CN102867301B - 一种根据信息熵得到图像显著性特征的方法 - Google Patents
一种根据信息熵得到图像显著性特征的方法 Download PDFInfo
- Publication number
- CN102867301B CN102867301B CN201210312983.3A CN201210312983A CN102867301B CN 102867301 B CN102867301 B CN 102867301B CN 201210312983 A CN201210312983 A CN 201210312983A CN 102867301 B CN102867301 B CN 102867301B
- Authority
- CN
- China
- Prior art keywords
- smap
- significant characteristics
- color space
- calculating
- information entropy
- 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.)
- Active
Links
Landscapes
- Color Image Communication Systems (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明涉及一种根据信息熵得到图像显著性特征的方法,技术特征在于:同时考虑了RGB和Lab两个颜色空间,分别在6个颜色通道中计算图像的最大邻域整体特征、剩余谱特征及稀疏性特征,运用信息熵找出每种方法的最优颜色通道,接着运用信息熵组合得到的最优显著性特征,最后,考虑像素距离图像中心分布特征,得到最终显著性特征分布图。
Description
技术领域
本发明属于计算机图像处理领域,尤其涉及一种根据信息熵得到图像显著性特征的方法。
背景技术
计算机视觉的根本目标是让机器模拟人的视觉***,实现对图像数据的语义级理解。在观看图像时,人往往有选择性的注意其中的小部分区域,即所谓的显著区域。如何让计算机模拟人类的视觉注意机制能够自动预测图像中显著性区域成为近年来的研究热点。
现有的研究方法中,典型的方法有中央-周边机制,即中央和周边差异大的区域为显著区域;谱残余,即基于不同的图像具有相似的对数谱曲线的性质找到显著区域;像素的统计特性,即像素值出现次数越少的点越显著。
颜色是影响人类视觉***的最重要的因素,我们从RGB和Lab两个颜色空间、六个颜色通道考虑图像的特征。特征图的融合是显著性研究的必要步骤,现有的线性和非线性融合都有各自的优缺点。
发明内容
要解决的技术问题
为了避免现有技术的不足之处,本发明提出一种根据信息熵得到图像显著性特征的方法,首先基于信息熵寻找最优的颜色通道,接着运用信息熵融合个的最优特征图,最后,考虑像素的分布特征得到图像的显著性特征。
技术方案
一种根据信息熵得到图像显著性特征的方法,其特征在步骤如下:
步骤1:将n×n的输入图像转化为RGB颜色空间和Lab颜色空间,得到6个颜色通道R,G,B,L,a,b;
步骤2:计算每一个颜色通道中任一点(x,y)的最大矩形邻域:
步骤3:计算最大矩形邻域的像素均值meanUi,其中:i为颜色通道,i={R,G,B,L,a,b};
步骤4:计算6个颜色通道的全局显著性特征Smapi1(x,y)=(fi(x,y)-meanUi),其中:fi(x,y)是颜色通道i在(x,y)处像素值,Smap1i(x,y)是颜色通道i的显著性特征值;
步骤5:计算6个颜色通道的谱残余R(f)=L(f)-hn(f)L(f),其中:对数相位谱L(f)=log(A(f)),A(f)是幅度频谱,
步骤6:计算6个颜色通道的谱残余显著性特征:
Smapi2(x,y)=g(x,y)F-1(exp(R(fi))+jP(fi)),其中:g(x,y)是高斯滤波,P(f)是相位频谱,F-1是傅里叶反变换,j是虚数单位;
步骤7:计算6个颜色通道的稀疏性显著性特征其中:pi(fi(x,y))表示颜色通道i中像素值为fi(x,y)的出现的频率;
步骤8:计算图像的信息熵为其中:gk是一个高斯低通滤波器;
步骤9:计算全局显著性特征、谱残余显著性特征、稀疏性显著性特征分别在RGB颜色空间和Lab颜色空间的最优显著性特征,
RGB颜色空间:OptimalSmap1s={Smap|H(Smap)=min(H(Smapts)),
Lab颜色空间:OptimalSmap2s={Smap|H(Smap)=min(H(Smapts)),
其中:OptimalSmap1s,OptimalSmap2s分别表示第t种方法在RGB颜色空间和Lab颜色空间中得到的最优显著性特征;t={L,a,b},s=1,2,3};
步骤10:计算最优显著性特征的信息熵:Hls=H(OptimalSmapls),l=1,2;
