CN105550690B - 一种基于Stentiford视觉模型的优化方法 - Google Patents
一种基于Stentiford视觉模型的优化方法 Download PDFInfo
- Publication number
- CN105550690B CN105550690B CN201510926402.9A CN201510926402A CN105550690B CN 105550690 B CN105550690 B CN 105550690B CN 201510926402 A CN201510926402 A CN 201510926402A CN 105550690 B CN105550690 B CN 105550690B
- Authority
- CN
- China
- Prior art keywords
- pixel
- value
- gray level
- level image
- pending gray
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于Stentiford视觉模型的优化方法,设计引入Uniform LBP算法和直方图统计方法,解决传统的Stentiford视觉模型模型随机性过大,对细节过于敏感,计算耗时的缺点,并且实验证明,本发明所设计方法能够大幅提高图像区域提取的效果,而且大大提高了处理速度,图像处理效率显著提升,具有较强的实用价值。
Description
技术领域
本发明涉及一种基于Stentiford视觉模型的优化方法,属于图像处理技术领域。
背景技术
近年来,随着多媒体技术和计算机网络的飞速发展,数字图像的容量急剧增长。只针对图像感兴趣区域运行对应算法,一方面可以降低数据的规模,从而提高运行效率;另一方面也可以减少非ROI对结果造成的干扰。因此图像感兴趣区域的提取技术已成为目前研究的热点问题。
目前基于图像的感兴趣区域提取(region of interest简称ROI)方法有很多,但是大体方法可分为四类。
(1)人工指定的的方法,如(B Moghaddam,H Biermann,D Margaritis.Definingimage content with multiple regions-of-interest[J].IEEE Workshop on Content-Based Access of Image and Video Libraries,1999.),是通过用户根据自己的知识手工指定区域,此种方法的优点是机器可准确理解用户的真实意图,但是由于过程过多的人工参与,所以交互过程不友好。
(2)人眼视点追踪法,如(SR Research Ltd.EyeLink II user manual version2.12[R].Canada:SRResearch Ltd.,2006.)是通过特制的仪器设备捕捉人眼观察图片时视点位置,记录注视时间、注视坐标点和眨眼反应等指标,建立数学模型得到对比显著性水平,从而初步得到的ROI,优点是可以很好地反应观察者注意区域,但由于过程中需要专业设备,对于用户应用存在实践性差的特点。
(3)特定对象的分割方法,如(LItti,C Koch,E Niebur.Amodel of saliencybased visual attention for rapid scene analysis[J].IEEE Transactions onPattern Analysis and Machine Intelligence,1998,20(11):1254-1259.)包括传统的图像分割方法。例如,分水岭方法、小波变换方法等等,这些方法针对性比较强,只对于某些特定图像效果十分理想。因此可知,此方法隐藏了一个前提,即特定对象要是感兴趣区域。
(4)视觉注意模型方法,如(F W M Stentiford.An attention based similaritymeasure with application to content based information retrieval[C].Proceedings of the Storage and Retrieval for Media DatabasesConference.Bellingham:Society of Photo-Optical Instrume ntation Engineers,2003:221-232.)是模拟人眼视觉特性而建立的模型,构建视觉显著图。其中,著名的两个模型是Itti视觉模型和Stentiford模型。Itti视觉模型对于物体颜色变化大的图像效果理想。但对于显著物体较大、颜色均匀和图像中有反常点的图像效果较差。Stentiford模型比Itti视觉模型效果更为清晰和准确。然而Stentiford模型有一些缺点制约了其应用范围。首先,算法中是对某像素邻域结构随机选取,这使得结果带有过大的随机性。其次,算法对于细节过于敏感,造成不均匀的背景中成大片区域当做目标区域。最后,计算量大,严重占用资源,耗费大量时间。
