彩空间中的欧氏距离。
步骤 S 104, 对于每一个代表性色彩， 将其显著性值赋予对应的像素。 如图 2所示为上述过程处理一幅图片时的示例图， 包含了代表性色彩的 出现频率和显著性直方图。
如图 3所示， 为本发明基于色彩直方图和全局对比度的图像视觉显著性 计算方法中代表性色彩选取及其对应出现频度的示例图。 图中， 用代表性色 彩替换原始图像（左图）后的图像（右图）保留了进行显著性检测所需的足 够的信息， 同时极大地简化了计算量。
如图 4所示， 为本发明基于色彩直方图和全局对比度的图像视觉显著性 计算方法中色彩空间平滑对检测结果改善影响的示例图。 通过在色彩空间对 代表性色彩的显著性值进行平滑可以有效的改善视觉显著性的检测结果。 在 步骤 S103中计算得到所有代表性色彩的 S(c)之后， 将距离某个代表性色彩 c 最相近的 个代表性色彩组成的集合定义为 Cm。这种色彩空间的平滑过程可 以定义为：
Figure imgf000007_0001
其中， S'W为平滑后的代表性色彩 c的显著性值， ^为权值， 与 c越 相近则 νν,越大。 图 4中左图和右图分别给出了改善前后， 代表性色彩的显著 性值及输入图像的显著性图的变化的一个实例。 在实验中 的取值通常为所 有代表性色彩个数的 25%就能得到比较好的结果。 工业实用性
本发明公开的图像显著性计算方法， 通过某像素和其余所有像素的颜色 差异来定义其显著性值。 为了避免过于巨大的计算代价， 该方法通过颜色量 化和色彩出现频度分析选取代表性色彩来加速问题求解。 为了避免颜色量化 过程中的随机性， 本方法可以通过一种颜色空间平滑机制控制量化误差。 本 方法在国际上现有最大的测试集上取得了明显优于比传统方法的结果。 本发 明能够自动的分析图像中的视 显著性区域， 分析结果可以应用于重要目标 分割、 物体识别、 自适应图像压缩、 内容敏感的图像缩放、 和图像检索等应 用领域， 具有工业实用性。

Claims

权利要求书:
1、 一种基于色彩直方图和全局对比度的图像视觉显著性计算方法， 其特 征在于， 包括以下步骤：
S 1 : 对颜色空间进行量化得到一组代表性色彩；
S2: 计算所述代表性色彩对应的颜色在输入图像中的出现频率， 组成一 个直方图；
S3 : 根据每个代表性色彩与其它代表性色彩的差异计算代表性色彩的显 著性值；
S4: 对于每一个代表性色彩， 将其显著性值赋予对应的像素。
2、如权利要求 1所述的基于色彩直方图和全局对比度的图像视觉显著性 计算方法， 其特征在于， 所述步骤 S2中， 按照所述代表性色彩在输入图像中 的出现频率从大到小对代表性色彩进行排序， 排在前预定个数的代表性色彩 被保留， 并将其余代表性色彩的出现频率累加到颜色最相近的被保留的代表 性色彩的出现频率上。
3、如权利要求 1所述的基于色彩直方图和全局对比度的图像视觉显著性 计算方法， 其特征在于， 所述步骤 S3中代表性色彩的显著性值 S的计算公式 为：
Figure imgf000008_0001
其中， C为步骤 S2中被保留的代表性色彩集合， c为该集合中任一代表 性色彩， ^为除 c以外的其它代表性色彩， 为 的出现频率， D(c, Ci)为 c与 在色彩空间中的欧氏距离。
4、如权利要求 3所述的基于色彩直方图和全局对比度的图像视觉显著性 计算方法， 其特征在于， 步骤 S3和 S4之间还进一步包括以下步骤来改进检 测结果： 在色彩空间中对所述代表性色彩的显著性值进行平滑， 具体平滑公 式为：
Figure imgf000008_0002
其中， 为平滑后的代表性色彩 c的显著性值， ;与代表性色彩 c的 颜色值最相近的 个代表性色彩组成的集合， ^为权值， 与 c越相近则^越大。
PCT/CN2011/000690 2011-03-15 2011-04-20 基于色彩直方图和全局对比度的图像视觉显著性计算方法 Ceased WO2012122682A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2011100625201A CN102129693B (zh) 2011-03-15 2011-03-15 基于色彩直方图和全局对比度的图像视觉显著性计算方法
CN201110062520.1 2011-03-15

