基于改进的SUSAN算子的图像显著性区域提取的方法、装置和计算机程序产品。在进行角点检测时，针对每幅图像分别计算阈值t，从而实现角点检测的自适应性。
【技术实现步骤摘要】
本专利技术涉及基于改进的SUSAN算子的图像显著性区域提取的方法、装置和计算机程序产品。
技术介绍
随着机器视觉的发展，提取图像显著性区域显得越来越重要。在这个互联网信息时代，每天都有大量的图片信息被分享，面对如此多的信息，面向目标物体的图像检索技术 越来越受到重视。图像显著性检测就是解决这个问题的ー个有效途径。图像显著性检测和目标提取是计算机视觉和模式识别领域的ー个重要问题，同时涉及许多其它科学领域。人们已经发现主要信息总是集中在某些特定的关键的图像区域。此外，人们习惯于将注意力放在图像的某些特定区域而不是整幅图像。因此，一幅图像中的显著性区域定义的是人们通常给予更多注意力的地方。事实上，从许多实际应用方面来了解图像显著性区域是很有必要的，如图像裁剪，适应图像，图像或视频压縮，内容感知的图像检索，图像插值和场景分类，面积显著性。自从Koch和Ullman在1985年根据显著性分布提出视觉注意力模型(文献),越来越多的视觉注意模型已经被提出来。视觉显著性通常发生在自底向上的图像特征驱动模型中，它的机理首先由Koch和Ullman在1985年提出，并描述了在计算机上实现显著性检测的体系结构。接着Itti等人(文献)使用金字塔图像不同级交叉相减的方法，求得图像hsl三个通道的显著图，最后通过叠加三个通道的显著图而形成最后的显著图。它能突出显示ー些图像的显著区域。Hou X.D.等人(文献)使用傅里叶变换图像，然后计算图像光残普差，再通过反变换获得图像显著图。有两种常规方法可以找出图像的显著性区域。首先，低级别的视觉特征可以模拟在图像上的生物视觉注意力机制，如亮度，对比度方向和质感。另ー方面，ー些方法采用纯数学计算方法，这是不基于任何生物视觉原理的基础上取得的显著性，如基于图形的随机行走(Graph-based random walk),贝叶斯猜想(Bayesian surprise)和谱残差方法(bpectral Residual Approach)。除了区域显著性以外，还有通过显著点检测实现面向目标物体的图像检索方法。Lowe D G提出了一种鲁棒性很好的尺度不变特征描述方法SIFT，首先通过高斯差分滤波器构建高斯金字塔图像，它通过对高斯金字塔图像进行极值检测，确定极值点位置并为极值点指定主方向參数，最后形成关键点描述向量。通过这种方法也可以准确的进行图像匹配。但是这种方法计算数据量大、时间复杂度高。针对这些缺陷，Bay等人在此基础上提出了 SURF方法提取特征点，它结合积分图像和hessian矩阵的优点，降低了算法的时间复杂度，而且运算量也减小了很多，达到的效果跟sift基本上保持一致。这些方法有ー个共同点ー他们利用各种办法去除边缘响应点和曲率较大的点。因为在多尺度显著点检测中这些点是不稳定的。但是对于一般的图像检索来说，人们往往不关注图像的精确匹配，而是跟目标图像相关的那些图像。所以这种情况下图像的边缘点也显得很重要了。因此，本专利技术的目的在于提供一种改进的图像显著性区域提取方法，能够实现更好的图像显著性区域提取效果。并且本申请是基于以下多篇參考 文献提出的T. Judd，K. Ehinger, F. Durand and A. Torralba，“2010Learning to PredictWhere Humans Look，” IEEE ICCV. Proc.，pp. 2106-2113，S印 2009. J. S. Kim，S. G. Jeong，Y. H. Joo and C. S. Kim, ^Content-aware image andvideo resizing based on frequency domain analysis,” IEEE Trans.ConsumerElectronics.，Vol. 57，no. 1，pp. 615-622，July. 2011.Mengmeng Cheng, GX Zhang, N J. Mitra Xl Huang and SM Hu，“Globalcontrast based saliency region detection，，，，IEEE CVPR, p. 409-416，ColoradoSprings, Colorado, USA，June 21-23，201L Hu ihu i Bai, Ce Zhu and Yao Zhao, u Optimized MultipleDescriptionLattice Vector Quantization for Wavelet Image Coding，，，IEEE Trans.Circuits and Systems for Video Technology. , Vol. 17, no. 7, pp. 912-917,2007.Goferman S， Zelnik-Manor L and Tal A. “Context-aware saliencydetection. ”IEEE CVPR. Proc. Pp. 2376-2383. San Francisco,2010. T. Liu, Z. Yuan, J. Sun，J. Wang, N. Zheng, T. X.