一种基于区域的图像显著图提取方法技术
【技术实现步骤摘要】
一种基于区域的图像显著图提取方法
本专利技术涉及一种图像信号的处理方法，尤其是涉及一种基于区域的图像显著图提取方法。
技术介绍
在人类视觉接收与信息处理中，由于大脑资源有限以及外界环境信息重要性区别，因此在处理过程中人脑对外界环境信息并不是一视同仁的，而是表现出选择特征。人们在观看图像或者视频片段时注意力并非均匀分布到图像的每个区域，而是对某些显著区域关注度更高。如何将视频中视觉注意度高的显著区域检测并提取出来是计算机视觉以及基于内容的视频检索领域的一个重要的研究内容。现有的显著图模型是一种模拟生物体视觉注意机制的选择性注意模型，其通过计算每个像素点在颜色、亮度、方向方面与周边背景的对比，并将所有像素点的显著值构成一张显著图，然而这类方法并不能很好地提取出图像显著图信息，这是因为基于像素点的显著特征并不能很好地反映人眼观看时的显著语义特征，而基于区域的显著特征能够有效地提高提取的稳定性和准确性，因此，如何对图像进行区域分割，如何对各个区域的特征进行提取，如何对各个区域的显著特征进行描述，如何度量区域本身的显著度和区域与区域之间的显著度，都是对基于区域的显著图提取中需要研究解决的问题。
技术实现思路
本专利技术所要解决的技术问题是提供一种符合显著语义特征，且有较高提取稳定性和准确性的基于区域的图像显著图提取方法。本专利技术解决上述技术问题所采用的技术方案为：一种基于区域的图像显著图提取方法，其特征在于包括以下步骤：①将待处理的源图像记为{Ii(x,y)}，其中，1≤x≤W，1≤y≤H，W表示{Ii(x,y)}的宽，H表示{Ii(x,y)}的高，Ii(x,y)表示...
【技术保护点】
一种基于区域的图像显著图提取方法，其特征在于包括以下步骤：①将待处理的源图像记为{Ii(x,y)}，其中，1≤x≤W，1≤y≤H，W表示{Ii(x,y)}的宽，H表示{Ii(x,y)}的高，Ii(x,y)表示{Ii(x,y)}中坐标位置为(x,y)的像素点的第i个分量的颜色值，i＝1,2,3，第1个分量为R分量、第2个分量为G分量和第3个分量为B分量；②采用超像素分割技术将{Ii(x,y)}分割成M个互不重叠的区域；然后将{Ii(x,y)}重新表示为M个区域的集合，记为{SPh}；再计算{SPh}中的各个区域之间的相似性，将{SPh}中的第p个区域与第q个区域之间的相似性记为Sim(SPp,SPq)，Sim(SPp,SPq)＝Simc(SPp,SPq)×Simt(SPp,SPq)×Simd(SPp,SPq)；其中，M≥1，SPh表示{SPh}中的第h个区域，1≤h≤M，1≤p≤M，1≤q≤M，p≠q，SPp表示{SPh}中的第p个区域，SPq表示{SPh}中的第q个区域，Simc(SPp,SPq)表示SPp与SPq之间的颜色相似性，Simc(SPp,SPq)的值根据SPp和SPq中的每...
【技术特征摘要】
1.一种基于区域的图像显著图提取方法，其特征在于包括以下步骤：①将待处理的源图像记为{Ii(x,y)}，其中，1≤x≤W，1≤y≤H，W表示{Ii(x,y)}的宽，H表示{Ii(x,y)}的高，Ii(x,y)表示{Ii(x,y)}中坐标位置为(x,y)的像素点的第i个分量的颜色值，i＝1,2,3，第1个分量为R分量、第2个分量为G分量和第3个分量为B分量；②采用超像素分割技术将{Ii(x,y)}分割成M个互不重叠的区域；然后将{Ii(x,y)}重新表示为M个区域的集合，记为{SPh}；再计算{SPh}中的各个区域之间的相似性，将{SPh}中的第p个区域与第q个区域之间的相似性记为Sim(SPp,SPq)，Sim(SPp,SPq)＝Simc(SPp,SPq)×Simt(SPp,SPq)×Simd(SPp,SPq)；其中，M≥1，SPh表示{SPh}中的第h个区域，1≤h≤M，1≤p≤M，1≤q≤M，p≠q，SPp表示{SPh}中的第p个区域，SPq表示{SPh}中的第q个区域，Simc(SPp,SPq)表示SPp与SPq之间的颜色相似性，Simc(SPp,SPq)的值根据SPp和SPq中的每个像素点的各个分量的颜色值量化后得到的颜色直方图获得，Simt(SPp,SPq)表示SPp与SPq之间的纹理相似性，Simt(SPp,SPq)的值根据SPp和SPq中的每个像素点的纹理特征矢量获得，Simd(SPp,SPq)表示SPp与SPq之间的空间相似性，Simd(SPp,SPq)的值根据SPp和SPq中的中心像素点的坐标位置获得；所述的步骤②中获取{SPh}中的第p个区域与第q个