发明内容
针对上述技术问题,本发明所要解决的技术问题是提供一种基于Stentiford视觉模型的优化方法,设计引入Uniform LBP算法解决随机性大和对细节过于敏感的缺点,能够大幅提高图像区域提取的效果,而且通过三维数组的设计引入了直方图统计方法,大大提高了处理速度,图像处理效率显著提升。
本发明为了解决上述技术问题采用以下技术方案:本发明设计了一种基于Stentiford视觉模型的优化方法,包括如下步骤:
步骤001.针对待处理彩色图像进行灰度处理,获得待处理灰度图像,并进入步骤002;
步骤002.分别针对待处理灰度图像中的各个像素点,以像素点为中心,设定该像素点所对应的圆形测算区域,其中,该圆形测算区域的半径为相邻像素点之间的距离,该圆形测算区域中包括该像素点和与该像素点相邻的上下左右四个像素点;由此获得待处理灰度图像中各个像素点分别所对应的圆形测算区域,然后进入步骤003;
步骤003.分别针对待处理灰度图像中的各个像素点,将像素点所对应圆形测算区域中与该像素点相邻的上下左右四个像素点,以及位于该圆形测算区域的圆周上、相邻像素点之间的中间位置,作为该像素点所对应圆形测算区域中与该像素点相邻的八个对象,获得该像素点所对应圆形测算区域中与该像素点相邻八个对象的像素值,然后进入步骤004;
步骤004.分别针对待处理灰度图像中的各个像素点,针对像素点所对应圆形测算区域中与该像素点相邻的八个对象,分别比较各个对象的像素值是否大于等于该像素点的像素值,是则针对该对象标记为1,否则针对该对象标记为0;然后针对该八个对象的标记值,按预设起始位置和顺序进行组合构成一个八位二进制数,并将该八位二进制数转换为十进制数值,对应于该像素点;由此即获得待处理灰度图像中各个像素点分别所对应的一个十进制数值,进入步骤005;
步骤005.根据待处理灰度图像,采用Uniform LBP模式,将待处理灰度图像中各个像素点分别所对应的十进制数值,转换为与待处理灰度图像相对应、包含有59种数值的Uniform LBP矩阵,其中,Uniform LBP矩阵中元素的个数与待处理灰度图像中像素点的个数相等,且一一对应,Uniform LBP矩阵中各元素的值即作为对应像素点的等级值,UniformLBP矩阵中元素的值总共有59种数值,即待处理灰度图像中像素点的等级值总共有59种;然后进入步骤006;
步骤006.根据待处理灰度图像所对应的Uniform LBP矩阵,针对待处理灰度图像中的各个像素点,分别建立像素点所对应的三维数组[Rank,Value,Location(x,y)],其中,Rank表示对应像素点的等级值,Value表示对应像素点的像素值,Location(x,y)表示对应像素点的坐标;然后进入步骤007;
步骤007.根据待处理灰度图像中各个像素点所对应的三维数组,将待处理灰度图像中的所有像素点按其所对应的等级值Rank进行划分,进行直方图统计,即获得各等级值Rank所分别对应的像素点集合R*,然后进入步骤008;
步骤008.针对59种等级值Rank,由最小等级值Rank开始,按等级值Rank从小至大的顺序,依序分别针对各个等级值Rank所对应的像素点集合R*,针对像素点集合R*中的各个像素点,分别按如下步骤00801至步骤00803进行操作,进而获得待处理灰度图像中各个像素点的显著度;
步骤00801.在像素点所在像素点集合R*中除该像素点以外的其它各个像素点中,任意取出预设N个像素点,组成该像素点所对应的集合T,然后进入步骤00802;其中,N小于等于各像素点集合R*中最少像素点个数减1;
步骤00802.针对该像素点,统计其对应集合T中与该像素点像素值Value不相等的像素点的个数P,并进入步骤00803;
步骤00803.计算即获得该像素点的显著度。
作为本发明的一种优选技术方案:所述步骤008之后,还包括步骤009,执行完步骤008后,进入步骤009,其中,步骤009如下:
步骤009.针对待处理灰度图像中各个像素点的显著度,分别乘以预设比例系数,更新待处理灰度图像中各个像素点的显著度,再根据待处理灰度图像,获得对应的显著图像。
作为本发明的一种优选技术方案:所述预设比例系数为255。
作为本发明的一种优选技术方案:所述步骤003具体包括如下:
分别针对待处理灰度图像中的各个像素点,根据像素点相邻上下左右四个像素点的像素值,以及与该像素点相邻的左上、右上、左下、右下四个像素点的像素值,分别获得该圆形测算区域的圆周上、相邻像素点之间中间位置的像素值;然后将该像素点所对应圆形测算区域中与该像素点相邻的上下左右四个像素点,以及该圆形测算区域的圆周上、相邻像素点之间的中间位置,作为该像素点所对应圆形测算区域中与该像素点相邻的八个对象,即获得该像素点所对应圆形测算区域中与该像素点相邻八个对象的像素值。
作为本发明的一种优选技术方案:所述步骤003中,分别针对待处理灰度图像中的各个像素点,根据像素点相邻上下左右四个像素点的像素值,以及与该像素点相邻的左上、右上、左下、右下四个像素点的像素值,采用四次双线性插值方法,分别获得该圆形测算区域的圆周上、相邻像素点之间中间位置的像素值。
本发明所述一种基于Stentiford视觉模型的优化方法采用以上技术方案与现有技术相比,具有以下技术效果:本发明设计的一种基于Stentiford视觉模型的优化方法,设计引入Uniform LBP算法与三维数组式的直方图统计方法,解决随机性大和对细节过于敏感的缺点,并且实验证明,本发明所设计方法能够大幅提高图像区域提取的效果,而且大大提高了处理速度,图像处理效率显著提升。
附图说明
图1是本发明设计一种基于Stentiford视觉模型的优化方法的流程示意图;
图2是本发明设计一种基于Stentiford视觉模型的优化方法中步骤003的应用示意图;
图3a是实施例一应用传统Stentiford方法的效果图;
图3b是实施例一应用人工分割图像方法的效果图;
图3c是实施例一应用文献[18]中改进的Itti视觉模型方法的效果图;
图3d是实施例一应用文献[19]中的GBVS视觉模型方法的效果图;
图3e是实施例一应用文献[20]中的谱剩余模型方法的效果图;
图3f是实施例一应用本发明所设计方法的效果图;
图4a是实施例二应用传统Stentiford方法的效果图;
图4b是实施例二应用人工分割图像方法的效果图;
图4c是实施例二应用文献[18]中改进的Itti视觉模型方法的效果图;
图4d是实施例二应用文献[19]中的GBVS视觉模型方法的效果图;
图4e是实施例二应用文献[20]中的谱剩余模型方法的效果图;
图4f是实施例二应用本发明所设计方法的效果图;
图5a是实施例三应用传统Stentiford方法的效果图;
图5b是实施例三应用人工分割图像方法的效果图;
图5c是实施例三应用文献[18]中改进的Itti视觉模型方法的效果图;
图5d是实施例三应用文献[19]中的GBVS视觉模型方法的效果图;
图5e是实施例三应用文献[20]中的谱剩余模型方法的效果图;
图5f是实施例三应用本发明所设计方法的效果图;
图6a是实施例四应用传统Stentiford方法的效果图;
图6b是实施例四应用人工分割图像方法的效果图;
图6c是实施例四应用文献[18]中改进的Itti视觉模型方法的效果图;
图6d是实施例四应用文献[19]中的GBVS视觉模型方法的效果图;
图6e是实施例四应用文献[20]中的谱剩余模型方法的效果图;
图6f是实施例四应用本发明所设计方法的效果图。
具体实施方式
下面结合说明书附图针对本发明的具体实施方式作进一步详细的说明。
如图1所示,本发明设计的一种基于Stentiford视觉模型的优化方法在实际应用过程当中,具体包括如下步骤:
步骤001.针对待处理彩色图像进行灰度处理,获得待处理灰度图像,并进入步骤002。
步骤002.分别针对待处理灰度图像中的各个像素点,以像素点为中心,设定该像素点所对应的圆形测算区域,其中,该圆形测算区域的半径为相邻像素点之间的距离,该圆形测算区域中包括该像素点和与该像素点相邻的上下左右四个像素点;由此获得待处理灰度图像中各个像素点分别所对应的圆形测算区域,然后进入步骤003。
步骤003.分别针对待处理灰度图像中的各个像素点,根据像素点相邻上下左右四个像素点的像素值,以及与该像素点相邻的左上、右上、左下、右下四个像素点的像素值,采用四次双线性插值方法,分别获得该圆形测算区域的圆周上、相邻像素点之间中间位置的像素值;即如图2所示,其中,a、b、c、d为四个像素点,2、4、6、8为像素点c所对应圆形测算区域的圆周上a、b、c、d四个像素点相邻像素点之间的中间位置,根据fa、fb、fc、fd分别获得a、b、c、d四个像素点的像素值,然后通过如下各个公式:
