本发明专利技术提供一种图像显著性区域的检测方法和装置，通过利用预先训练获得的分类器，根据测试图像的图像特征向量，对所述测试图像进行分类处理，获得分类标签，所述分类标签用于指示对所述测试图像进行显著性区域检测的显著性区域检测算法；利用该分类标签指示的显著性检测算法，对所述测试图像进行显著性检测，获得所述测试图像的显著性区域，由于利用该测试图像的图像特征向量，获取检测效果最好的显著性检测算法对该测试图像进行显著性区域检测，提高了显著性区域检测的准确度。
【技术实现步骤摘要】
本专利技术实施例涉及图像处理技术，尤其涉及一种图像显著性区域的检测方法和装 置。
技术介绍
图像的显著性是图像的重要视觉特征，体现了人眼对图像某些区域的重视程度。 在图像处理过程中，常需要利用显著性检测算法对图像进行检测，以获得该图像的显著性 区域，其主要应用于手机拍照软件、目标检测软件和图像压缩软件中。 现有技术中存在基于低层视觉特征的显著性检测算法，对图像进行显著性区域检 测，从而获得该图像的显著性区域的方式，该算法是一种模拟生物体视觉注意机制的选择 性注意算法；同时，现有技术中还存在不基于任何生物视觉原理的纯数学计算方法，对图像 进行显著性区域检测，从而获得该图像的显著性区域的方式。但上述两种方式均存在显著 性区域检测的准确度不高情况，因此，如何提高图像显著性区域检测的准确度是目前亟待 解决的技术问题。
技术实现思路
本专利技术实施例提供一种图像显著性区域的检测方法和装置，用于提高显著性区域 检测的准确度。 第一方面是提供一种图像显著性区域的检测方法，包括： 利用预先训练获得的分类器，根据测试图像的图像特征向量，对所述测试图像进 行分类处理，获得分类标签，所述分类标签用于指示对所述测试图像进行显著性区域检测 的显著性检测算法； 利用所述分类标签指示的显著性检测算法，对所述测试图像进行显著性区域检 测，获得所述测试图像的显著性区域。 在第一方面的第一种可能的实现方式中，所述利用预先训练获得的分类器，根据 测试图像的图像特征向量，对所述测试图像进行分类处理，获得分类标签之前，还包括：采 用至少两种特征提取算法，提取所述测试图像的至少两个图像特征向量。 结合第一方面的第一种可能的实现方式，在第二种可能的实现方式中，所述至少 两个图像特征向量是如下图像特征向量中的至少两个：稀疏加权熵、导数图像颜色数、所 述测试图像的一维频谱图相对于训练集图像的一维频谱图偏移的均值和方差、中频比以及 HSV空间的色度H分量、饱和度S分量、亮度V分量的一阶矩和所述H分量、S分量、V分量 的二阶矩。 结合第一方面的第二种可能的实现方式，在第三种可能的实现方式中，所述测试 图像的图像特征向量包括所述稀疏加权熵；所述采用特征提取算法，提取所述测试图像的 至少两个图像特征向量，包括：在RGB颜色空间内，对所述测试图像进行下采样滤波；对下 采样滤波后测试图像进行计算，获得下采样滤波后测试图像的颜色直方图向量，所述颜色 直方图向量包括η个元素，η为下采样滤波后测试图像的RGB颜色空间所包含的第一颜色 数，η为自然数；计算稀疏加权系数【主权项】1. 一种图像显著性区域的检测方法，其特征在于，包括： 利用预先训练获得的分类器，根据测试图像的图像特征向量，对所述测试图像进行分 类处理，获得分类标签，所述分类标签用于指示对所述测试图像进行显著性区域检测的显 著性检测算法； 利用所述分类标签指示的显著性检测算法，对所述测试图像进行显著性区域检测，获 得所述测试图像的显著性区域。2. 根据权利要求1所述的图像显著性区域的检测方法，其特征在于，所述利用预先训 练获得的分类器，根据测试图像的图像特征向量，对所述测试图像进行分类处理，获得分类 标签之前，还包括： 采用至少两种特征提取算法，提取所述测试图像的至少两个图像特征向量。3. 根据权利要求2所述的图像显著性区域的检测方法，其特征在于， 所述至少两个图像特征向量是如下图像特征向量中的至少两个：稀疏加权熵、导数图 像颜色数、所述测试图像的一维频谱图相对于训练集图像的一维频谱图偏移的均值和方 差、中频比以及HSV空间的色度H分量、饱和度S分量、亮度V分量的一阶矩和所述H分量、 S分量、V分量的二阶矩。