【技术实现步骤摘要】
201610144000
【技术保护点】
一种基于多尺度区分性子空间的图像显著对象的检测方法，其特征在于，包括以下步骤：获取测试图像；基于大规模数据学习码本，通过码本映射，得到所述测试图像在至少一个预先建立的用于区分的子空间模型中子空间内的图像表示；对所述测试图像在至少一个子空间内的图像表示，使用自适应矩形框随机对比度计算方法，得到所述测试图像的各个子空间对应的随机对比度特征图；基于所述用于区分的子空间模型，根据所述测试图像的随机对比度特征图，预测所述测试图像的显著度值；根据所述测试图像的显著度值，分割出所述测试图像的显著对象。
【技术特征摘要】
1.一种基于多尺度区分性子空间的图像显著对象的检测方法，其特征在
于，包括以下步骤：
获取测试图像；
基于大规模数据学习码本，通过码本映射，得到所述测试图像在至少一个
预先建立的用于区分的子空间模型中子空间内的图像表示；
对所述测试图像在至少一个子空间内的图像表示，使用自适应矩形框随机
对比度计算方法，得到所述测试图像的各个子空间对应的随机对比度特征
图；
基于所述用于区分的子空间模型，根据所述测试图像的随机对比度特征
图，预测所述测试图像的显著度值；根据所述测试图像的显著度值，分割出
所述测试图像的显著对象。
2.根据权利要求1所述的方法，其特征在于，所述用于区分的子空间模型
的建立步骤包括：
获取第一训练图像；
基于大规模数据学习码本，通过码本映射，得到所述第一训练图像的在至
少一个子空间内的图像表示；
对所述第一训练图像的在每个子空间的图像表示，使用自适应矩形框随机
对比度计算方法，得到所述第一训练图像的随机对比度特征图；
基于所述第一训练图像的随机对比度特征图，通过样本对学习方法，得到
用于区分的子空间模型。
3.根据权利要求2所述的方法，其特征在于，所述码本的学习步骤包
括：
获取第二训练图像；
从每张所述第二训练图像上提取相互之间无重叠的至少一个第二宏块；
将各个所述第二宏块的所有像素拉伸为第二一维颜色向量；
归一化所有第二宏块，学习并获得至少一个与所述第二一维颜色向量同
维的码本向量。
4.根据权利要求3所述的方法，其特征在于，所述通过码本映射，得到
所述第一训练图像的在至少一个子空间内的图像表示的步骤包括：
3.1)对所述第一训练图像建立高斯金字塔，获得所述第一训练图像的多
尺度表示数据；
3.2)从所述多尺度表示数据中提取相互之间无重叠的第一宏块，将每个
所述第一宏块拉伸为第一一维颜色向量；将各个所述码本向量与所述第一宏
块的第一一维颜色向量的内积结果，作为所述第一训练图像中各个第一宏块
对所述码本的映射系数；
3.3)将所述高斯金字塔中每个多尺度表示数据通过步骤3.2)得到至少一
个映射系数；将所述映射系数按照所述第一宏块的位置排列得到的二维数
据，作为所述第一训练图像在子...
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。