f2≈0.49×fa+0.21×fb+0.09×fc+0.21×fd
f4≈0.49×fb+0.21×fa+0.09×fd+0.21×fc
f6≈0.49×fc+0.21×fb+0.09×fa+0.21×fd
f8≈0.49×fd+0.21×fa+0.09×fd+0.21×fc
分别获得2、4、6、8位置的像素值f2、f4、f6、f8,然后将该像素点所对应圆形测算区域中与该像素点相邻的上下左右四个像素点,以及该圆形测算区域的圆周上、相邻像素点之间的中间位置,作为该像素点所对应圆形测算区域中与该像素点相邻的八个对象,即获得该像素点所对应圆形测算区域中与该像素点相邻八个对象的像素值,然后进入步骤004。
步骤004.分别针对待处理灰度图像中的各个像素点,针对像素点所对应圆形测算区域中与该像素点相邻的八个对象,分别比较各个对象的像素值是否大于等于该像素点的像素值,是则针对该对象标记为1,否则针对该对象标记为0;然后针对该八个对象的标记值,按预设起始位置和顺序进行组合构成一个八位二进制数,并将该八位二进制数转换为十进制数值,对应于该像素点;由此即获得待处理灰度图像中各个像素点分别所对应的一个十进制数值,进入步骤005。
步骤005.根据待处理灰度图像,采用Uniform LBP模式,将待处理灰度图像中各个像素点分别所对应的十进制数值,转换为与待处理灰度图像相对应、包含有59种数值的Uniform LBP矩阵,其中,Uniform LBP矩阵中元素的个数与待处理灰度图像中像素点的个数相等,且一一对应,Uniform LBP矩阵中各元素的值即作为对应像素点的等级值,UniformLBP矩阵中元素的值总共有59种数值,即待处理灰度图像中像素点的等级值总共有59种;然后进入步骤006。
步骤006.根据待处理灰度图像所对应的Uniform LBP矩阵,针对待处理灰度图像中的各个像素点,分别建立像素点所对应的三维数组[Rank,Value,Location(x,y)],其中,Rank表示对应像素点的等级值,Value表示对应像素点的像素值,Location(x,y)表示对应像素点的坐标;然后进入步骤007。
步骤007.根据待处理灰度图像中各个像素点所对应的三维数组,将待处理灰度图像中的所有像素点按其所对应的等级值Rank进行划分,进行直方图统计,即获得各等级值Rank所分别对应的像素点集合R*,然后进入步骤008。
步骤008.针对59种等级值Rank,由最小等级值Rank开始,按等级值Rank从小至大的顺序,依序分别针对各个等级值Rank所对应的像素点集合R*,针对像素点集合R*中的各个像素点,分别按如下步骤00801至步骤00803进行操作,进而获得待处理灰度图像中各个像素点的显著度,然后进入步骤009。
步骤00801.在像素点所在像素点集合R*中除该像素点以外的其它各个像素点中,任意取出预设N个像素点,组成该像素点所对应的集合T,然后进入步骤00802;其中,N小于等于各像素点集合R*中最少像素点个数减1。
步骤00802.针对该像素点,统计其对应集合T中与该像素点像素值Value不相等的像素点的个数P,并进入步骤00803。
步骤00803.计算即获得该像素点的显著度。
步骤009.针对待处理灰度图像中各个像素点的显著度,分别乘以预设比例系数255,更新待处理灰度图像中各个像素点的显著度,再根据待处理灰度图像,获得对应的显著图像。
基于上述具体所设计基于Stentiford视觉模型的优化方法进行实际应用,如图3a—3f、4a—4f、5a—5f、6a—6f所示,并分别与传统Stentiford方法、人工分割图像方法、文献[18](宋侃.基于改进视觉注意模型的显著区域区检测[J].计算机技术与发展,2015,第7期(07):234-236)中改进的Itti视觉模型方法、文献[19](王星,邵振峰.基于视觉显著点特征的遥感影像检索方法[J].测绘科学,2014,39(04):34-38)中GBVS视觉模型方法、文献[20](尹春霞,徐德,李成荣,等.基于显著图的SIFT特征检测与匹配[J].计算机工程,2012,38(16):189-191)中谱剩余模型方法应用进行对比,其中,图3a、4a、5a、6a为传统Stendiford视觉模型生成;图3b、4b、5b、6b为人工分割图像方法,将图像目标区域设置为1,将背景设置为0.的二值图像;图3c—3e、4c—4e、5c—5e、6c—6e为分别对在文献[18]中改进的Itti视觉模型、文献[19]中的GBVS视觉模型、文献[20]中的谱剩余模型得到的显著图基础上,将显著图像灰度区间由[0,1],按比例转换到[0,255]并将得到的图像进行变换,从而最终显著图是[0,255]区间的灰度图像,目标区域为黑色,区域越深表示显著度越高;图3f、4f、5f、6f为由本发明设计方法计算之后,去噪生成。