区域之间的相似性Sim(SPp,SPq)的具体过程为：②-1、对{SPh}中的每个区域中的每个像素点的各个分量的颜色值分别进行量化，得到{SPh}中的每个区域的量化区域，将{SPh}中的第h个区域的量化区域记为{Ph,i(xh,yh)}，将{Ph,i(xh,yh)}中坐标位置为(xh,yh)的像素点的第i个分量的颜色值记为Ph,i(xh,yh)，假设{Ph,i(xh,yh)}中坐标位置为(xh,yh)的像素点在{Ii(x,y)}中的坐标位置为(x,y)，则其中，1≤xh≤Wh,1≤yh≤Hh，Wh表示{SPh}中的第h个区域的宽度，Hh表示{SPh}中的第h个区域的高度，符号为向下取整符号；②-2、计算{SPh}中的每个区域的量化区域的颜色直方图，将{Ph,i(xh,yh)}的颜色直方图记为其中，表示{Ph,i(xh,yh)}中属于第k种颜色的所有像素点的个数；②-3、对{SPh}中的每个区域的量化区域的颜色直方图进行归一化操作，得到对应的归一化后的颜色直方图，将对进行归一化操作后得到的归一化后的颜色直方图记为其中，表示{Ph,i(xh,yh)}中属于第k种颜色的像素点的出现概率，表示{SPh}中的第h'个区域的量化区域{Ph',i(xh',yh')}中属于第k种颜色的所有像素点的个数，1≤xh'≤Wh',1≤yh'≤Hh'，Wh'表示{SPh}中的第h'个区域的宽度，Hh'表示{SPh}中的第h'个区域的高度，Ph',i(xh',yh')表示{Ph',i(xh',yh')}中坐标位置为(xh',yh')的像素点的第i个分量的颜色值；②-4、计算{SPh}中的第p个区域与第q个区域之间的颜色相似性，记为Simc(SPp,SPq)，其中，SPp表示{SPh}中的第p个区域，SPq表示{SPh}中的第q个区域，表示{SPh}中的第p个区域的量化区域{Pp,i(xp,yp)}中属于第k种颜色的像素点的出现概率，表示{SPh}中的第q个区域的量化区域{Pq,i(xq,yq)}中属于第k种颜色的像素点的出现概率，Pp,i(xp,yp)表示{Pp,i(xp,yp)}中坐标位置为(xp,yp)的像素点的第i个分量的颜色值，Pq,i(xq,yq)表示{Pq,i(xq,yq)}中坐标位置为(xq,yq)的像素点的第i个分量的颜色值，1≤xp≤Wp,1≤yp≤Hp，Wp表示{SPh}中的第p个区域的宽度，Hp表示{SPh}中的第p个区域的高度，1≤xq≤Wq,1≤yq≤Hq，Wq表示{SPh}中的第q个区域的宽度，Hq表示{SPh}中的第q个区域的高度，min()为取最小值函数；②-5、采用Gabor滤波器对{Ii(x,y)}进行滤波处理，得到{Ii(x,y)}中的每个像素点在不同中心频率和不同方向因子下的频率响应的振幅；然后获取{Ii(x,y)}中的每个像素点的纹理特征矢量，将{Ii(x,y)}中坐标位置为(x,y)的像素点的纹理特征矢量记为t(x,y)，t(x,y)＝[IL(x,y),GX(x,y),GY(x,y),IG(x,y)]；其中，t(x,y)的维数为4，符号“[]”为矢量表示符号，IL(x,y)表示{Ii(x,y)}中坐标位置为(x,y)的像素点的亮度值，GX(x,y)表示{Ii(x,y)}中坐标位置为(x,y)的像素点的水平梯度值，GY(x,y)表示{Ii(x,y)}中坐标位置为(x,y)的像素点的垂直梯度值，IG(x,y)表示{Ii(x,y)}中坐标位置为(x,y)的像素点的振幅值，G(x,y；ω,θ)表示{Ii(x,y)}中坐标位置为(x,y)的像素点在中心频率为ω和方向因子为θ下的频率响应的振幅，ω表示Gabor滤波器的中心频率，Φω表示Gabor滤波器的中心频率的集合，θ表示Gabor滤波器的方向因子，Φθ表示Gabor滤波器的方向因子的集合；②-6、根据{Ii(x,y)}中的每个像素点的纹理特征矢量，计算{SPh}中的每个区域的协方差矩阵，将{SPh}中的第h个区域的协方差矩阵记为其中，表示{SPh}中的第h个区域中包含的像素点的总个数，表示{SPh}中的第h个区域中的所有像素点的坐标位置的集合，表示{SPh}中的第h个区域中的所有像素点的纹理特征矢量的均值矢量，为的转置矢量；②-7、计算{SPh}中的第p个区域与第q个区域之间的纹理相似性，记为Simt(SPp,SPq)，其中，表示{SPh}中的第p个区域的协方差矩阵，表示{SPh}中的第q个区域的协方差矩阵，表示与之间的距离，表示和的第k个广义...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。