Publications (1)

Publication Number Publication Date
WO2012122682A1 true WO2012122682A1 (zh) 2012-09-20

Family

ID=44267768

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2011/000690 Ceased WO2012122682A1 (zh) 2011-03-15 2011-04-20 基于色彩直方图和全局对比度的图像视觉显著性计算方法

Country Status (2)

Country Link
CN (1) CN102129693B (zh)
WO (1) WO2012122682A1 (zh)

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102360490B (zh) * 2011-09-30 2012-11-28 北京航空航天大学 基于颜色转换和编辑传播的图像季节特征增强方法
CN102637253B (zh) * 2011-12-30 2014-02-19 清华大学 基于视觉显著性和超像素分割的视频前景目标提取方法
CN102799882A (zh) * 2012-07-09 2012-11-28 武汉市科迅智能交通设备有限公司 基于视觉显著性的车牌定位方法
CN102938139B (zh) * 2012-11-09 2015-03-04 清华大学 一种找茬游戏图像自动合成方法
CN102999926B (zh) * 2012-11-12 2016-06-29 北京交通大学 一种基于底层特征融合的图像视觉显著性计算方法
CN103208123B (zh) * 2013-04-19 2016-03-02 广东图图搜网络科技有限公司 图像分割方法与系统
CN103810707B (zh) * 2014-01-28 2016-08-17 华东理工大学 一种基于移动视觉焦点的图像视觉显著性检测方法
CN104951440B (zh) * 2014-03-24 2020-09-25 联想(北京)有限公司 一种图像处理方法及电子设备
US9665925B2 (en) 2014-06-24 2017-05-30 Xiaomi Inc. Method and terminal device for retargeting images
CN104123720B (zh) * 2014-06-24 2017-07-04 小米科技有限责任公司 图像重定位方法、装置及终端
CN104952084B (zh) * 2015-05-26 2019-03-08 深圳市万普拉斯科技有限公司 颜色量化方法及系统
CN106296757A (zh) * 2015-06-09 2017-01-04 中兴通讯股份有限公司 一种图像处理方法和装置
CN106056579A (zh) * 2016-05-20 2016-10-26 南京邮电大学 一种基于背景对比的显著性检测方法
CN107784662B (zh) * 2017-11-14 2021-06-11 郑州布恩科技有限公司 一种图像目标显著性度量方法
CN108737821B (zh) * 2018-04-25 2020-09-04 中国人民解放军军事科学院军事医学研究院 基于多通道浅层特征的视频兴趣区域快速预选方法及系统
CN109214420A (zh) * 2018-07-27 2019-01-15 北京工商大学 基于视觉显著性检测的高纹理图像分类方法及系统
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
CN109711399B (zh) * 2018-11-05 2021-04-27 北京三快在线科技有限公司 基于图像的店铺识别方法、装置，电子设备
CN109544568A (zh) * 2018-11-30 2019-03-29 长沙理工大学 目标图像分割方法、装置及设备
CN111292287B (zh) * 2018-12-06 2023-11-14 宏碁股份有限公司 图像正规化方法及图像处理装置
CN111311697B (zh) * 2020-03-19 2023-11-17 北京搜狐新媒体信息技术有限公司 图片色彩丰富度的检测方法及相关装置
CN112418223A (zh) * 2020-12-11 2021-02-26 互助土族自治县北山林场 一种基于改进优化的野生动物图像显著性目标检测方法
CN114187380B (zh) * 2022-02-17 2022-05-31 杭州并坚科技有限公司 基于视觉显著性和通道注意力机制的色彩传递方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1358296A (zh) * 1999-04-29 2002-07-10 三菱电机信息技术中心欧洲有限公司 用于彩色图像表示与检索的方法和装置
CN101038669A (zh) * 2007-04-12 2007-09-19 上海交通大学 全局异常信号环境下基于联合显著图的鲁棒图像配准方法
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
CN101520894A (zh) * 2009-02-18 2009-09-02 上海大学 基于区域显著性的显著对象提取方法
CN101533512A (zh) * 2009-04-24 2009-09-16 西安电子科技大学 基于人类视觉注意系统的图像感兴趣区域自动提取方法
US20090304231A1 (en) * 2008-06-09 2009-12-10 Arcsoft, Inc. Method of automatically detecting and tracking successive frames in a region of interesting by an electronic imaging device
WO2010109419A1 (en) * 2009-03-26 2010-09-30 Koninklijke Philips Electronics N.V. Method and apparatus for modifying an image by using a saliency map based on color frequency

