The invention discloses a saliency image fusion detection method based on texture features and color features, mainly to solve the existing technology for texture features are not fully used, the high texture image saliency detection is the problem of the poor effect. The solution is: 1) the input image, and the filtering method of total variation model based on the removal of texture, image with color features; 2) the input image, filtered by Gabor filter, get the image with image texture information; 3) according to the color feature of the image contrast calculation of the initial value; 4) calculate the background probability according to the texture information of the image; 5) of the contrast and background probability fusion to get new contrast, then get the saliency map based on color and texture features. The invention takes full advantage of the color and texture information of the image, improves the detection effect of the complex texture image and can be used in the computer vision task.
【技术实现步骤摘要】
基于纹理特征和颜色特征融合的图像显著性检测方法
本专利技术属于图像检测
,特别是涉及一种图像显著性检测方法,可用于图像分割、目标识别、图像的自适应压缩、内容感知图像缩放和图像检索。
技术介绍
人们经常毫不费力地判断图像区域的重要性,并且把注意力集中在重要的部分。由于通过显著性区域可以优化分配图像分析时的计算资源,所以计算机检测图像的显著性区域具有重要意义。提取显著图被广泛用在许多计算机视觉应用中,包括对兴趣目标物体图像分割、目标识别、图像的自适应压缩、内容感知图像缩放和图像检索等。显著性源于视觉的独特性、不可预测性、稀缺性以及奇异性,而且它经常被归因于图像属性的变化,比如颜色、纹理和边界等。视觉显著性是通过包括认知心理学、神经生物学和计算机视觉在内的多学科研究出来的,与我们感知和处理视觉刺激密切相关。人类注意力理论假设人类视力系统仅仅详细处理了部分图像,同时保持其他的部分基本未处理。由Treisman和Gelade,Koch和Ullman进行的早期工作,以及随后由Itti,Wolfe等人提出的注意力理论提议将视觉注意力分为两个阶段:快速的、下意识的、自底向上的、数据驱动显著性提取;慢速的、任务依赖的、自顶向下的、目标驱动显著性提取。其中对于下意识的自底向上的显著性检测,其实现方法大多是基于生物学激励或者是纯粹的计算,还有部分方法兼顾上述两方面。这些方法利用低水平的处理来决定图像目标与它们周围的对比度,用到了像亮度、颜色和边缘这样的特征属性。自底向上的显著性检测方法速度快,符合人类视觉系统快速获取显著区域的视觉原理,所以基于纯计算的方法是目前研究比较多 ...
【技术保护点】
一种基于纹理特征和颜色特征融合的图像显著性检测方法,包括:1)输入原始图像I,对其进行去纹理处理,得到去纹理图像S,利用SLIC方法对去纹理图像S进行超像素分割,得到颜色超像素图像SP
【技术特征摘要】
1.一种基于纹理特征和颜色特征融合的图像显著性检测方法,包括:1)输入原始图像I,对其进行去纹理处理,得到去纹理图像S,利用SLIC方法对去纹理图像S进行超像素分割,得到颜色超像素图像SP1;2)输入原始图像I,利用Gabor滤波器函数提取其纹理特征,得到纹理特征图像T,利用SLIC方法对纹理特征图进行超像素分割,得到纹理超像素图像SP2;3)把颜色超像素图像SP1转化到CIE-Lab颜色空间,得到对应的CIE-Lab颜色超像素图像SP3,在CIE-Lab颜色超像素图像SP3中第i个超像素pi和第j个超像素pj,计算颜色距离dapp(pi,pj)1和空间距离dspa(pi,pj);4)计算CIE-Lab颜色超像素图像SP3中第i个超像素pi的初步对比度Ctr(pi),利用该对比度得到基于颜色特征的颜色显著图SM1;5)把纹理超像素图像SP2转化到CIE-Lab颜色空间,得到对应的CIE-Lab纹理超像素图像SP4,对CIE-Lab纹理超像素图像SP4中第i个超像素pi和第j个超像素pj构建无相权值表,从该无相权值表中得到第i个超像素和第j个超像素的最短路径,计算pi和pj在最短路径的累积权重dgeo(pi,pj);6)计算CIE-Lab纹理超像素图像SP4中第i个超像素pi的广度面积Area(pi)和pi边界连接函数为BndCon(pi),根据这两个参数计算背景概率其中,σBC为比例系数,σBC∈[0.5,2.5];7)用背景概率作为权值,对初步对比度Ctr(pi)进行加强,得到加强后的对比度ωCtr(pi),利用该对比度ωCtr(pi)得到基于纹理特征的纹理显著图SM2;8)输入纹理显著图SM2,并利用SLIC方法对纹理特征图进行超像素分割,得到纹理超像素显著图SM3,再将SM3转化到CIE-Lab颜色空间,得到对应的CIE-Lab纹理显著图SM4,在SM4中第i个超像素pi和第j个超像素pj,计算颜色距离dapp(pi,pj)29)将第i个超像素pi和第j个超像素pj分别在CIE-Lab颜色超像素图像SP3中的颜色距离dapp(pi,pj)1在CIE-Lab纹理显著图SM4中的颜色距离dapp(pi,pj)2及背景概率进行线性融合,得到最终对比度ωCtr(pi)*,利用该对比度得到同时包含颜色特征和纹理特征的最终显著图SM。2.根据权利要求书1所述的方法,其中步骤(1)中用SLIC方法对原始图像进行超像素分割,是先将原始图像I转化为CIE-LAB颜色空间和XY坐标下的5维特征向量;再对5维特征向量构造距离度量标准,利用该标准对转化后的图像像素进行局部聚类与分割,得到颜色超像素图像SP1。3.根据权利要求书1所述方法,其中步骤(2)中的Gabor滤波器函数,表示如下:,其中(x,y)为Gabor滤波点坐标,x'=xcosθ+ysinθ,y'=-xsinθ+ycosθ,λ为正弦函数波长,θ为Gabor核函数的方向,ψ为相位偏移,σ是高斯函数的标准差,γ为空间宽高比,i为虚数单位。4.根据权利要求书1所述的方法,其中步骤(3)中计算颜色超像素图像的颜色距离dapp(pi,pj)1和空间距离dspa(pi,pj),按...
【专利技术属性】
技术研发人员:冯冬竹,余航,杨旭坤,许多,何晓川,戴浩,刘清华,许录平,
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
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。