利用显著信息引导的图像不规则马赛克拼接方法技术

本发明专利技术公开了一种利用显著信息引导的图像不规则马赛克拼接方法，主要解决现有技术目标边界锯齿现象严重、细节信息缺失的问题。其实现步骤为：1.输入目标图像，提取图像的显著性区域；2.根据显著性等级将目标图像分割成不同密度的网格图像；3.提取拼接图像集图像和目标图像网格区域的颜色均值特征；4.为网格区域选取颜色特征最相似的拼接图像；5.提取网格区域宽度与高度信息，并据此缩放对应拼接图像，将拼接图像与网格区域对齐并裁剪，再将其填充到相应网格中，完成整幅图像的马赛克填充。本发明专利技术不仅保持了马赛克拼接图像的观赏性，同时加强了目标图像的细节信息，可用于图像传输、图像安全、图像信息隐藏及广告设计。

【技术实现步骤摘要】

本专利技术属于图像处理
，具体的说是一种图像拼接方法，可用于图像传输、图像安全、图像信息隐藏及广告设计。
技术介绍
图像马赛克拼接技术是将目标图像的每一个像素或区域使用与之相似的图像代替，使得马赛克拼接后的目标图像在一定距离外观看时与原目标图像相近；而在近处观察时，每一个像素或区域都是一幅独立的图像。马赛克拼接技术除了在图像美学及艺术上的应用外，在为图像传输、图像安全、图像信息隐藏及广告设计等领域也有巨大的潜力。已有研究者对图像马赛克拼接的研究始于1982年Ken Knowlton发布的DominoPix电脑图形系统，该系统主要应用于缺乏拼接图像集情况下的图像马赛克拼接。1997年Robert Silvers首先将目标图像分割成矩形或方形的区域，然后将每个区域与拼接图像集中的图像(称作细胞图像)比较，选取最匹配的细胞图像嵌入到原图中，最终得到完整的马赛克图像。该工作大力推动了图像马赛克领域的发展，并在艺术、商业、影视等领域得到了大量应用。传统的马赛克拼接算法在目标图像的前景和背景区域都使用了大小相近的细胞图像，也就是说马赛克拼接后的图像中的每个细胞元素处于同一分辨率下，这样不利于突出人们更加关心的前景目标区域，因此2009年Achanta将显著性信息引入图像马赛克拼接当中，使得目标图像根据显著性的高低，包含不同密度的细胞图像。加入显著信息后的马赛克图像往往在人们更加关注的前景区域包含更多的细胞图像，因此目标具有较高的清晰度和还原度，而背景区域则往往由较少的细胞图像拼接组成。无论是传统的图像马赛克拼接还是显著性引导的图像马赛克拼接，在处理目标图像中的边缘区域时，由于使用了矩形的分割方式，因此目标边缘处会出现不同程度的锯齿效应而导致目标边缘不清晰和细节丢失。
技术实现思路
本专利技术的目的在于针对上述现有技术存在的不足，提出一种显著信息引导的图像不规则马赛克拼接方法，以更大程度地保留图像中的边缘信息，减小细节丢失，提高图像马赛克拼
接效果。本专利技术的技术方案是这样实现的：一.技术原理本专利技术通过显著性信息检测算法和图像过分割算法两种途径实现对图像边缘信息的保留和对细节丢失的抑制。所述显著性信息检测算法，包括自底而上的数据驱动模型以及自顶而下的任务驱动模型，能够提取出图像中最能引起人眼注意力的前景目标区域。显著性值的范围通常处于0～1之间，数值越高则说明该区域越能引起人的注意。本专利技术使用分层显著性算法来兼顾显著性信息提取过程中的鲁棒性和高效性。所述过分割算法，包括基于区域的分水岭分割算法，基于图论的最小割分割算法以及基于梯度下降的超像素分割算法。通过这些分割算法能够将图像分割成多个不规则的小区域，每个区域中的所有像素具有相同或相似的颜色及纹理属性，这与马赛克细胞的要求相同，并且更加均质的区域也更加有益于细胞图像的选择。除此之外，过分割能够较好地保持图像中的边缘信息，使得在边缘两边的区域具有差异较大的细胞图像。本专利技术使用简单线性迭代聚类算法对目标图像进行过分割操作。二.实现方案根据上述原理本专利技术使用分层显著性算法提取输入目标图像的显著图，根据区域的显著程度对目标图像使用简单线性迭代聚类算法进行超像素分割得到分割后图像，提取每个网格区域中的颜色特征，在拼接图像集中搜索与网格区域特征相匹配的图像填充到目标图像的网格中，其实现步骤包括如下：(1)输入目标图像，通过分层显著性检测算法提取该图像的显著性区域及各区域的显著性值；(2)根据显著性值的大小对目标图像进行不同密度的过分割：(2a)将目标图像的显著性值均匀量化为K个等级，并设置超像素分割初始区域大小A；(2b)以A为初始区域大小，对整个目标图像进行第一次超像素分割；(2c)类似地，对目标图像中显著性等级为2～K的区域，分别设置超像素区域大小为A/4～A/4K-1进行K-1次的超像素分割，最终得到一幅具有不同分块密度的M个网格区域分割图像；(3)提取目标图像在每个网格区域中所有像素点的红绿蓝RGB颜色的均值特征；(4)输入拼接图像集，分别提取拼接图像集中P幅图像的红绿蓝RGB颜色均值特征；(5)计算每个网格区域与拼接图像集中每幅图像在颜色空间中的欧氏距离，并为每个网格区域选取距离最近的拼接图像；(6)提取每个网格区域的宽度与高度参数，并根据这两个参数缩放该区域对应的拼接图像；再将拼接图像与网格区域中心点对齐，裁剪拼接图像使其与网格区域形状和大小相同；(7)将裁剪后的每幅拼接图像填充到相应网格中，完成整幅目标图像的马赛克拼接。本专利技术与现有的技术相比具有以下优点：1.本专利技术由于采用显著信息引导的多层超像素分割方法，改善了传统马赛克拼接中目标图像边缘的锯齿效应，同时保留了更多的细节信息；2.本专利技术针对不规则的马赛克网格，使用缩放-修剪的方式解决了网格区域和拼接图像的形状匹配问题；3.本专利技术由于使用了超像素过分割的方法，因此每个网格区域具有更加均匀的颜色分布，这不仅有利于拼接图像的选取，而且有助于马赛克区域的表示。附图说明图1是本专利技术的实现流程图；图2是本专利技术与原始马赛克拼接算法的结果对比图；图3是本专利技术与显著信息引导的规则马赛克拼接算法的结果对比图。具体实施方式参照图1，本专利技术的具体实现步骤如下：步骤1，提取输入目标图像的显著性区域及各区域的显著性值。经典的显著性提取算法有Itti等人在生物激发模型的基础上，利用多尺度图像特征的中心-周围差异来计算显著性值；Achanta等人提出了频率调谐方法，通过计算图像每个像素点和整个图平均颜色的差异来定义该像素点的显著性值；Cheng等人提出了基于直方图对比度和基于空间信息增强的区域对比度显著性检测方法；Yan等人提出了一种分层显著性检测算法来融合不同分辨率下的显著性线索得到最终的显著性区域。本专利技术使用Yan等人提出的分层显著性检测算法提取输入目标图像的显著性区域及各区域的显著性值，其步骤如下：(1a)对输入图像进行类分水岭分割三次，产生三层分割结果，并设置第一层分割结果的对应阈值为3，设第二层分割结果的对应阈值为17，设第三层分割结果的对应阈值为33；(1b)对于第l层上的区域i，l＝1,2,3，定义显著性线索为假设第l层总共分割为n个区域，分别计算该层每个区域i的局部对比度和位置启发式特征 C i l = Σ j = 1 n ω ( R j ) φ ( i , j ) | | c i - c j | | 2 , ]]> H i l = 1 ω ( 本文档来自技高网...

