CN102542267B - 结合空间分布和全局对比的显著区域检测方法 - Google Patents
结合空间分布和全局对比的显著区域检测方法 Download PDFInfo
- Publication number
- CN102542267B CN102542267B CN 201110442240 CN201110442240A CN102542267B CN 102542267 B CN102542267 B CN 102542267B CN 201110442240 CN201110442240 CN 201110442240 CN 201110442240 A CN201110442240 A CN 201110442240A CN 102542267 B CN102542267 B CN 102542267B
- Authority
- CN
- China
- Prior art keywords
- sub
- image area
- calculate
- component
- width
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
结合空间分布和全局对比的显著区域检测方法,属于显著性检测技术领域。它解决了现有的显著区域检测方法不考虑空间分布因素对区域显著性的影响,使显著性区域的判定效率低的问题。它将输入图像按照graph-cut图像分割方法进行分割,获得N个子图像区域;计算每个子图像区域rk的空间分布显著值Ssd(rk);计算每个子图像区域rk的全局对比显著值Src(rk);根据空间分布显著值Ssd(rk)和全局对比显著值Src(rk),计算获得子图像区域rk的显著值S(rk);将N个子图像区域的显著值S(rk)按照从高到低的顺序进行标记,得到输入图像的显著区域,完成输入图像的显著区域检测。本发明适用于输入图像的显著区域检测。
Description
技术领域
本发明涉及一种结合空间分布和全局对比的显著区域检测方法,属于显著性检测技术领域。
背景技术
人类视觉***能够从图像或视频中迅速检测到重要或者令人感兴趣的区域以降低运算量。众所周知,视觉显著性在使那些重要或令人感兴趣的区域从其周围环境中“凸显”出来,进而引起人类注意的过程中,起到了非常重要的作用。因此,显著性检测是视觉注意理论(visual attention)中不可缺少的重要组成部分。目前,视觉检测已经广泛应用于目标检测、图像裁剪、图像浏览以及图像/视频压缩等领域。
显著性检测主要分为两大类:自底向上显著性检测和自顶向下显著性检测。自底向上显著性检测方法指那些速度快、刺激驱动并且独立于场景中的知识的检测机制;而自顶向下显著性检测是指那些速度慢、目标导向并且需要先验知识的检测方法。
心理学研究表明,密集模式是一种典型的心理学模式。表现在视觉上,即空间分布密集的区域相比空间分布稀疏区域更加显著。然而现有的显著区域检测方法并没有考虑空间分布因素对区域显著性的影响,使得显著性区域的判定效率低。
发明内容
为了解决现有的显著区域检测方法不考虑空间分布因素对区域显著性的影响,使显著性区域的判定效率低的问题,提供一种结合空间分布和全局对比的显著区域检测方法。
本发明所述结合空间分布和全局对比的显著区域检测方法,它包括以下步骤:
步骤一:将输入图像按照graph-cut图像分割方法进行分割,获得N个子图像区域,N为大于或者等于2的整数;
步骤二:计算每个子图像区域rk的空间分布显著值Ssd(rk),k表示子图像区域的序号,取值从1至N;
步骤三:计算每个子图像区域rk的全局对比显著值Src(rk);
步骤四:根据步骤二和步骤三中获得的空间分布显著值Ssd(rk)和全局对比显著值Src(rk),计算获得子图像区域rk的显著值S(rk);
步骤五:将N个子图像区域的显著值S(rk)按照从高到低的顺序进行标记,得到输入图像的显著区域,完成输入图像的显著区域检测。
所述步骤二中计算每个子图像区域rk的空间分布显著值Ssd(rk)的具体方法为:
所述步骤三中计算每个子图像区域rk的全局对比显著值Src(rk),采用公式:
该求和公式中变量l表示子图像区域的序号,其取值从1至N,并且l≠k,
Dr(rk,rl)表示第k幅子图像区域rk和第l幅子图像区域rl之间的颜色距离,DS(rk,rl)表示第k幅子图像区域rk和第l幅子图像区域rl之间的空间距离,ω(rl)表示第l幅子图像区域rl的权重,表示第k幅子图像区域rk和第l幅子图像区域rl之间的空间距离所占权重。
所述步骤四中子图像区域rk的显著值S(rk)为:
其中N(□)是归一化操作。
本发明的优点是:本发明将空间分布和全局对比的显著区域检测结合在一起,用经图像分割后同一个区域内的像素空间位置的方差来计算其空间分布显著性,并将空间分布显著性和全局对比显著性线性的结合起来生成最终的显著图。
本发明方法将空间分布引入显著值计算过程中,计算空间分布显著性。同当前只基于全局对比的显著区域检测方法相比,对显著性区域的判定效果更好,而且该方法简单、易于实现并且高效。
附图说明
图1为本发明方法的流程图。
具体实施方式
具体实施方式一:下面结合图1说明本实施方式,本实施方式所述结合空间分布和全局对比的显著区域检测方法,它包括以下步骤:
步骤一:将输入图像按照graph-cut图像分割方法进行分割,获得N个子图像区域,N为大于或者等于2的整数;
步骤二:计算每个子图像区域rk的空间分布显著值Ssd(rk),k表示子图像区域的序号,取值从1至N;
步骤三:计算每个子图像区域rk的全局对比显著值Src(rk);
步骤四:根据步骤二和步骤三中获得的空间分布显著值Ssd(rk)和全局对比显著值Src(rk),计算获得子图像区域rk的显著值S(rk);
步骤五:将N个子图像区域的显著值S(rk)按照从高到低的顺序进行标记,得到输入图像的显著区域,完成输入图像的显著区域检测。
