本发明专利技术涉及一种基于韦伯定理和中央-周围假设的视觉显著性检测方法。目前的方法分辨率低，提取的物体轮廓不全，计算复杂度高。本发明专利技术方法首先采用彩色变换方法，提取原始图像在CIELAB空间彩色分量图；其次根据韦伯定理计算l彩色分量图、a彩色分量图和b彩色分量图中每个像素点的水平梯度差励值和垂直梯度差励值；然后根据水平梯度差励值和垂直梯度差励值计算任意梯度方向的差励值，并统计差励直方图；最后每个像素点建立其局部显著性激励矢量，得到局部显著性判决值和全局显著性激励值，根据前两者计算显著性判决值。本发明专利技术方法不仅可获得与输入图像相同分辨率的视觉显著图，并且在显著性区域具有更强的响应。
【技术实现步骤摘要】
本专利技术属于计算机视觉领域，具体涉及一种基于韦伯定理和中央-周围假设的自 下而上的视觉显著性检测方法。
技术介绍
视觉显著性检测是视觉选择性注意机制的关键步骤，使得计算机只需对图像中的 视觉显著性区域进行相关计算和处理，从而为降低计算复杂度提供了一种快速且有效的方 法，该技术已广泛应用于机器视觉、图像处理、智能机器人等领域。基于自下而上(空间)的视觉显著性计算模型由L. Itti等人首先提出。该模型基 于特征整合理论和中央一周围假设，将输入图像分解为亮度、颜色、方向等多个独立的特征 空间，并分别提取每个特征空间的显著图，然后采用线性整合方式将各特征空间的显著图 合成为最终的显著图。但该计算模型无法准确划分出目标物体区域。为此，国内外学者受 生物学习和记忆能力启发，提出了基于自上而下(物体)的视觉显著性计算模型，该模型的 显著性计算过程是一个目标导向的显著性分析过程，它需要相关目标/任务的先验知识， 以实现有效和精确的视觉搜索，但其计算代价较高。针对自下而上和自上而下两种计算模 型的优缺点，两者整合的方法也有提出。但这些方法都存在显著图分辨率低，提取的物体轮 廓不全，以及计算复杂度较高等共同缺点。近期提出了一些简单而有效地显著性模型。R. Achanta等人提出一种基于亮度 和颜色特征的快速显著性区域检测方法。该方法可生成与输入图像相同大小的高质量 显著图。R. Achanta等人2009年又提出一种更高精度的基于频域的显著区域检测算子。 V. Gopalakrishnan等人提出一种基于彩色和方向分布的显著性区域检测框架。他们提出 一种图像区域的方向直方图用于描述局部和全局方向。D. Gao等人提出一种判决式显著检 测算子，该方法是对生物感知过程的决策性理论解释，并可获得在分类意义上的最优显著 性测量。在频域中，Q. Zhang等人将局部显著性，全局显著性和特例显著性整合在一个框架 中。不同于生物启发的显著性模型，这些模型通常只是一种纯计算模型，虽然受中央一周围 差异的生物概念启发，但并没有基于任何生物模型。
技术实现思路
本专利技术针对现有技术的不足，提供了一种基于韦伯定理和中央-周围假设的视觉 显著性检测方法。本专利技术方法的具体步骤如下步骤(1)采用彩色变换方法，提取原始图像在CIELAB空间的/彩色分量图、a彩色分 量图和力彩色分量图；所述的彩色变换方法为成熟技术。步骤( 根据韦伯定理计算/彩色分量图、a彩色分量图和力彩色分量图中每个 像素点的水平梯度差励值；所述的水平梯度差励值计算方法具体为对于单个彩色分量图中像素点 ( 0>ν0)，其水平梯度差励值4( ,%)表示为权利要求1.，其特征在于该方法包括如 下步骤步骤(1)采用彩色变换方法，提取原始图像在CIELAB空间的/彩色分量图、a彩色分 量图和力彩色分量图；步骤( 根据韦伯定理计算7彩色分量图、a彩色分量图和△彩色分量图中每个像素 点的水平梯度差励值；所述的水平梯度差励值计算方法具体为 对于单个彩色分量图中像素点(^v0)，其水平梯度差励值4( , )表示为全文摘要本专利技术涉及一种。目前的方法分辨率低，提取的物体轮廓不全，计算复杂度高。本专利技术方法首先采用彩色变换方法，提取原始图像在CIELAB空间彩色分量图；其次根据韦伯定理计算l彩色分量图、a彩色分量图和b彩色分量图中每个像素点的水平梯度差励值和垂直梯度差励值；然后根据水平梯度差励值和垂直梯度差励值计算任意梯度方向的差励值，并统计差励直方图；最后每个像素点建立其局部显著性激励矢量，得到局部显著性判决值和全局显著性激励值，根据前两者计算显著性判决值。本专利技术方法不仅可获得与输入图像相同分辨率的视觉显著图，并且在显著性区域具有更强的响应。文档编号G06T7/00GK102103750SQ20111000223公开日2011年6月22日 申请日期2011年1月7日 优先权日2011年1月7日专利技术者周文晖, 孙志海, 张桦, 戴国骏, 楼斌, 武二永 申请人:杭州电子科技大学本文档来自技高网...
