CN103106672B - 一种基于颜色特征的图像感兴趣区域检测方法 - Google Patents
一种基于颜色特征的图像感兴趣区域检测方法 Download PDFInfo
- Publication number
- CN103106672B CN103106672B CN201310028160.2A CN201310028160A CN103106672B CN 103106672 B CN103106672 B CN 103106672B CN 201310028160 A CN201310028160 A CN 201310028160A CN 103106672 B CN103106672 B CN 103106672B
- Authority
- CN
- China
- Prior art keywords
- color
- color channel
- optimalmap
- information entropy
- mean
- 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
Landscapes
- Color Image Communication Systems (AREA)
- Image Analysis (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明涉及一种基于颜色特征的图像感兴趣区域检测方法,其特征在于:首先,同时考虑了Lab和对抗色两个颜色空间,同时考虑了每个像素点与多尺度邻域差值问题,这样既考虑图像的整体特征又考虑图像的局部特征。运用信息熵作为衡量显著图的检测效果,首先运用信息熵找到每个颜色通道中的最优三个邻域尺度,然后用信息熵找到最优三个颜色通道,并且运行信息熵组合每步得到的最优显著图。这样既考虑图像的整体特征又考虑图像的局部特征。接着运用信息熵分步组合得到的最优显著性分布图。
Description
技术领域
本发明属于数字图像处理领域,具体涉及一种基于颜色特征的图像感兴趣区域检测方法。
背景技术
随着信息技术的发展,尤其是电子产品的日益革新,数码相机在日常生活中得到极大的普及,图像的获取越来越易。图像数据的高速增长带来一些新的问题,如图像压缩,传输,存储,浏览,检索,组织和图像数据挖掘等。这需求对计算机信息处理效率提出了越来越高的要求。在人类视觉注意机制中,任务所关心的内容通常仅是整幅图像中很小的一部分。将所有的数据同等对待是不符合人类视觉特点。如何在计算机图像信息处理中模拟和实现人类的选择性注意机制,快速找到那些容易引起观察者注意的图像区域,形成一个合理的计算资源分配方案,引导整个图像信息处理过程,使计算机具有类似人类的选择性和主动性的图像信息处理能力,对提高计算机图像信息处理效率将具有重大意义。
颜色是影响人类视觉***的最重要的因素,Lab颜色空间是与设备无关的颜色模型,最接近人类的视觉,因此我们首先考虑Lab颜色空间,同时我们又考虑对抗色颜色空间,红绿对抗色及蓝黄对抗色更能体现出图像的颜色差异。我们考虑了每个像素点与多尺度邻域差值问题,这样既考虑图像的整体特征又考虑图像的局部特征。多个颜色通道得到多个特征图,而特征图的融合是显著性研究的必要步骤,选取所有通道的特征图会增大计算量,并且效果不好的显著图会降低最终的感兴趣区域的检测质量,因此,我们选取一部分效果较好的显著图融合到达最终显著图。
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,本发明提出一种基于颜色特征的图像感兴趣区域检测方法,快速有效的检测出图像中的符合人类视觉特点的感兴趣目标。
技术方案
一种基于颜色特征的图像感兴趣区域检测方法,其特征在于步骤如下:
步骤1:将原始输入图像由RGB颜色空间转化为四色宽频颜色空间RGBY,转化方法为:
其中:r,g,b分别表示RGB颜色空间中的红、绿、蓝颜色通道,R,G,B,Y分别表示得到RGBY颜色空间中的红、绿、蓝、黄颜色通道;
步骤2:计算亮度I=(r+g+b),红绿对抗色RG=|R-G|,蓝黄对抗色BY=|B-Y|,分别得到亮度、红绿对抗色及蓝黄对抗色三个通道I,RG,BY;
步骤3:将原始输入图像转化为Lab颜色空间,得到L,a,b颜色通道;
步骤4:计算6个颜色通道中每个点(x,y)的两个方形邻域内的像素均值mean_N1i(x,y)和mean_N2i(x,y),i∈{I,RG,BY,L,a,b};
其中:mean_N1i(x,y)和mean_N2i(x,y)分别表示在颜色通道i中点(x,y)处的大小为N1×N1和N2×N2的方形邻域内像素均值;
步骤5:计算6个颜色通道显著性特征:
Ci(x,y)=|mean_N1i(x,y)-mean_N2i(x,y)|,i∈{I,RG,BY,L,a,b}
其中:Ci(x,y)表示在颜色通道i中点(x,y)处的显著性特征;