4. 根据权利要求3所述的图像显著性区域的检测方法，其特征在于，所述测试图像的 图像特征向量包括所述稀疏加权熵； 所述采用特征提取算法，提取所述测试图像的至少两个图像特征向量，包括： 在RGB颜色空间内，对所述测试图像进行下采样滤波； 对下采样滤波后测试图像进行计算，获得下采样滤波后测试图像的颜色直方图向量， 所述颜色直方图向量包括η个元素，η为下采样滤波后测试图像的RGB颜色空间所包含的 第一颜色数，η为自然数； 计算稀疏加权系数，其中，Xi为所述颜色直方图向量中的第i个元 Λ(λ) = J= ~~； ， V" _ 1 素，q为预设值，取q彡2 ; 计算所述稀疏加权熵= ^，其中，eH(x)用于指示所述颜色直方图向量的熵， H(X) = -i>(^)lo&^)，P(Xi)为归一化后的所述测试图像的颜色直方图向量中的第i个元 1=1 素，b取值为2、10或e。5. 根据权利要求3所述的图像显著性区域的检测方法，其特征在于，所述测试图像的 图像特征向量包括所述导数图像颜色数； 所述采用特征提取算法，提取所述测试图像的至少两个图像特征向量，包括： 确定所述测试图像的导数图像； 在RGB颜色空间内，对所述导数图像进行下采样滤波； 统计下采样滤波后导数图像的RGB颜色空间所包含的第二颜色数； 将所述第二颜色数作为所述导数图像颜色数。6. 根据权利要求3所述的图像显著性区域的检测方法，其特征在于，所述测试图像的 图像特征向量包括所述测试图像的一维频谱图相对于训练集图像的一维频谱图偏移的均 值和方差； 所述采用特征提取算法，提取所述测试图像的至少两个图像特征向量，包括： 确定所述测试图像的一维频谱图； 将所述测试图像的一维频谱图与所述训练集图像的一维频谱图进行比较，获得所述测 试图像的一维频谱图相对于所述训练集图像的一维频谱图偏移的均值和方差；所述训练集 图像的一维频谱图中各频率点上的频率值是对各训练图像的一维频谱图中所述频率点上 的频率值进行平均获得的；所述训练图像用于对所述分类器进行训练。7. 根据权利要求3所述的图像显著性区域的检测方法，其特征在于，所述测试图像的 图像特征向量包括所述中频比； 所述采用特征提取算法，提取所述测试图像的至少两个图像特征向量，包括： 确定所述测试图像的二维频谱图，所述二维频谱图包括横向频率坐标轴和纵向频率坐 标轴，所述横向频率坐标轴包括m个横向频率段，所述纵向频率坐标轴包括m个纵向频率 段；所述频率段按照频率大小排序； 将所述二维频谱图中的第r个到第s个横向频率段，以及第r个到第s个纵向频率段 内的频率点作为中频频率点；其中，I < r < s < m ; 将所述中频频率点的频率值之和，与所述二维频谱图中m个横向频率段和m个纵向频 率段内的各频率点的频率值之和相除，获得所述中频比。8. 根据权利要求3所述的图像显著性区域的检测方法，其特征在于，所述测试图像的 图像特征向量包括HSV空间的所述H分量、S分量、V分量的一阶矩和所述H分量、S分量、 V分量的二阶矩； 所述采用特征提取算法，提取所述测试图像的至少两个图像特征向量，包括： 在HSV空间内，对所述测试图像进行计算，获得所述测试图像在HSV空间的所述H分 量、S分量和V分量的一阶矩，以及所述测试图像在HSV空间的所述H分量、S分量和V分量 的二阶矩。9. 根据权利要求1-8任一项所述的图像显著性区域的检测方法，其特征在于，所述分 本文档来自技高网...
【技术保护点】
一种图像显著性区域的检测方法，其特征在于，包括：利用预先训练获得的分类器，根据测试图像的图像特征向量，对所述测试图像进行分类处理，获得分类标签，所述分类标签用于指示对所述测试图像进行显著性区域检测的显著性检测算法；利用所述分类标签指示的显著性检测算法，对所述测试图像进行显著性区域检测，获得所述测试图像的显著性区域。
【技术特征摘要】
【专利技术属性】
技术研发人员：杜馨瑜，王栋，顾子晨，魏代玉，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：广东;44
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。