观察图3a—3f、4a—4f、5a—5f、6a—6f所示,可知本发明设计方法效果整体显著优于其他方法。本发明设计方法与传统的Stentiford方法的对比,表明改进后的方法,可以减弱了随机性,较好解决对细节过于敏感的问题,为了定量的对比各类算法处理效果,本发明参照文献[21](马儒宁,涂小坡,丁军娣,等.视觉显著性凸显目标的评价[J].自动化学报,2012,38(5):870-876),进行计算。
根据如下公式分别计算图像Precision,Recall和F-measure(简单起见分别记为P,R,F)
P=∑((1-S)×B)/∑(1-S)
R=∑((1-S)×B)/∑B
F=2×P×R/(P+R)
其中S为各类算法生成的(0,255)灰度显著图按比例转换到(0,1)区间的显著图;B为人工分割图;∑代表所有像素点灰度值求和;(1-S)×B表示两图像像素点值相乘得到的灰度图;可以理解为F值越大,显著图显示目标效果越理想。各类算法通过计算数据库每幅图像的Precision、Recall、F-measure,统计并求平均值。
就Precision指标而言,本发明设计方法、文献[19]中GBVS视觉模型方法优于文献[18]中改进Itti视觉模型方法、文献[20]中谱剩余模型方法、传统Stentiford方法,而本发明设计方法又优于GBVS视觉模型方法。就Recall指标而言,本发明设计方法、传统Stentiford方法优于GBVS视觉模型方法、文献[20]中谱剩余模型方法、文献[18]中改进Itti视觉模型方法,而本发明设计方法又优于传统Stentiford方法。说明传统Stentiford方法本身对细节具有一定敏感性,提取图像显著度有一定优势,可以使目标区域较高的显著度,但是传统的方法对细节过于敏感,而本发明改进后大幅改善提取效果,使得提取效果清晰、准确。而且,与另外三种方法相比,提取效果令人满意。
关于传统Stentiford方法和本发明设计方法在处理图像过程中各个环节时间复杂度如下表1所示:
传统方法 | 本发明方法 | |
插值 | O[T] | |
LBP矩阵 | O[T] | |
直方图统计 | O[T] | |
显著度 | O[T×T] | O[T] |
显著图 | O[T] | O[T] |
表1
其中,在计算显著度过程中,因为要有寻找每一元素相同像素集合的过程,然后在集合中随机取N点,T为图像中的像素点个数,O[·]为复杂度函数,因此可知,传统方法的时间复杂度为O[T×T],而本发明所设计基于Stentiford视觉模型的优化方法的时间复杂度为O[T],由此可见,本发明所设计基于Stentiford视觉模型的优化方法相对于传统方法,显著提升了图像处理效率。
由此,传统Stentiford方法、本发明设计方法、文献[18]中改进的Itti视觉模型方法、文献[19]中GBVS视觉模型方法、文献[20]中谱剩余模型方法应用进行对比的时间复杂度如下表2所示
模型类别 | 时间复杂度 |
文献[18]中改进的Itti视觉模型方法 | O[T×Log2T] |
文献[19]中GBVS视觉模型方法 | O[T×Log2T] |
文献[20]中谱剩余模型方法 | O[T×Log2T] |
传统Stentiford方法 | O[T×T] |
本发明设计方法 | O[T] |
表2
综上可知:本发明方法不但比传统Stendiford方法效果显著,效率高,而且相对于文献[18]中的Itti视觉模型类型方法、文献[19]中的GBVS视觉模型类型方法、文献[20]中的光谱剩余假说模型类型方法也有一定的优势。
上面结合说明书附图针对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (5)
1.一种基于Stentiford视觉模型的优化方法,其特征在于,包括如下步骤:
步骤001.针对待处理彩色图像进行灰度处理,获得待处理灰度图像,并进入步骤002;
