一种立体图像视觉显著图提取方法技术

本发明专利技术公开了一种立体图像视觉显著图提取方法，其首先通过训练构建立体图像的视觉舒适度特征与视觉舒适度预测值的关系模型，然后利用该关系模型来预测立体图像的视觉舒适度，得到视觉舒适度显著图；采用基于图论的视觉显著性模型提取出立体图像的二维显著图；根据区域之间的空间相似性和视差相似性，得到立体图像的深度显著图；最后对二维显著图、深度显著图和视觉舒适度显著图进行融合，得到最终的三维视觉显著图，优点是获得的三维视觉显著图能够很好地符合显著语义的特征。

【技术实现步骤摘要】

【技术保护点】
一种立体图像视觉显著图提取方法，其特征在于包括训练阶段和测试阶段两个过程，具体步骤如下：①选取N副各不相同而尺寸大小一致的立体图像以及每幅立体图像对应的右视差图像，构成训练图像集，记为{Li,Ri,di|1≤i≤N}，其中，N≥1，Li表示{Li,Ri,di|1≤i≤N}中的第i幅立体图像的左视点图像，Ri表示{Li,Ri,di|1≤i≤N}中的第i幅立体图像的右视点图像，di表示{Li,Ri,di|1≤i≤N}中的第i幅立体图像对应的右视差图像；②计算{Li,Ri,di|1≤i≤N}中的每幅立体图像对应的右视差图像中的所有像素点的视差均值、视差方差和视差范围，将di中的所有像素点的视差均值、视差方差和视差范围对应记为μi、δi和χi；然后将{Li,Ri,di|1≤i≤N}中的每幅立体图像对应的右视差图像中的所有像素点的视差均值、视差方差和视差范围按顺序进行排列构成每幅立体图像的用于反映视觉舒适度的特征矢量，将第i幅立体图像的用于反映视觉舒适度的特征矢量记为Xi，Xi＝[μi,δi,χi]，其中，此处符号“[]”为矢量表示符号，Xi的维数为3；③采用支持向量回归，对{Li,Ri,di|1≤i≤N}中的所有立体图像的特征矢量进行训练，并使得经过训练得到的回归函数值与平均主观评分均值之间的误差最小，得到最优的权重矢量wopt和最优的偏置项bopt，然后利用得到的最优的权重矢量wopt和最优的偏置项bopt构造支持向量回归训练模型，记为f(Xinp)，其中，Xinp表示支持向量回归训练模型的输入矢量，(wopt)T为wopt的转置矢量，表示支持向量回归训练模型的输入矢量Xinp的线性函数；④将待测试的立体图像的左视点图像和右视点图像对应记为{IL(x,y)}和{IR(x,y)}，将待测试的立体图像对应的右视差图像记为{dR(x,y)}，其中，此处(x,y)表示{IL(x,y)}、{IR(x,y)}和{dR(x,y)}中的像素点的坐标位置，1≤x≤W，1≤y≤H，此处W表示{IL(x,y)}、{IR(x,y)}和{dR(x,y)}的宽度，H表示{IL(x,y)}、{IR(x,y)}和{dR(x,y)}的高度，IL(x,y)表示{IL(x,y)}中坐标位置为(x,y)的像素点的像素值，IR(x,y)表示{IR(x,y)}中坐标位置为(x,y)的像素点的像素值，dR(x,y)表示{dR(x,y)}中坐标位置为(x,y)的像素点的视差值；⑤采用基于图论的视觉显著性模型提取出{IR(x,y)}的二维显著图，记为{S2D(x,y)}，其中，S2D(x,y)表示{S2D(x,y)}中坐标位置为(x,y)的像素点的像素值；⑥采用超像素分割技术将{IR(x,y)}分割成M个互不重叠的区域，然后将{IR(x,y)}重新表示为M个区域的集合，记为{SPh}，再根据{SPh}中的不同区域之间的视差相似性和空间相似性，计算{IR(x,y)}的深度显著图，记为{SDP(x,y)}，其中，M≥1，SPh表示{SPh}中的第h个区域，1≤h≤M，SDP(x,y)表示{SDP(x,y)}中坐标位置为(x,y)的像素点的像素值；⑦根据利用训练得到的最优的权重矢量wopt和最优的偏置项bopt构造的支持向量回归训练模型f(Xinp)，计算{IR(x,y)}的视觉舒适度显著图，记为{SVC(x,y)}，其中，SVC(x,y)表示{SVC(x,y)}中坐标位置为(x,y)的像素点的像素值；⑧对{IR(x,y)}的二维显著图{S2D(x,y)}、{IR(x,y)}的深度显著图{SDP(x,y)}及{IR(x,y)}的视觉舒适度显著图{SVC(x,y)}进行融合，得到{IR(x,y)}的最终的三维视觉显著图，记为{S3D(x,y)}，将{S3D(x,y)}中坐标位置为(x,y)的像素点的像素值记为S3D(x,y)，S3D(x,y)＝S2D(x,y)×SDP(x,y)×SVC(x,y)。...

【技术特征摘要】

【专利技术属性】
技术研发人员：邵枫，姜求平，郁梅，李福翠，
申请(专利权)人：宁波大学，
类型：发明
国别省市：浙江;33