步骤11:计算RGB颜色空间的综合显著性特征:计算Lab颜色空间的综合显著性特征
步骤12:将Smap1和Smap2归一化并组合,得显著性特征
步骤13:对步骤12的显著性特征,运用高斯低通滤波得到最终图像显著性特征。
有益效果
本发明提出的一种根据信息熵得到图像显著性特征的方法,同时考虑了RGB和Lab两个颜色空间,分别在6个颜色通道中计算图像的最大邻域整体特征、剩余谱特征及稀疏性特征,运用信息熵找出每种方法的最优颜色通道,接着运用信息熵组合得到的最优显著性特征,最后,考虑像素距离图像中心分布特征,得到最终显著性特征分布图。
附图说明
图1:本发明方法的基本流程图
图2:本发明方法的实例操作流程图
具体实施方式
现结合实施例、附图对本发明作进一步描述:
用于实施的硬件环境是:AMD Athlon 64×25000+计算机、2GB内存、256M显卡,运行的软件环境是:Matlab2010a和Windows XP。我们用Matlab软件实现了本发明提出的方法。
本发明具体实施如下:
1:将输入图像的大小调整为128×128;
2:将图像转化为RGB颜色空间和Lab颜色空间,得到6个颜色通道R,G,B,L,a,b;步骤3:对于每一个颜色通道,计算任一点(x,y)的最大矩形邻域:
4:计算6个颜色通道中每个点(x,y)的最大矩形邻域的像素均值meanUi,其中:i={R,G,B,L,a,b};
5:计算6个颜色通道的最大邻域整体特征Smapi1(x,y)=(fi(x,y)-meanUi),其中:i={R,G,B,L,a,b},fi(x,y)是颜色通道i的(x,y)处像素值,Smap1i(x,y)是颜色通道i的显著性特征值;
6:计算步骤2得到的6个颜色通道的谱残余R(f)=L(f)-hn(f)L(f),其中:
对数相位谱L(f)=log(A(f)),A(f)是幅度频谱,
7:计算步骤2得到的6个颜色通道的谱残余显著性特征Smapi2(x,y)=g(x,y)F-1(exp(R(fi))+jP(fi)),其中:g(x,y)是高斯滤波,P(f)是相位频谱,F-1是傅里叶反变换,i={R,G,B,L,a,b},j是虚数单位;
8:计算步骤2得到的6个颜色通道的稀疏性显著性特征其中:i={R,G,B,L,a,b},pi(fi(x,y))表示颜色通道i中像素值为fi(x,y)的出现的频率;
9:计算图像的信息熵为其中:gk是一个高斯低通滤波器;
10:计算最大邻域整体特征、谱残余显著性特征、稀疏性显著性特征分别在RGB颜色空间和Lab颜色空间的最优显著性特征
OptimalSmap1s={Smap|H(Smap)=min(H(Smapts)),t={R,G,B},s=1,2,3},
OptimalSmap2s={Smap|H(Smap)=min(H(Smapts)),t={L,a,b},s=1,2,3},
其中:OptimalSmap1s,OptimalSmap2s,(s=1,2,3)分别表示第s种方法在RGB颜色空间和Lab颜色空间中得到的最优显著性特征;
11:计算最优显著性特征的信息熵
Hls=H(OptimalSmapls),l=1,2,s=1,2,3,
12:分别计算RGB颜色空间和Lab颜色空间的综合显著性特征
13:将Smap1和Smap2归一化并组合,得显著性特征
14:考虑像素分布特征,对Smap运用高斯低通滤波作用,得到最终显著特征。
Claims (1)
1.一种根据信息熵得到图像显著性特征的方法,其特征在步骤如下:
步骤1:将n×n的输入图像转化为RGB颜色空间和Lab颜色空间,得到6个颜色通道R,G,B,L,a,b;
步骤2:计算每一个颜色通道中任一点(x,y)的最大矩形邻域:
步骤3:计算最大矩形邻域的像素均值meanUi,其中:i为颜色通道,i={R,G,B,L,a,b};
步骤4:计算6个颜色通道的全局显著性特征Smapi1(x,y)=(fi(x,y)-meanUi),其中:fi(x,y)是颜色通道i在(x,y)处像素值,Smap1i(x,y)是颜色通道i的显著性特征值;
步骤5:计算6个颜色通道的谱残余R(f)=L(f)-hn(f)L(f),其中:对数相位谱L(f)=log(A(f)),A(f)是幅度频谱,
步骤6:计算6个颜色通道的谱残余显著性特征:
Smapi2(x,y)=g(x,y)F-1(exp(R(fi))+jP(fi)),其中:g(x,y)是高斯滤波,P(f)是相位频谱,F-1是傅里叶反变换,j是虚数单位;
步骤7:计算6个颜色通道的稀疏性显著性特征其中:pi(fi(x,y))表示颜色通道i中像素值为fi(x,y)的出现的频率;
步骤8:计算图像的信息熵为其中:gk是一个高斯低通滤波器;
步骤9:计算全局显著性特征、谱残余显著性特征、稀疏性显著性特征分别在RGB颜色空间和Lab颜色空间的最优显著性特征,