步骤002.分别针对待处理灰度图像中的各个像素点,以像素点为中心,设定该像素点所对应的圆形测算区域,其中,该圆形测算区域的半径为相邻像素点之间的距离,该圆形测算区域中包括该像素点和与该像素点相邻的上下左右四个像素点;由此获得待处理灰度图像中各个像素点分别所对应的圆形测算区域,然后进入步骤003;
步骤003.分别针对待处理灰度图像中的各个像素点,将像素点所对应圆形测算区域中与该像素点相邻的上下左右四个像素点,以及位于该圆形测算区域的圆周上、相邻像素点之间的中间位置,作为该像素点所对应圆形测算区域中与该像素点相邻的八个对象,获得该像素点所对应圆形测算区域中与该像素点相邻八个对象的像素值,然后进入步骤004;
步骤004.分别针对待处理灰度图像中的各个像素点,针对像素点所对应圆形测算区域中与该像素点相邻的八个对象,分别比较各个对象的像素值是否大于等于该像素点的像素值,是则针对该对象标记为1,否则针对该对象标记为0;然后针对该八个对象的标记值,按预设起始位置和顺序进行组合构成一个八位二进制数,并将该八位二进制数转换为十进制数值,对应于该像素点;由此即获得待处理灰度图像中各个像素点分别所对应的一个十进制数值,进入步骤005;
步骤005.根据待处理灰度图像,采用Uniform LBP模式,将待处理灰度图像中各个像素点分别所对应的十进制数值,转换为与待处理灰度图像相对应、包含有59种数值的UniformLBP矩阵,其中,Uniform LBP矩阵中元素的个数与待处理灰度图像中像素点的个数相等,且一一对应,Uniform LBP矩阵中各元素的值即作为对应像素点的等级值,Uniform LBP矩阵中元素的值总共有59种数值,即待处理灰度图像中像素点的等级值总共有59种;然后进入步骤006;
步骤006.根据待处理灰度图像所对应的Uniform LBP矩阵,针对待处理灰度图像中的各个像素点,分别建立像素点所对应的三维数组[Rank,Value,Location(x,y)],其中,Rank表示对应像素点的等级值,Value表示对应像素点的像素值,Location(x,y)表示对应像素点的坐标;然后进入步骤007;
步骤007.根据待处理灰度图像中各个像素点所对应的三维数组,将待处理灰度图像中的所有像素点按其所对应的等级值Rank进行划分,进行直方图统计,即获得各等级值Rank所分别对应的像素点集合R*,然后进入步骤008;
步骤008.针对59种等级值Rank,由最小等级值Rank开始,按等级值Rank从小至大的顺序,依序分别针对各个等级值Rank所对应的像素点集合R*,针对像素点集合R*中的各个像素点,分别按如下步骤00801至步骤00803进行操作,进而获得待处理灰度图像中各个像素点的显著度;
步骤00801.在像素点所在像素点集合R*中除该像素点以外的其它各个像素点中,任意取出预设N个像素点,组成该像素点所对应的集合T,然后进入步骤00802;其中,N小于等于各像素点集合R*中最少像素点个数减1;
步骤00802.针对该像素点,统计其对应集合T中与该像素点像素值Value不相等的像素点的个数P,并进入步骤00803;
步骤00803.计算即获得该像素点的显著度。
2.根据权利要求1所述一种基于Stentiford视觉模型的优化方法,其特征在于,所述步骤008之后,还包括步骤009,执行完步骤008后,进入步骤009,其中,步骤009如下:步骤009.针对待处理灰度图像中各个像素点的显著度,分别乘以预设比例系数,更新待处理灰度图像中各个像素点的显著度,再根据待处理灰度图像,获得对应的显著图像。
3.根据权利要求2所述一种基于Stentiford视觉模型的优化方法,其特征在于:所述预设比例系数为255。
4.根据权利要求1所述一种基于Stentiford视觉模型的优化方法,其特征在于,所述步骤003具体包括如下:
分别针对待处理灰度图像中的各个像素点,根据像素点相邻上下左右四个像素点的像素值,以及与该像素点相邻的左上、右上、左下、右下四个像素点的像素值,分别获得该圆形测算区域的圆周上、相邻像素点之间中间位置的像素值;然后将该像素点所对应圆形测算区域中与该像素点相邻的上下左右四个像素点,以及该圆形测算区域的圆周上、相邻像素点之间的中间位置,作为该像素点所对应圆形测算区域中与该像素点相邻的八个对象,即获得该像素点所对应圆形测算区域中与该像素点相邻八个对象的像素值。