，and S. H. Y. “Learning todetect a salient object.，，IEEE TPAMI，pp. 33 (2) :353-367, 2011.C. Koch, and S. Ullman，“Shifts in selective visual attention Towardsthe underlying neuronal circuitry，，，Human Neurobiology, pp. 219-227, Apr. 1985.Itti，Koch and Niebur，‘‘A model of saliency-based visual attention forrapid scene analysis，，，IEEE Trans. Pattern Analysis and Macnine Intelligence.,Vol. 20，pp. 1254-1259，Nov. 1998. J. Harel，C. Koch and P. PeronaZiGraph-Based Visual Saliency，，，Advancesin Neural Information Processing Systems, 2006, pp.545-552. R. Achanta, S. Hemami, F. Estrada and S. Susstrunk，“Frequency-tunedsalient region detection，，’Proc.，pp. 1597-1604，June. 2009.Xiaodi Hou， Liqing Zhang，“Saliency detection A spectral residualapproach, ” IEEE CVPR. Proc.，pp. 1-8，June. 2007.Smith, M. Stephen，Brady and J. M本文档来自技高网...
【技术保护点】
一种方法，包括：输入图像，其中，所述图像为Lab(L为亮度，a和b分别表示色度)颜色空间格式的图像，并形成三个相应的分量图像L图像、a图像和b图像；对于三个分量图像：建立高斯金字塔模型L(x，y，σ)＝G(x，y，σ)*I(x，y)，其中所述金字塔模型采用尺度集其中为高斯核，σ为所述尺度因子，x和y为图像像素坐标，I(x，y)为坐标(x，y)处的像素值；以及在所建立的金字塔模型中的每一尺度中，使用SUSAN角点计算方法来计算得到SUSAN角点集合，并将各个尺度的角点集合进行合并，以得到相应分量图像的总角点集合；将三个分量图像的总角点集合进行合并，以获得彩色图像角点集合；针对所述彩色图像角点集合分别在三个分量图像中计算各个角点的方向；以及将三个分量图像中各个角点集中指向的区域作为显著性区域进行输出；其中，在所建立的金字塔模型中的每一尺度中，计算得到SUSAN角点集合进一步包括：利用SUSAN角点计算方法所使用的圆形模版，使用以下公式获得特定像素点的初始角响应，并将初始角响应不为0的像素点视为角点加入SUSAN角点集合：D(r,r0)=1if|p(r)-p(r0)|≤t0if|p(r)-p(r0)|>t|n(r0)=ΣrD(r,r0)R(r0)=g-n(r0)ifn(r0)<g0others其中，r0是在相应的尺度中，相应的分量图像中的所述圆形模板的核心像素点，r是所述圆形模版中的其它像素点，p(r0)指的是核心像素点的像素值，而p(r)指的就是其它对应像素点的像素值，t是灰度差阈值，D是判决结果，n是相应像素点的USAN区域的大小，R是相应像素点的初始角响应，g表示几何阈值；其中，灰度差阈值t采用以下公式计算，从而能够依据每幅图像进行自适应改变：t=Σx=1k(cx·nxΣi=1kni)其中，C＝{c1，c2，…，ck？1，ck}表示相应分量图像中的颜色数据，N＝{n1，n2，…nk？1，nk}表示每个颜色数据在该分量图像中出现的频率，其中，k表示在相应分量图像中，相应的量化级数，例如在灰度空间中，量化级256，此时在灰度图像中出现的不同量化值的个数等于256，即：此时k＝256。FSA00000747699200011.tif,FSA00000747699200012.tif...
【技术特征摘要】
【专利技术属性】
技术研发人员：张萌萌，
申请(专利权)人：北方工业大学，
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。