本实施方式中,将经图像分割后同一个区域内的像素空间位置的方差作为衡量该区域的空间分布密集程度的标准。某个区域的像素空间位置方差越小,该区域的空间分布越密集。区域的空间分布越密集,该区域就越显著。也就是显著值S(rk)越高的子图像区域rk越显著。
具体实施方式二:本实施方式为对实施方式一的进一步说明,所述步骤二中计算每个子图像区域rk的空间分布显著值Ssd(rk)的具体方法为:
本实施方式中将x分量的方差和y分量的方差之和作为衡量空间分布密集程度的标准。由于区域的空间分布越密集,该区域越显著,因此,将子图像区域rk的x分量方差和y分量方差之和的倒数作为其空间分布显著值。
具体实施方式三:本实施方式为对实施方式二的进一步说明,所述步骤三中计算每个子图像区域rk的全局对比显著值Src(rk),采用公式:
该求和公式中变量l表示子图像区域的序号,其取值从1至N,并且l≠k,
Dr(rk,rl)表示第k幅子图像区域rk和第l幅子图像区域rl之间的颜色距离,DS(rk,rl)表示第k幅子图像区域rk和第l幅子图像区域rl之间的空间距离,ω(rl)表示第l幅子图像区域rl的权重,表示第k幅子图像区域rk和第l幅子图像区域rl之间的空间距离所占权重。
具体实施方式四:本实施方式为对实施方式三的进一步说明,所述步骤四中子图像区域rk的显著值S(rk)为:
其中N(□)是归一化操作。
N(□)是表示将数据归一化到[0.1],以便使最终得到的显著图的图像是灰度图。
Claims (1)
1.一种结合空间分布和全局对比的显著区域检测方法,它包括以下步骤:
步骤一:将输入图像按照graph-cut图像分割方法进行分割,获得N个子图像区域,N为大于或者等于2的整数;
步骤二:计算每个子图像区域rk的空间分布显著值Ssd(rk),k表示子图像区域的序号,取值从1至N;
步骤三:计算每个子图像区域rk的全局对比显著值Src(rk);
步骤四:根据步骤二和步骤三中获得的空间分布显著值Ssd(rk)和全局对比显著值Src(rk),计算获得子图像区域rk的显著值S(rk);
步骤五:将N个子图像区域的显著值S(rk)按照从高到低的顺序进行标记,得到输入图像的显著区域,完成输入图像的显著区域检测;其特征在于:
所述步骤二中计算每个子图像区域rk的空间分布显著值Ssd(rk)的具体方法为:
所述步骤三中计算每个子图像区域rk的全局对比显著值Src(rk),采用公式:
该求和公式中变量l表示子图像区域的序号,其取值从1至N,并且l≠k,
Dr(rk,rl)表示第k幅子图像区域rk和第l幅子图像区域rl之间的颜色距离,DS(rk,rl)表示第k幅子图像区域rk和第l幅子图像区域rl之间的空间距离,ω(rl)表示第l幅子图像区域rl的权重,表示第k幅子图像区域rk和第l幅子图像区域rl之间的空间距离所占权重;
所述步骤四中子图像区域rk的显著值S(rk)为:
其中N(·)是归一化操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110442240 CN102542267B (zh) | 2011-12-26 | 2011-12-26 | 结合空间分布和全局对比的显著区域检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110442240 CN102542267B (zh) | 2011-12-26 | 2011-12-26 | 结合空间分布和全局对比的显著区域检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102542267A CN102542267A (zh) | 2012-07-04 |
CN102542267B true CN102542267B (zh) | 2013-07-03 |
Family
ID=46349121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110442240 Expired - Fee Related CN102542267B (zh) | 2011-12-26 | 2011-12-26 | 结合空间分布和全局对比的显著区域检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102542267B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127197B (zh) * | 2016-04-09 | 2020-07-07 | 北京交通大学 | 基于显著标签排序的图像显著性目标检测方法和装置 |
CN107248139B (zh) * | 2016-08-15 | 2020-02-21 | 南京大学 | 基于显著视觉和dmd阵列分区控制的压缩感知成像方法 |
CN106407978B (zh) * | 2016-09-24 | 2020-10-30 | 上海大学 | 一种结合似物度的无约束视频中显著物体检测方法 |
CN106789485B (zh) * | 2017-02-24 | 2018-10-12 | 慧谷人工智能研究院(南京)有限公司 | 一种便捷的智能家居监视*** |
CN107481248A (zh) * | 2017-07-28 | 2017-12-15 | 桂林电子科技大学 | 一种图像显著区域的提取方法 |
CN115099760B (zh) * | 2022-08-29 | 2022-11-25 | 广东中科凯泽信息科技有限公司 | 一种基于计算机机器视觉的危险品智能检测预警方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101211356A (zh) * | 2006-12-30 | 2008-07-02 | 中国科学院计算技术研究所 | 一种基于显著区域的图像查询方法 |