RGB颜色空间:OptimalSmap1s={Smap|H(Smap)=min(H(Smapts)),
Lab颜色空间:OptimalSmap2s={Smap|H(Smap)=min(H(Smapts)),
其中:OptimalSmap1s,OptimalSmap2s分别表示第t种方法在RGB颜色空间和Lab颜色空间中得到的最优显著性特征;t={L,a,b},s={1,2,3};
步骤10:计算最优显著性特征的信息熵:Hls=H(OptimalSmapls),l=1,2;
步骤11:计算RGB颜色空间的综合显著性特征:计算Lab颜色空间的综合显著性特征
步骤12:将Smap1和Smap2归一化并组合,得显著性特征
步骤13:对步骤12的显著性特征,运用高斯低通滤波得到最终图像显著性特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210312983.3A CN102867301B (zh) | 2012-08-29 | 2012-08-29 | 一种根据信息熵得到图像显著性特征的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210312983.3A CN102867301B (zh) | 2012-08-29 | 2012-08-29 | 一种根据信息熵得到图像显著性特征的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102867301A CN102867301A (zh) | 2013-01-09 |
CN102867301B true CN102867301B (zh) | 2015-01-28 |
Family
ID=47446157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210312983.3A Active CN102867301B (zh) | 2012-08-29 | 2012-08-29 | 一种根据信息熵得到图像显著性特征的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102867301B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106672B (zh) * | 2013-01-25 | 2015-12-02 | 西北工业大学 | 一种基于颜色特征的图像感兴趣区域检测方法 |
WO2015079282A1 (en) * | 2013-11-28 | 2015-06-04 | Intel Corporation | Method for determining local differentiating color for image feature detectors |
CN106778511A (zh) * | 2016-11-22 | 2017-05-31 | 国网通用航空有限公司 | 一种马尾松多尺度智能识别的方法及装置 |
CN108333634A (zh) * | 2018-01-29 | 2018-07-27 | 河南工业大学 | 一种基于频谱残余显著性检测方法的探地雷达地下目标定位方法 |
CN108561127B (zh) * | 2018-03-26 | 2022-04-01 | 上海电力学院 | 一种基于随机模拟的地层压力预测方法 |
CN108921820B (zh) * | 2018-05-30 | 2021-10-29 | 咸阳师范学院 | 一种基于颜色特征和聚类算法的显著性目标检测方法 |
CN113158715A (zh) * | 2020-11-05 | 2021-07-23 | 西安天伟电子***工程有限公司 | 一种船只检测方法及装置 |
CN117830322A (zh) * | 2024-03-06 | 2024-04-05 | 慧创科仪(北京)科技有限公司 | 用于对近红外数据进行显著性差异分析的方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853513A (zh) * | 2010-06-06 | 2010-10-06 | 华中科技大学 | 一种基于信息熵的时空显著性视觉注意方法 |
CN102426704A (zh) * | 2011-10-28 | 2012-04-25 | 清华大学深圳研究生院 | 一种显著性物体快速检测方法 |
CN102568006A (zh) * | 2011-03-02 | 2012-07-11 | 上海大学 | 一种基于视频中物体运动特征的视觉显著性算法 |
CN102609911A (zh) * | 2012-01-16 | 2012-07-25 | 北方工业大学 | 基于边缘的图像显著性检测 |
