一种光场显著性检测方法及其相关设备技术

本发明专利技术涉及一种光场显著性检测方法及其相关设备，涉及计算机视觉技术领域；该方法的一具体实施方式包括：获取光场数据集合；其中，光场数据集合包括全聚焦图像及其对应的焦点堆栈图像；对全聚焦图像进行梯度变换处理生成梯度图像，将梯度图像与噪声标签进行元素乘处理，得到对象梯度图像；其中，噪声标签是通过无监督网络模型训练得到的；将对象梯度图像和焦点堆栈图像输入显著性检测模型，以输出显著性图像；该实施方式实现了提高显著性检测精度

【技术实现步骤摘要】
一种光场显著性检测方法及其相关设备


[0001]本专利技术涉及计算机视觉
，特别是涉及一种光场显著性检测方法及其相关设备
。

技术介绍

[0002]显著性检测是从图像中标记出最吸引人注意的目标或区域，准确有效的显著性检测可以为图像检索
、
目标检测与识别和图像压缩等任务提供可靠的先验信息
。
光场数据记录着空间光线的位置信息和方向信息，隐含着场景的几何结构，能为显著性检测提供可靠的背景
、
深度等先验信息
。
[0003]相关技术中的显著性检测方法包括基于传统
RGB
图像（
2D
图像）的显著性检测方法
、
基于
RGB
‑
D
（
3D
图像，是在
2D
图像的基础上增加了深度信息）的显著性检测方法和基于光场数据的显著性检测方法
。
其中，基于
RGB
图像和基于
RGB
‑
D
图像的显著性检测易受到复杂场景
、
光照
、
遮挡等因素的影响，导致在复杂场景下检测精度低
、
鲁棒性差等问题；而相关技术中基于光场数据的显著性检测方法中，需要通过人工标记像素，将人工标记的像素标签与光场数据中的特定视角像素以全监督的方式进行训练，导致显著性检测成本高
、
显著性检测方法的适用场景较窄
。
[0004]针对相关技术采用的显著性检测方法中存在显著性检测精度低
、
鲁棒性差以及检测成本高
、
检测方法适用场景较窄的问题，目前尚未提出有效的解决方案
。

