【技术实现步骤摘要】
本专利技术涉及光场图像显著目标检测领域，具体涉及一种利用两路焦点堆栈融合的光场显著性检测方法。
技术介绍
1、光场是一种高维数据，其通过重聚焦与渲染技术可生成子孔径、焦点堆栈图像以及全聚焦等图像，适用于深度估计、图像超分辨等应用。光场图像显著性检测主要是利用光场图像中丰富的深度、聚焦和颜色等模态信息来实现复杂场景目标的高质量检测。因此，研究光场图像显著性检测方法对促进光场相关领域的应用至关重要。
2、显著性检测旨在识别图像中人眼感兴趣或明显的重要区域，以提高计算机视觉应用的性能。由于红、绿、蓝(rgb)图像中的显著特征有限，因而难以从复杂场景中检测出显著目标，如前景背景颜色相近、显著区域模糊等。基于rgb深度图像(rgb depth,rgb-d)与热红外图像(rgb and thermal infrared，rgb-t)的显著检测方法存在两方面问题，一方面是深度图像以及红外图像的获取比较困难且适用场景单一；另一方面是显著目标检测结果容易受到质量不佳的深度信息干扰。
3、申请人发现，光场可以记录空间中光线强度与方向信息，表达能力更强，但光场图像丰富的显著特征仍未被深入探索与应用。光场图像显著性检测方法主要分为手工提取特征的传统方法与深度学习方法，前者通过计算像素或超像素之间的特征差异来检测光场图像的显著性区域，相关研究成果较少；后者利用卷积神经网络的特征学习能力并以不同模态的光场图像作为输入，进而实现光场图像的显著性检测，但需要耗费较多的计算能力。此外，现有的深度学习方法大多是利用光场图像中的焦点堆栈图像与
技术实现思路
1、针对上述现有技术的不足，本专利技术所要解决的技术问题是：如何提供一种利用两路焦点堆栈融合的光场显著性检测方法，通过第一路提取并融合焦点堆栈中的深度与中心先验信息来检测显著区域，通过第二路焦点堆栈强化光场图像中粗糙的显著性区域，最终通过融合两路所得到的显著图来提高光场图像显著目标检测的准确性。
2、为了解决上述技术问题，本专利技术采用了如下的技术方案：
3、一种利用两路焦点堆栈融合的光场显著性检测方法，包括：
4、s1：获取包含待检测目标的全聚焦图像和焦点堆栈图像；
5、s2：将全聚焦图像和焦点堆栈图像输入显著性检测模型中，输出待检测目标的光场显著性检测图；
6、显著性检测模型的处理步骤如下：
7、s201：根据全聚焦图像计算生成对应的颜色紧凑显著性图；
8、s202：根据焦点堆栈图像计算生成对应的背景概率；
9、s203：根据颜色紧凑显著性图结合背景概率计算生成对应的前景显著性图；
10、s204：计算焦点堆栈图像中每个切片的透射图和中心显著性图；
11、s205：根据每个切片的透射图和中心显著性图结合被细化的颜色紧凑显著性图生成强化显著性图；
12、s206：将前景显著性图和强化显著性图进行融合，生成最终的光场显著性检测图；
13、s3：将待检测目标的光场显著性检测图作为其光场显著性检测的结果。
14、优选的，通过如下公式生成颜色紧凑显著性图：
15、scs(i)＝1-norm(cc(i))；
16、
17、
18、
19、lij＝||ci-cj||；
20、式中：scs(i)表示颜色紧凑显著性图；norm(x)函数表示将x值进行归一化；cc(i)表示全聚焦图像中超像素vi的颜色空间方差；n表示超像素的数目；表示超像素vj的质心坐标；nj表示超像素vj中像素的数量；μi表示空间平均值；lij表示lab颜色空间中超像素vi和vj之间的欧几里得距离；ci和cj分别表示lab颜色空间中vi和vj的超像素平均值；aij表示超像素vi和vj之间的相似度；σ2＝0.1为控制相似度强弱的常数。
21、优选的，焦点堆栈图像是聚焦于一个场景中前景到背景的一组聚焦切片，分析其聚焦分布并选择焦点堆栈图像中背景似然分数最大的切片为背景切片，然后计算对应的背景概率，通过背景概率来检测背景，进而分离出前景与背景；
22、公式描述为：
23、
24、式中：pbg(i)表示背景概率；ubg(i)2表示所计算切片的超像素vi区域的三个不同颜色通道二值化后的平均值；σbg表示背景因子参数，设置为1；用于衡量超像素与图像中心相关的超像素空间信息；表示超像素vi的归一化平均坐标；c表示深度图像中的中心坐标。
25、优选的，通过如下公式生成前景显著性图：
26、
27、式中：sfg(i)表示前景显著性图；scs(i)表示颜色紧凑显著性图；pbg(i)表示背景概率；n表示超像素数目。
28、优选的，对焦点堆栈图像进行雾霾成像处理，进而将切片k的透射率结果作为其透射图
29、公式描述为：
30、