-
2012
- 2012-08-29 CN CN201210312983.3A patent/CN102867301B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853513A (zh) * | 2010-06-06 | 2010-10-06 | 华中科技大学 | 一种基于信息熵的时空显著性视觉注意方法 |
CN102568006A (zh) * | 2011-03-02 | 2012-07-11 | 上海大学 | 一种基于视频中物体运动特征的视觉显著性算法 |
CN102426704A (zh) * | 2011-10-28 | 2012-04-25 | 清华大学深圳研究生院 | 一种显著性物体快速检测方法 |
CN102609911A (zh) * | 2012-01-16 | 2012-07-25 | 北方工业大学 | 基于边缘的图像显著性检测 |
Non-Patent Citations (1)
Title |
---|
A Biologically Inspired Computational Model for Image Saliency Detection;Sheng He;《Proceedings of the 19th ACM international conference on multimedia》;20111201;1465-1468 * |
Also Published As
Publication number | Publication date |
---|---|
CN102867301A (zh) | 2013-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102867301B (zh) | 一种根据信息熵得到图像显著性特征的方法 | |
CN103106672B (zh) | 一种基于颜色特征的图像感兴趣区域检测方法 | |
CN104537634B (zh) | 动态图像中去除雨滴影响的方法和*** | |
CN103208123B (zh) | 图像分割方法与*** | |
CN102867313B (zh) | 一种融合区域颜色和HoG特征的视觉显著性检测方法 | |
CN103366390B (zh) | 终端及图像处理方法和装置 | |
CN103106671B (zh) | 一种基于视觉注意机制的图像感兴趣区域检测方法 | |
CN102129675A (zh) | 一种非线性自适应红外图像增强方法 | |
CN104239883B (zh) | 纹理特征提取方法及装置 | |
CN103886565A (zh) | 基于目的性优化及直方图均衡化的夜间彩色图像增强方法 | |
CN101819638A (zh) | 色情检测模型建立方法和色情检测方法 | |
CN112419258B (zh) | 基于时频分割及卷积神经网络的鲁棒环境声音识别方法 | |
CN105023244A (zh) | 美化图像中人体肤色和调整人体肤色亮度的方法及其装置 | |
CN112560701B (zh) | 一种人脸图像提取方法、装置及计算机存储介质 | |
CN103985140B (zh) | 一种基于频域处理的抗噪运动目标检测方法 | |
EP2500865A3 (en) | Image segmentation apparatus, method and program | |
Xiao et al. | Hierarchical tone mapping based on image colour appearance model | |
CN103164847A (zh) | 视频图像中运动目标阴影消除方法 | |
CN104978718A (zh) | 一种基于图像熵的视频雨滴去除方法及*** | |
CN104112131A (zh) | 一种用于人脸检测的训练样本的生成方法及装置 | |
CN103489427B (zh) | Yuv转换成rgb以及rgb转换成yuv的方法和*** | |
CN104809735A (zh) | 基于傅里叶变换实现图像雾霾评价的***及方法 | |
EP2843938A2 (en) | Method, apparatus and computer program product for sensing of visible spectrum and near infrared spectrum | |
CN103020908A (zh) | 图像降噪的方法和设备 | |
CN103530860A (zh) | 基于自适应的自回归模型的高光谱图像超分辨率方法 |
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 |