技术实现思路

[0005]本专利技术实施例提供的一种光场显著性检测方法及其相关设备，至少解决相关技术中存在显著性检测精度低
、
鲁棒性差以及检测成本高
、
检测方法适用场景较窄的问题
。
[0006]为了解决上述问题，本专利技术实施例的一个方面，提供了一种光场显著性检测方法，包括：获取光场数据集合；其中，光场数据集合包括全聚焦图像及其对应的焦点堆栈图像；对全聚焦图像进行梯度变换处理生成梯度图像，将梯度图像与噪声标签进行元素乘处理，得到对象梯度图像；其中，噪声标签是通过无监督网络模型训练得到的；将对象梯度图像和焦点堆栈图像输入显著性检测模型，以输出显著性图像
。
[0007]在其中的一些实施例中，将对象梯度图像和焦点堆栈图像输入显著性检测模型，以输出显著性图像的步骤，包括：将对象梯度图像和焦点堆栈图像输入显著性检测模型中分别提取第一图像特征和第二图像特征，并将第一图像特征和第二图像特征进行特征组合得到组合特征，对组合特征进行显著性检测，输出显著性图像
。
[0008]在其中的一些实施例中，对组合特征进行显著性检测，输出显著性图像的步骤包括：
根据迭代次数阈值对组合特征进行显著性检测，得到多个显著性检测结果，对多个显著性检测结果进行过滤处理，输出显著性图像
。
[0009]在其中的一些实施例中，将对象梯度图像和焦点堆栈图像输入显著性检测模型中分别提取第一图像特征和第二图像特征，并将第一图像特征和第二图像特征组合得到组合特征的步骤包括：通过显著性检测模型从对象梯度图像中提取多个梯度图像特征，对多个梯度图像特征进行降维处理得到第一图像特征；通过显著性检测模型从焦点堆栈图像提取多个堆栈图像特征，对多个堆栈图像特征进行降维处理得到第二图像特征；基于显著性检测模型的通道维度，将第一图像特征和第二图像特征进行特征组合得到组合特征
。
[0010]在其中的一些实施例中，显著性检测模型包括遗忘矩阵，根据迭代次数阈值对组合特征进行显著性检测，得到多个显著性检测结果，对多个显著性检测结果进行过滤处理，输出显著性图像的步骤，包括：通过遗忘矩阵标识组合特征在执行满足迭代次数阈值的显著性检测时，每个像素点对应的显著性检测结果中指示检测不一致的触发次数；根据触发次数确定置信度，并结合置信度阈值对显著性检测结果进行过滤处理，输出显著性图像
。
[0011]在其中的一些实施例中，对全聚焦图像进行梯度变换处理生成梯度图像的步骤包括：计算全聚焦图像的梯度值，根据梯度值生成梯度图像
。
[0012]在其中的一些实施例中，在获取光场数据集合的步骤之后，方法还包括：对光场数据集合中的全聚焦图像和焦点堆栈图像进行几何变换处理，以扩充光场数据集合中的数据量；其中，几何变换处理包括随机翻转处理
、
随机旋转处理
、
裁剪处理中的一种或多种
。
[0013]为了解决上述问题，本专利技术实施例的又一个方面，提供了一种光场显著性检测装置，包括：获取模块，用于获取光场数据集合；其中，光场数据集合包括全聚焦图像及其对应的焦点堆栈图像；梯度处理模块，用于对全聚焦图像进行梯度变换处理生成梯度图像，将梯度图像与噪声标签进行元素乘处理，得到对象梯度图像；其中，噪声标签是通过无监督网络模型训练得到的；显著性检测模块，用于将对象梯度图像和焦点堆栈图像输入显著性检测模型，以输出显著性图像
。
[0014]为了解决上述问题，本专利技术实施例的另一个方面，提供了一种电子设备，包括：处理器，以及存储程序的存储器，程序包括指令，指令在由处理器执行时使处理器执行上述任一种光场显著性检测方法
。
[0015]为了解决上述问题，本专利技术实施例的再一个方面，提供了一种存储有计算机指令的非瞬时机器可读介质，计算机指令用于使计算机执行上述任一种光场显著性检测方法
。
[0016]本专利技术实施例的有益效果：通过获取光场数据集合；其中，光场数据集合包括全聚焦图像及其对应的焦点堆栈图像；对全聚焦图像进行梯度变换处理生成梯度图像，将梯度图像与噪声标签进行元素乘处理，得到对象梯度图像；其中，噪声标签是通过无监督网络模型训练得到的；将对象梯度图像和焦点堆栈图像输入显著性检测模型，以输出显著性图像的技术手段，克服了相关技术采用的显著性检测方法中存在显著性检测精度低
、
鲁棒性差以及检测成本高
、
检测方法适用场景较窄的问题；实现了简化显著性检测流程
、
提高显著性检测精度
、
提高显著性检测方法的鲁棒性
、
降低检测成本
、
拓展显著性检测方法的适用场景的技术效果
。
[0017]本专利技术的一个或多个实施例的细节在以下附图和描述中提出，以使本专利技术的其他特征
、
目的和优点更加简明易懂
。
附图说明
[0018]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍
。
显而易见地，下面描述中的附图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种光场显著性检测方法，其特征在于，包括：获取光场数据集合；其中，所述光场数据集合包括全聚焦图像及其对应的焦点堆栈图像；对所述全聚焦图像进行梯度变换处理生成梯度图像，将所述梯度图像与噪声标签进行元素乘处理，得到对象梯度图像；其中，所述噪声标签是通过无监督网络模型训练得到的；将所述对象梯度图像和所述焦点堆栈图像输入显著性检测模型，以输出显著性图像
。2.
根据权利要求1所述的方法，其特征在于，所述将所述对象梯度图像和所述焦点堆栈图像输入显著性检测模型，以输出显著性图像的步骤，包括：将所述对象梯度图像和所述焦点堆栈图像输入显著性检测模型中分别提取第一图像特征和第二图像特征，并将所述第一图像特征和所述第二图像特征进行特征组合得到组合特征，对所述组合特征进行显著性检测，输出显著性图像
。3.
根据权利要求2所述的方法，其特征在于，所述对所述组合特征进行显著性检测，输出显著性图像的步骤包括：根据迭代次数阈值对所述组合特征进行显著性检测，得到多个显著性检测结果，对所述多个显著性检测结果进行过滤处理，输出显著性图像
。4.
根据权利要求2所述的方法，其特征在于，所述将所述对象梯度图像和所述焦点堆栈图像输入显著性检测模型中分别提取第一图像特征和第二图像特征，并将所述第一图像特征和所述第二图像特征组合得到组合特征的步骤包括：通过所述显著性检测模型从所述对象梯度图像中提取多个梯度图像特征，对所述多个梯度图像特征进行降维处理得到所述第一图像特征；通过所述显著性检测模型从所述焦点堆栈图像提取多个堆栈图像特征，对所述多个堆栈图像特征进行降维处理得到所述第二图像特征；基于所述显著性检测模型的通道维度，将所述第一图像特征和所述第二图像特征进行特征组合得到所述组合特征
。5.
根据权利要求3所述的方法，其特征在于，所述显著性检测模型包括遗忘矩阵，所述根据迭代次数阈值对所述组合特征进行...

【专利技术属性】
技术研发人员：居法银，李宁，朱虎，
申请(专利权)人：江苏优众微纳半导体科技有限公司，
类型：发明
国别省市：