5.根据权利要求4所述一种基于Stentiford视觉模型的优化方法,其特征在于,所述步骤003中,分别针对待处理灰度图像中的各个像素点,根据像素点相邻上下左右四个像素点的像素值,以及与该像素点相邻的左上、右上、左下、右下四个像素点的像素值,采用四次双线性插值方法,分别获得该圆形测算区域的圆周上、相邻像素点之间中间位置的像素值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510926402.9A CN105550690B (zh) | 2015-12-14 | 2015-12-14 | 一种基于Stentiford视觉模型的优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510926402.9A CN105550690B (zh) | 2015-12-14 | 2015-12-14 | 一种基于Stentiford视觉模型的优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105550690A CN105550690A (zh) | 2016-05-04 |
CN105550690B true CN105550690B (zh) | 2018-09-11 |
Family
ID=55829873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510926402.9A Active CN105550690B (zh) | 2015-12-14 | 2015-12-14 | 一种基于Stentiford视觉模型的优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105550690B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093469A (zh) * | 2013-01-22 | 2013-05-08 | 清华大学 | 一种基于视觉模型的深度提取方法 |
CN103295206A (zh) * | 2013-06-25 | 2013-09-11 | 安科智慧城市技术(中国)有限公司 | 一种基于Retinex的微光图像增强方法和装置 |
CN104915972A (zh) * | 2014-03-13 | 2015-09-16 | 欧姆龙株式会社 | 图像处理装置、图像处理方法以及程序 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101248457B (zh) * | 2005-07-28 | 2011-07-27 | 英国电讯有限公司 | 图像分析方法 |
-
2015
- 2015-12-14 CN CN201510926402.9A patent/CN105550690B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093469A (zh) * | 2013-01-22 | 2013-05-08 | 清华大学 | 一种基于视觉模型的深度提取方法 |
CN103295206A (zh) * | 2013-06-25 | 2013-09-11 | 安科智慧城市技术(中国)有限公司 | 一种基于Retinex的微光图像增强方法和装置 |
CN104915972A (zh) * | 2014-03-13 | 2015-09-16 | 欧姆龙株式会社 | 图像处理装置、图像处理方法以及程序 |
Also Published As
Publication number | Publication date |
---|---|
CN105550690A (zh) | 2016-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Saavedra | Sketch based image retrieval using a soft computation of the histogram of edge local orientations (s-helo) | |
CN108898643B (zh) | 图像生成方法、装置与计算机可读存储介质 | |
Srivastava et al. | A review: color feature extraction methods for content based image retrieval | |