CN101894371A (zh) * | 2010-07-19 | 2010-11-24 | 华中科技大学 | 一种生物激励的自顶向下的视觉注意方法 |
CN101976338A (zh) * | 2010-10-29 | 2011-02-16 | 杭州电子科技大学 | 一种基于梯度方向直方图的判决式视觉显著性检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7483551B2 (en) * | 2004-02-24 | 2009-01-27 | Lockheed Martin Corporation | Method and system for improved unresolved target detection using multiple frame association |
-
2011
- 2011-12-26 CN CN 201110442240 patent/CN102542267B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101211356A (zh) * | 2006-12-30 | 2008-07-02 | 中国科学院计算技术研究所 | 一种基于显著区域的图像查询方法 |
CN101894371A (zh) * | 2010-07-19 | 2010-11-24 | 华中科技大学 | 一种生物激励的自顶向下的视觉注意方法 |
CN101976338A (zh) * | 2010-10-29 | 2011-02-16 | 杭州电子科技大学 | 一种基于梯度方向直方图的判决式视觉显著性检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102542267A (zh) | 2012-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102542267B (zh) | 结合空间分布和全局对比的显著区域检测方法 | |
CN103020993B (zh) | 一种双通道颜色对比度融合的视觉显著性检测方法 | |
US8923605B2 (en) | Method and system for detecting object on a road | |
EP3251090B1 (en) | Occlusion handling for computer vision | |
CN102855649B (zh) | 基于orb特征点的高压杆塔高清图像全景拼接方法 | |
CN103164711B (zh) | 基于像素和支持向量机的区域人流密度估计的方法 | |
EP2919189A2 (en) | Pedestrian tracking and counting method and device for near-front top-view monitoring video | |
CN103971366B (zh) | 一种基于双权重聚合的立体匹配方法 | |
CN104680483B (zh) | 图像的噪声估计方法、视频图像去噪方法及装置 | |
CN105404888A (zh) | 结合颜色和深度信息的显著性目标检测方法 | |
Chen et al. | Improved seam carving combining with 3D saliency for image retargeting | |
CN102521842B (zh) | 一种实现快速移动检测的方法和装置 | |
CN104408711A (zh) | 一种基于多尺度区域融合的显著区域检测方法 | |
CN103208115A (zh) | 基于测地线距离的图像显著性区域检测方法 | |
CN102999926A (zh) | 一种基于底层特征融合的图像视觉显著性计算方法 | |
CN103646254A (zh) | 一种高密度行人检测方法 | |
CN102799646A (zh) | 一种面向多视点视频的语义对象分割方法 | |
CN104156979A (zh) | 一种基于高斯混合模型的视频中异常行为在线检测方法 | |
CN104392234B (zh) | 一种基于图像fft符号信息的无人机自主着陆目标检测方法 | |
Liu et al. | Extraction of lane markings using orientation and vanishing point constraints in structured road scenes | |
CN102034243B (zh) | 一种获取视频图像中人群密度图的方法及装置 | |
CN106778504A (zh) | 一种行人检测方法 | |
CN103729850B (zh) | 一种在全景图中提取直线的方法 | |
CN112651351B (zh) | 一种数据处理的方法和装置 | |
CN101854466B (zh) | 一种运动区域探测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Li Qiong Inventor after: He Xin Inventor after: Jing Huiyun Inventor after: Han Qi Inventor before: Niu Xiamu Inventor before: He Xin Inventor before: Jing Huiyun Inventor before: Li Qiong Inventor before: Han Qi |
|
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130703 Termination date: 20181226 |