光场图像显著性特征提取、信息融合及预测损失评估方法技术

本发明专利技术公开了一种光场图像信息融合方法，包括以下步骤：对每幅光场图像进行特征检测，得到初始特征图；将每幅初始特征图中与显著性特征相关区域赋予相对更大的权重，得到对应数量的第一特征图像；将每幅第一特征图像中与显著性特征相关通道赋予相对更大的权重，得到对应数量的第二特征图像；从所有第二特征图像中挑选出与显著性特征相关的图像赋予相对更大的权重，得到对应数量的第三特征图像；将所有的第三特征图像相加，得到融合后的光场特征图像。本发明专利技术还公开了一种装置及计算机可读存储介质，解决了如何有效融合多张图像的信息的问题。

【技术实现步骤摘要】
光场图像显著性特征提取、信息融合及预测损失评估方法
本专利技术涉及计算机视觉与图像处理
，尤其涉及光场图像信息融合方法、预测损失评估方法、光场图像显著性特征提取方法和计算机存储介质。
技术介绍
显著性目标检测，即检测出图像中最吸引人注意力的物体，并把它作为前景分离出来。传统的光场显著性目标检测方法中，光场的数据包含多张图像，多张图像之间具有互相补充的信息，但简单的拼接或者相加不能很好地利用到光场各个图像信息之间地互补性，同时也保留了大量的冗余信息。因此，现有技术还存在如何有效融合多张图像的信息的问题。传统的深度学习地方法大都使用二分类交叉熵损失函数来优化模型预测的结果，这种优化方式是把像素点独立起来进行预测，从而缺乏对显著性物体的整体的考量。因此，现有技术还存在缺乏对显著性物体的整体考量的问题。在端到端的神经网络的训练的过程中，需要一种方法来衡量模型的输出与我们想要得到的结果的差距(称为损失函数)。而且在模型的训练中需要对损失函数进行求导，所以求得的损失函数应该是连续值(离散的无法求导)。现有技术在对评价指标Fβ的本文档来自技高网...

【技术保护点】
1.一种光场图像信息融合方法，用于对多幅光场图像进行融合，其特征在于，所述光场图像信息融合方法包括以下步骤：/n对每幅光场图像进行特征检测，得到初始特征图；/n将每幅初始特征图中与显著性特征相关区域赋予相对更大的权重，得到对应数量的第一特征图像；/n将每幅第一特征图像中与显著性特征相关通道赋予相对更大的权重，得到对应数量的第二特征图像；/n从所有第二特征图像中挑选出与显著性特征相关的图像赋予相对更大的权重，得到对应数量的第三特征图像；/n将所有的第三特征图像相加，得到融合后的光场特征图像。/n

【技术特征摘要】
1.一种光场图像信息融合方法，用于对多幅光场图像进行融合，其特征在于，所述光场图像信息融合方法包括以下步骤：
对每幅光场图像进行特征检测，得到初始特征图；
将每幅初始特征图中与显著性特征相关区域赋予相对更大的权重，得到对应数量的第一特征图像；
将每幅第一特征图像中与显著性特征相关通道赋予相对更大的权重，得到对应数量的第二特征图像；
从所有第二特征图像中挑选出与显著性特征相关的图像赋予相对更大的权重，得到对应数量的第三特征图像；
将所有的第三特征图像相加，得到融合后的光场特征图像。


2.如权利要求1所述的光场图像信息融合方法，其特征在于，将一幅初始特征图中与显著性特征相关区域赋予相对更大的权重，得到对应的第一特征图像的步骤包括：
对所述初始特征图进行卷积；
将卷积结果进行二分类函数概率估计；
将概率估计结果附加到所述初始特征图，得到对应的第一特征图像。


3.如权利要求1所述的光场图像信息融合方法，其特征在于，将一幅第一特征图像中与显著性特征相关通道赋予相对更大的权重，得到对应的第二特征图像的步骤包括：
取所述第一特征图像的全局平均值；
将取全局平均值后的图像进行卷积；
将卷积结果进行多分类函数概率估计；
将概率估计结果附加到所述第一特征图像，得到对应的第二特征图像。


4.如权利要求1所述的光场图像信息融合方法，其特征在于，所述从所有第二特征图像中挑选出与显著性特征相关的图像赋予相对更大的权重，得到对应数量的第三特征图像的步骤包括：
对所述第二特征图像进行卷积；
取卷积后的图像的全局平均值；
将取全局平均值后的图像进行多分类函数概率估计；
将概率估计结果附加到所述第二特征图像，得到第三特征图像。


5.一种预测损失评估方法，其特征在于，所述预测损失评估方法包括以下步骤：
计算二分类交叉熵损失；
当预测值完全错误时，计算完全预测错误情况与预测值和真值的并集的比值；
将二分类交叉熵损失值和所述比值相加，得到第一预测损失评估值。


6.如权利要求5所述...

【专利技术属性】
技术研发人员：高伟，范松林，
申请(专利权)人：北京大学深圳研究生院，
类型：发明
国别省市：广东;44