31、式中：表示切片k的透射率结果；ω(0<ω≤1)是常数，用于为远处的物体保留极少量的雾度，设置为0.95；为归一化雾霾图像的暗通道结果；ac表示不同颜色通道序列的全局大气光图像，c∈{r,g,b}。
32、优选的，首先计算焦点堆栈图像中切片k的背景显著性图sbg，然后将背景显著性图sbg输入单层元胞机模型进行优化，最后将优化得到的显著性图作为切片k的中心显著性图
33、1)计算背景显著性图首先通过k-means算法将切片划分为k个簇，属于簇k的边界超像素的数量表示为pk(k＝1,2,…,k)，然后基于k个不同的簇，构造k个不同的gcd图，进而计算第k个gcd图中超像素i的显著值以及超像素i与第k个簇中所有背景种子之间的空间距离；最终计算各个超像素块的背景显著值构成背景显著性图sbg；
34、公式描述为：
35、
36、
37、
38、式中：表示第i个超像素块的背景显著值；sk,i表示第k个gcd图中超像素i的显著值；wk,i表示超像素i与第k个簇中所有背景种子之间的空间距离；pk表示属于簇k的边界超像素的数量；||ci,cj||表示所处理切片的cielab色彩空间中超像素i和j之间的欧氏距离；ri,rj是超像素i和j的坐标；||ri,rj||表示坐标之间的欧式距离；σ2是控制权重强度和鲁棒性的常数，范围在[1.1,1.5]之间；设置平衡权重σ1＝0.2和β＝10；
39、2)单层元胞机模型的优化公式如下：
40、
41、式中：表示切片k的中心显著性本文档来自技高网...
【技术保护点】
1.一种利用两路焦点堆栈融合的光场显著性检测方法，其特征在于，包括：
2.如权利要求1所述的利用两路焦点堆栈融合的光场显著性检测方法，其特征在于：步骤S201中，通过如下公式生成颜色紧凑显著性图：
3.如权利要求1所述的利用两路焦点堆栈融合的光场显著性检测方法，其特征在于：步骤S202中，焦点堆栈图像是聚焦于一个场景中前景到背景的一组聚焦切片，分析其聚焦分布并选择焦点堆栈图像中背景似然分数最大的切片为背景切片，然后计算对应的背景概率，通过背景概率来检测背景，进而分离出前景与背景；
4.如权利要求1所述的利用两路焦点堆栈融合的光场显著性检测方法，其特征在于：步骤S203中，通过如下公式生成前景显著性图：
5.如权利要求1所述的利用两路焦点堆栈融合的光场显著性检测方法，其特征在于：步骤S204中，对焦点堆栈图像进行雾霾成像处理，进而将切片k的透射率结果作为其透射图
6.如权利要求1所述的利用两路焦点堆栈融合的光场显著性检测方法，其特征在于：步骤S204中，首先计算焦点堆栈图像中切片k的背景显著性图Sbg，然后将背景显著性图S
7.如权利要求1所述的利用两路焦点堆栈融合的光场显著性检测方法，其特征在于：步骤S205中，通过如下步骤生成强化显著性图：
8.如权利要求7所述的利用两路焦点堆栈融合的光场显著性检测方法，其特征在于：步骤S2051中，通过引入目标测量Obj(i)来评估颜色紧凑显著性图中超像素vi属于一个目标的概率，进而生成被细化的颜色紧凑显著性图；
9.如权利要求1所述的利用两路焦点堆栈融合的光场显著性检测方法，其特征在于：步骤S206中，通过多层元胞自动机模型将前景显著性图和强化显著性图进行融合，生成最终的光场显著性检测图。
10.如权利要求9所述的利用两路焦点堆栈融合的光场显著性检测方法，其特征在于：步骤S206中，多层元胞自动机模型融合前景显著性图和强化显著性图的公式如下：
...【技术特征摘要】
1.一种利用两路焦点堆栈融合的光场显著性检测方法，其特征在于，包括：
2.如权利要求1所述的利用两路焦点堆栈融合的光场显著性检测方法，其特征在于：步骤s201中，通过如下公式生成颜色紧凑显著性图：
3.如权利要求1所述的利用两路焦点堆栈融合的光场显著性检测方法，其特征在于：步骤s202中，焦点堆栈图像是聚焦于一个场景中前景到背景的一组聚焦切片，分析其聚焦分布并选择焦点堆栈图像中背景似然分数最大的切片为背景切片，然后计算对应的背景概率，通过背景概率来检测背景，进而分离出前景与背景；
4.如权利要求1所述的利用两路焦点堆栈融合的光场显著性检测方法，其特征在于：步骤s203中，通过如下公式生成前景显著性图：
5.如权利要求1所述的利用两路焦点堆栈融合的光场显著性检测方法，其特征在于：步骤s204中，对焦点堆栈图像进行雾霾成像处理，进而将切片k的透射率结果作为其透射图
6.如权利要求1所述的利用两路焦点堆栈融合的光场显著性检测方法，其...
【专利技术属性】
技术研发人员：陈芬，张亚妮，邹文辉，彭宗举，张长贺，
申请(专利权)人：重庆理工大学，
类型：发明
国别省市：
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。