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1358296A (zh) * 1999-04-29 2002-07-10 三菱电机信息技术中心欧洲有限公司 用于彩色图像表示与检索的方法和装置
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
CN101038669A (zh) * 2007-04-12 2007-09-19 上海交通大学 全局异常信号环境下基于联合显著图的鲁棒图像配准方法
US20090304231A1 (en) * 2008-06-09 2009-12-10 Arcsoft, Inc. Method of automatically detecting and tracking successive frames in a region of interesting by an electronic imaging device
CN101520894A (zh) * 2009-02-18 2009-09-02 上海大学 基于区域显著性的显著对象提取方法
WO2010109419A1 (en) * 2009-03-26 2010-09-30 Koninklijke Philips Electronics N.V. Method and apparatus for modifying an image by using a saliency map based on color frequency
CN101533512A (zh) * 2009-04-24 2009-09-16 西安电子科技大学 基于人类视觉注意系统的图像感兴趣区域自动提取方法

Also Published As

Publication number Publication date
CN102129693B (zh) 2012-07-25
CN102129693A (zh) 2011-07-20

Similar Documents

Publication Publication Date Title
WO2012122682A1 (zh) 基于色彩直方图和全局对比度的图像视觉显著性计算方法
CN102779338B (zh) 图像处理方法和图像处理装置
KR102138950B1 (ko) 조합된 깊이 큐들에 기초하여 모노스코픽 이미지로부터 깊이 맵 생성
Hou et al. Thumbnail generation based on global saliency
CN103617432B (zh) 一种场景识别方法及装置
CN103136766B (zh) 一种基于颜色对比和颜色分布的物体显著性检测方法
CN104123717B (zh) 图像处理装置、图像处理方法、程序以及记录介质
CN110399842B (zh) 视频处理方法、装置、电子设备及计算机可读存储介质
CN108174185A (zh) 一种拍照方法、装置及终端
CN108629783A (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
JP2018045693A (ja) 動画像背景除去方法及び動画像背景除去システム
CN103985130B (zh) 一种针对复杂纹理图像的图像显著性分析方法
CN111127476A (zh) 一种图像处理方法、装置、设备及存储介质
CN104680546A (zh) 一种图像显著目标检测方法
CN114842240A (zh) 融合ghost模块和注意力机制的MobileNetV2农作物叶片图像分类方法
CN109741300B (zh) 一种适用于视频编码的图像显著性快速检测方法和装置
JP5914046B2 (ja) 画像処理装置および画像処理方法
CN114449362B (zh) 视频封面的选取方法、装置、设备及存储介质
CN115019339A (zh) 一种新的轻量级头部姿态估计方法
CN106469437B (zh) 图像处理方法和图像处理装置
CN108932704A (zh) 图片处理方法、图片处理装置及终端设备
US8538142B2 (en) Face-detection processing methods, image processing devices, and articles of manufacture
CN111539420B (zh) 基于注意力感知特征的全景图像显著性预测方法及系统
CN108009984B (zh) 一种面向水环境监测的水面显著性区域的检测方法
Wang et al. Salient region detection based on color-complexity and color-spatial features

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 11861045

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 17.04.2014)

122 Ep: pct application non-entry in european phase

Ref document number: 11861045

Country of ref document: EP

Kind code of ref document: A1