【技术保护点】
１．基于韦伯定理和中央－周围假设的视觉显著性检测方法，其特征在于该方法包括如下步骤：步骤（１）采用彩色变换方法，提取原始图像在ＣＩＥＬＡＢ空间的ｌ彩色分量图、ａ彩色分量图和ｂ彩色分量图；步骤（２）根据韦伯定理计算ｌ彩色分量图、ａ彩色分量图和ｂ彩色分量图中每个像素点的水平梯度差励值；所述的水平梯度差励值计算方法具体为：对于单个彩色分量图中像素点 ，其水平梯度差励值表示为：其中为像素点的亮度值，ｗｉｄｔｈ为图像的宽度；步骤（３）根据韦伯定理计算ｌ彩色分量图、ａ彩色分量图和ｂ彩色分量图中每个像素点的垂直梯度差励值；所述的垂直梯度差励值计算方法具体为：对于单个彩色分量图中像素点，其垂直梯度差励值表示为：其中ｈｅｉｇｈｔ为图像的高度；步骤（４）根据步骤（２）和步骤（３）得到ｌ彩色分量图、ａ彩色分量图和ｂ彩色分量图中每个像素点的水平梯度差励值和垂直梯度差励值，计算ｌ彩色分量图、ａ彩色分量图和ｂ彩色分量图中每个像素点在任意梯度方向的差励值；所述的任意梯度方向的差励值的计算方法具体为：对于单个彩色分量图中像素点，其梯度方向为的差励值表示为：步骤（５）统计ｌ彩色分量图、ａ彩色分量图和ｂ彩色分量图中每个像素点的梯度方向差励直方图；所述的梯度方向差励直方图统计方法具体为：对于单个彩色分量图中像素点，将梯度方向从０°到３６０°均匀量化为Ｋ个梯度方向角，根据步骤（４）分别计算出各量化梯度方向的差励值；将所有像素相同梯度方向的差励值组成差励图，，；然后采用方差为，均值为０的二维高斯滤波器对每个差励图分别进行高斯滤波，得到滤波后结果；将滤波后结果按照相同像素重新排列，得到每个像素的梯度方向差励直方图；对于单个彩色分量图中像素点，其梯度方向差励直方图表示为：步骤（６）构建中央－周围的计算结构，并结合步骤（５）中得到的梯度方向差励直方图，为ｌ彩色分量图、ａ彩色分量图和ｂ彩色分量图中每个像素点建立其局部显著性激励矢量；所述的中央－周围计算结构为：以待统计像素点为中心，构成一个半径为Ｒ的圆环形结构，并在该圆环形结构上等间隔地提取Ｎ个取样点；待统计像素点与其圆环形结构上Ｎ个取样点构成了待统计像素点的中央－周围计算结构；所述的局部显著性激励矢量构建方法具体为：对于单个彩色分量图中像素点，根据步骤（５），提取像素点及其中央－周围计算结构中取样点的梯度方向差励直方图，并排列为一个列矢量作为像素点的局部显著性激励矢量；每个取样点的取值由该取样点周围四个最近邻的具有整数坐标的像素点通过双线性插值计算得到；对于单个彩色分量图中像素点，其局部显著性激励矢量定义为：其中为像素点的中央－周围计算结构中第ｎ个取样点的坐标；步骤（７）根据步骤（６）中构建的局部显著性激励矢量，统计ｌ彩色分量图、ａ彩色分量图和ｂ彩色分量图中每个像素的局部显著性判决值；所述的局部显著性判决值统计方法具体为：对于单个彩色分量图中像素点，计算其局部显著性激励矢量中的方差，则像素点的局部显著性判决值表示为：步骤（８）计算ｌ彩色分量图、ａ彩色分量图和ｂ彩色分量图的全局显著性激励值；所述的全局显著性激励值计算方法具体为：采用与步骤（５）中相同方差和均值的二维高斯滤波器对ｌ彩色分量图、ａ彩色分量图和ｂ彩色分量图分别作高斯滤波；并分别统计ｌ彩色分量图、ａ彩色分量图和ｂ彩色分量图中所有像素的亮度均值；全局显著性激励值表示为高斯滤波结果与所有像素亮度均值的Ｌ２距离；对于单个彩色分量图中像素点，其全局显著性激励值表示为：其中为像素点经方差为，均值为０的二维高斯滤波器滤波结果，为单个彩色分量图中所有像素的亮度均值；算子表示为计算Ｌ２距离；步骤（９）全局显著性激励值作为权重，将ｌ彩色分量图、ａ彩色分量图和ｂ彩色分量图的局部显著性判决值采用线性加权方法获得最终的显著性判决值；所述的线性加权方法方法具体为：对于像素点，其最终的显著性判决值表示为：。...
【技术特征摘要】
【专利技术属性】
技术研发人员：周文晖，楼斌，张桦，孙志海，武二永，戴国骏，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：86
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。