CN110413816B (zh) | 彩色草图图像搜索 | |
Sun et al. | Monte Carlo convex hull model for classification of traditional Chinese paintings | |
Casanova et al. | Texture analysis using fractal descriptors estimated by the mutual interference of color channels | |
CN113392856B (zh) | 图像伪造检测装置和方法 | |
Seidl et al. | Automated classification of petroglyphs | |
CN102629325B (zh) | 图像特征提取方法和装置及图像拷贝检测方法和*** | |
Mishra et al. | Medical image retrieval using self-organising map on texture features | |
Zhu et al. | 3D reconstruction of plant leaves for high-throughput phenotyping | |
CN114419265A (zh) | 一种基于地图图像识别的交互式地图展示方法 | |
CN104252473A (zh) | 一种图像识别方法 | |
CN108090914A (zh) | 基于统计建模与像素分类的彩色图像分割方法 | |
CN112633070A (zh) | 高分辨率遥感影像建筑物提取方法及*** | |
CN105550690B (zh) | 一种基于Stentiford视觉模型的优化方法 | |
Abubacker et al. | Attribute associated image retrieval and similarity reranking | |
Debroutelle et al. | Automatic classification of ceramic sherds with relief motifs | |
Blanc-Beyne et al. | A salience measure for 3D shape decomposition and sub-parts classification | |
Amiri et al. | Copy-move forgery detection using a bat algorithm with mutation | |
CN114581389A (zh) | 一种基于三维边缘相似度特征的点云质量分析方法 | |
Pooja | An effective image retrieval system using region and contour based features | |
Yang et al. | Importance-based approach for rough drawings | |
Liu et al. | New anti-blur and illumination-robust combined invariant for stereo vision in human belly reconstruction | |
Hassekar et al. | Experimental analysis of perceptual based texture features for image retrieval |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20191225 Address after: Room 108, floor 1, No.28, ningshuang Road, Yuhuatai District, Nanjing City, Jiangsu Province Patentee after: Nanjing fortune Health Industry Co., Ltd. Address before: Yuen Road Qixia District of Nanjing City, Jiangsu Province, No. 9 210023 Patentee before: Nanjing Post & Telecommunication Univ. |