【技术保护点】
利用显著信息引导的图像不规则马赛克拼接方法，包括：(1)输入目标图像，通过分层显著性检测算法提取该图像的显著性区域及各区域的显著性值；(2)根据显著性值的大小对目标图像进行不同密度的过分割；(2a)将目标图像的显著性值均匀量化为K个等级，并设置超像素分割初始区域大小A；(2b)以A为初始区域大小，对整个目标图像进行第一次超像素分割；(2c)类似地，对目标图像中显著性等级为2～K的区域，分别设置超像素区域大小为A/4～A/4K‑1进行K‑1次的超像素分割，最终得到一幅具有不同分块密度的M个网格区域分割图像；(3)提取目标图像在每个网格区域中所有像素点的红绿蓝RGB颜色的均值特征；(4)输入拼接图像集，分别提取拼接图像集中P幅图像的红绿蓝RGB颜色均值特征；(5)计算每个网格区域与拼接图像集中每幅图像在颜色空间中的欧氏距离，并为每个网格区域选取距离最近的拼接图像；(6)提取每个网格区域的宽度与高度参数，并根据这两个参数缩放该区域对应的拼接图像；再将拼接图像与网格区域中心点对齐，裁剪拼接图像使其与网格区域形状和大小相同；(7)将裁剪后的每幅拼接图像填充到相应网格中，完成整幅目标图像的马赛克拼接。...

【技术特征摘要】
1.利用显著信息引导的图像不规则马赛克拼接方法，包括：(1)输入目标图像，通过分层显著性检测算法提取该图像的显著性区域及各区域的显著性值；(2)根据显著性值的大小对目标图像进行不同密度的过分割；(2a)将目标图像的显著性值均匀量化为K个等级，并设置超像素分割初始区域大小A；(2b)以A为初始区域大小，对整个目标图像进行第一次超像素分割；(2c)类似地，对目标图像中显著性等级为2～K的区域，分别设置超像素区域大小为A/4～A/4K-1进行K-1次的超像素分割，最终得到一幅具有不同分块密度的M个网格区域分割图像；(3)提取目标图像在每个网格区域中所有像素点的红绿蓝RGB颜色的均值特征；(4)输入拼接图像集，分别提取拼接图像集中P幅图像的红绿蓝RGB颜色均值特征；(5)计算每个网格区域与拼接图像集中每幅图像在颜色空间中的欧氏距离，并为每个网格区域选取距离最近的拼接图像；(6)提取每个网格区域的宽度与高度参数，并根据这两个参数缩放该区域对应的拼接图像；再将拼接图像与网格区域中心点对齐，裁剪拼接图像使其与网格区域形状和大小相同；(7)将裁剪后的每幅拼接图像填充到相应网格中，完成整幅目标图像的马赛克拼接。2.根据权利要求书1所述的利用显著信息引导的图像不规则马赛克拼接方法，其中步骤(1)中使用分层显著性检测算法提取该图像的显著性区域及各区域的显著性值，按如下步骤进行：(1a)对输入图像进行类分水岭分割三次，产生三层分割结果，设置该三层分割结果的对应阈值分别为3，17和33；(1b)对于第l层上的区域i，l＝1,2,3，定义显著性线索为假设第l层总共分割为n个区域，分别计算该层每个区域i的局部对比度和位置启发...

【专利技术属性】
技术研发人员：高新波，仇文亮，韩冰，魏国威，张景滔，王平，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61