步骤6:依次在N1取值N11,N12,依次在N2取值N21,N22,…,N2m,重复步骤5在每个颜色通道可得到2m个显著特征图;
步骤7:特征图归一化后,计算特征图的信息熵得:
其中:Cij(x,y)是i颜色通道第j个显著图,g是一个高斯低通滤波器;
步骤8:在各颜色通道的2m个显著特征图,分别取信息熵最小的三个显著特征图Optimalmapi1,Optimalmapi2,Optimalmapi3,i∈{I,RG,BY,L,a,b};
步骤9:将Optimalmapi1,Optimalmapi2和Optimalmapi3归一化并组合,得到i颜色通道显著性特征:
其中: 为特征融合权系数;
步骤10:重复步骤8和9的方法,求出信息熵最小的三个颜色通道,并对归一化组合得到图像感兴趣区域的最终显著图。
有益效果
本发明提出的一种基于颜色特征的图像感兴趣区域检测方法,首先,同时考虑了Lab和对抗色两个颜色空间,同时考虑了每个像素点与多尺度邻域差值问题,这样既考虑图像的整体特征又考虑图像的局部特征。运用信息熵作为衡量显著图的检测效果,首先运用信息熵找到每个颜色通道中的最优三个邻域尺度,然后用信息熵找到最优三个颜色通道,并且运行信息熵组合每步得到的最优显著图。这样既考虑图像的整体特征又考虑图像的局部特征。接着运用信息熵分步组合得到的最优显著性分布图。
附图说明
图1:本发明方法的基本流程图
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:AMDAthlon64×25000+计算机、2GB内存、256M显卡,运行的软件环境是:Matlab2010a和WindowsXP。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:将输入图像转化为Lab颜色空间,得到三个颜色通道L,a,b;
3:将图像转化为rgb颜色空间,r,g,b分别表示红绿蓝三个颜色通道,计算
得到RGBY颜色空间;
4:计算亮度I=(r+g+b),计算对抗色RG=|R-G|,BY=|B-Y|,得到另外三个通道I,RG,BY;
5:计算6个颜色通道中每个点(x,y)的两个方形邻域内的像素均值,两个邻域的大小为N1×N1和N2×N2;
6:计算6个颜色通道显著性特征
C(x,y)=|mean_N1-mean_N2|,
其中:mean_N1和mean_N2分别表示点(x,y)处的大小为N1×N1和N2×N2的方形邻域内像素均值,
7:N1依次取值3和5,N2依次取值128,64,32,16,运用步骤6每个颜色通道可得到8个显著特征图,共得48个显著图;
8:特征图归一化后,计算特征图的信息熵得
其中:Cij(x,y)是i颜色通道第j个显著图,g是一个高斯低通滤波器;
9:在各颜色通道的8个显著特征图中,分别取信息熵最小的三个显著特征图Optimalmapi1,Optimalmapi2,Optimalmapi3,i∈{I,RG,BY,L,a,b};
10:将Optimalmapi1,Optimalmapi2和Optimalmapi3归一化并组合,得到i颜色通道显著性特征
其中:
11:在6个颜色通道的显著特征图中,分别取信息熵最小的三个显著特征图OptimalSmap1,OptimalSmap2,OptimalSmap3;
10:将OptimalSmap1,OptimalSmap2,OptimalSmap3归一化并组合,得到最终显著图
其中:
Claims (1)
1.一种基于颜色特征的图像感兴趣区域检测方法,其特征在于步骤如下:
步骤1:将原始输入图像由RGB颜色空间转化为四色宽频颜色空间RGBY,转化方法为:
,
,
,
,
其中:r,g,b分别表示RGB颜色空间中的红、绿、蓝颜色通道,R,G,B,Y分别表示得到RGBY颜色空间中的红、绿、蓝、黄颜色通道;
步骤2:计算亮度I=(r+g+b),红绿对抗色RG=|R-G|,蓝黄对抗色BY=|B-Y|,分别得到亮度、红绿对抗色及蓝黄对抗色三个通道I,RG,BY;
步骤3:将原始输入图像转化为Lab颜色空间,得到L,a,b颜色通道;
步骤4:计算6个颜色通道中每个点(x,y)的两个方形邻域内的像素均值mean_N1i(x,y)和mean_N2i(x,y),i∈{I,RG,BY,L,a,b};
其中:mean_N1i(x,y)和mean_N2i(x,y)分别表示在颜色通道i中点(x,y)处的大小为N1×N1和N2×N2的方形邻域内像素均值;
步骤5:计算6个颜色通道显著性特征:
Ci(x,y)=|mean_N1i(x,y)-mean_N2i(x,y)|,i∈{I,RG,BY,L,a,b},
其中:Ci(x,y)表示在颜色通道i中点(x,y)处的显著性特征;
步骤6:依次在N1取值N11,N12,依次在N2取值N21,N22,…,N2m,重复步骤5在每个颜色通道可得到2m个显著特征图;
步骤7:特征图归一化后,计算特征图的信息熵得:
i∈{I,RG,BY,L,a,b},j=1,2,…,2m,
其中:Cij(x,y)是i颜色通道第j个显著图,g是一个高斯低通滤波器;
步骤8:在各颜色通道的2m个显著特征图,分别取信息熵最小的三个显著特征图Optimalmapi1,Optimalmapi2,Optimalmapi3,i∈{I,RG,BY,L,a,b};
步骤9:将Optimalmapi1,Optimalmapi2和Optimalmapi3归一化并组合,得到i颜色通道显著性特征:
其中:为特征融合权系数;
步骤10:重复步骤8和9的方法,求出信息熵最小的三个颜色通道,并对归一化组合得到图像感兴趣区域的最终显著图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310028160.2A CN103106672B (zh) | 2013-01-25 | 2013-01-25 | 一种基于颜色特征的图像感兴趣区域检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310028160.2A CN103106672B (zh) | 2013-01-25 | 2013-01-25 | 一种基于颜色特征的图像感兴趣区域检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103106672A CN103106672A (zh) | 2013-05-15 |
CN103106672B true CN103106672B (zh) | 2015-12-02 |
Family
ID=48314499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310028160.2A Expired - Fee Related CN103106672B (zh) | 2013-01-25 | 2013-01-25 | 一种基于颜色特征的图像感兴趣区域检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103106672B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9666162B2 (en) | 2013-07-30 | 2017-05-30 | Boe Technology Group Co., Ltd. | Method and apparatus for converting image from RGB signals to RGBY signals |
CN103428512B (zh) * | 2013-07-30 | 2016-05-04 | 京东方科技集团股份有限公司 | 一种rgb信号到rgby信号的图像转换方法及装置 |
CN103714537B (zh) * | 2013-12-19 | 2017-01-11 | 武汉理工大学 | 一种图像显著性的检测方法 |
CN104408712B (zh) * | 2014-10-30 | 2017-05-24 | 西北工业大学 | 基于信息融合的隐马尔可夫显著区域检测方法 |
CN105738296B (zh) * | 2014-12-12 | 2018-07-10 | 中国农业机械化科学研究院 | 移动式白毛猪耳部颜色自动检测装置及检测方法 |
CN107358182A (zh) * | 2017-06-29 | 2017-11-17 | 维拓智能科技(深圳)有限公司 | 行人检测方法及终端设备 |
CN107423765A (zh) * | 2017-07-28 | 2017-12-01 | 福州大学 | 基于稀疏编码反馈网络的自底而上显著目标检测方法 |
CN108154147A (zh) * | 2018-01-15 | 2018-06-12 | 中国人民解放军陆军装甲兵学院 | 基于视觉注意模型的感兴趣区域检测方法 |
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 |
CN115131327B (zh) * | 2022-07-14 | 2024-04-30 | 电子科技大学 | 一种颜色特征融合的显示屏彩色线缺陷检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101319875A (zh) * | 2008-07-23 | 2008-12-10 | 天津大学 | 基于视觉注意机制的气体泄漏源搜寻方法 |
CN102855025A (zh) * | 2011-12-08 | 2013-01-02 | 西南科技大学 | 一种基于视觉注意模型的光学多点触控触点检测方法 |
CN102867301A (zh) * | 2012-08-29 | 2013-01-09 | 西北工业大学 | 一种根据信息熵得到图像显著性特征的方法 |
-
2013
- 2013-01-25 CN CN201310028160.2A patent/CN103106672B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101319875A (zh) * | 2008-07-23 | 2008-12-10 | 天津大学 | 基于视觉注意机制的气体泄漏源搜寻方法 |
CN102855025A (zh) * | 2011-12-08 | 2013-01-02 | 西南科技大学 | 一种基于视觉注意模型的光学多点触控触点检测方法 |
CN102867301A (zh) * | 2012-08-29 | 2013-01-09 | 西北工业大学 | 一种根据信息熵得到图像显著性特征的方法 |
Non-Patent Citations (3)
Title |
---|
Graph Laplacian Based Visual Saliency Detection;Dingding Qian etl.;《Digital Home (ICDH), 2012 Fourth International Conference on 》;20121125;第201-205页 * |
基于视觉注意的显著区域检测算法研究;李崇飞;《中国优秀硕士学位论文全文数据库(信息科技辑)》;20120731;第23-24页 * |
视觉信息处理中注意机制计算模型研究;魏龙生;《中国优秀博士学位论文全文数据库(信息科技辑)》;20110930;第1-106页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103106672A (zh) | 2013-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103106672B (zh) | 一种基于颜色特征的图像感兴趣区域检测方法 | |
Saravanan et al. | Real time implementation of RGB to HSV/HSI/HSL and its reverse color space models | |
CN102867301B (zh) | 一种根据信息熵得到图像显著性特征的方法 | |
CN101901475B (zh) | 基于视网膜自适应模型的高动态范围图像色调映射方法 | |
CN103366178B (zh) | 一种用于对目标图像进行颜色分类的方法与设备 | |
CN103106671B (zh) | 一种基于视觉注意机制的图像感兴趣区域检测方法 | |
CN103218619A (zh) | 一种图像美学评价方法 | |
CN103971113A (zh) | 图像的识别方法、电子装置与计算机程序产品 | |
CN103617596A (zh) | 一种基于流型转换的图像色彩风格变换方法 | |
CN106920221A (zh) | 兼顾亮度分布和细节呈现的曝光融合方法 | |
CN102509097B (zh) | 一种图像分割方法和装置 | |
CN108921820A (zh) | 一种基于特征聚类和颜色对比度的图像显著性目标检测方法 | |
CN109255774B (zh) | 一种图像融合方法、装置及其设备 | |
CN104239883B (zh) | 纹理特征提取方法及装置 | |
CN113963081B (zh) | 一种基于图卷积网络的图像图表智能合成方法 | |
CN110599554A (zh) | 人脸肤色的识别方法和装置、存储介质及电子装置 | |
CN103914124A (zh) | 面向三维场景的节能颜色映射方法 | |
CN102054177A (zh) | 一种图像相似度计算方法和装置 | |
WO2024027287A1 (zh) | 图像处理***及方法、计算机可读介质和电子设备 | |
CN111106836A (zh) | 图像重构方法和装置 | |
CN104835196A (zh) | 一种车载红外图像彩色化三维重建方法 | |
CN104899889B (zh) | 一种基于四面体网格的视频矢量化方法 | |
CN103489427B (zh) | Yuv转换成rgb以及rgb转换成yuv的方法和*** | |
CN103413331A (zh) | 一种支持编辑传播的高分辨率视频图像内容稀疏表达方法 | |
CN101594545A (zh) | 一种色域扩展***及方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20151202 Termination date: 20220125 |
|
CF01 | Termination of patent right due to non-payment of annual fee |