CN107665347A - 基于滤波优化的视觉显著性目标检测方法 - Google Patents
基于滤波优化的视觉显著性目标检测方法 Download PDFInfo
- Publication number
- CN107665347A CN107665347A CN201710864816.2A CN201710864816A CN107665347A CN 107665347 A CN107665347 A CN 107665347A CN 201710864816 A CN201710864816 A CN 201710864816A CN 107665347 A CN107665347 A CN 107665347A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- region
- color
- notable
- 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.)
- Pending
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
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- 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
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于滤波优化的视觉显著性目标检测方法,该方法具体是:1)利用图像分割方法将原始图像分成若干个区域;2)利用每个区域与其他区域的颜色对比度加权和来定义该区域的显著值;3)引进空间位置信息,利用步骤2)中区域与原始图像中心的距离关系构造空间位置特征函数对该区域的显著值进行优化;4)重复步骤2)和步骤3)计算每个区域的显著值形成所需的显著图;5)应用快速导向滤波方法来优化显著图。本发明的方法解决了现有的显著性检测方法获取的显著图存在边缘和纹理信息缺失的问题。
Description
技术领域
本发明属于图像处理和计算机视觉领域,涉及一种基于滤波优化的视觉显著性目标检测方法。
背景技术
在人的视觉范围里,人眼视觉***能够快速准确的判断感兴趣的区域。近年来,研究者致力于在计算机视觉中完成快速准确的显著区域的提取,并且取得了显著的成果。图像显著性区域检测研究的目的是获得高质量的显著图,显著图反映了图像中不同区域的显著程度。利用显著图可以快速处理图像中的显著区域。基于显著图的应用领域非常广泛,比如图像检索、图像分割、目标识别、自适应的区域压缩和灵活的图像缩放等领域。
图像的显著性检测方法可以分为基于任务驱动、自上而下的方法和基于数据驱动、自下而上的方法。自上而下的方法其图像的显著特征需要一个较大规模且包含特定对象的数据集通过相关监督式学习训练得到。而自下而上的显著性检测方法主要依据底层的数据信息,从图像的特征找到感兴趣的区域。
对比度是决定一个物体能引起人注意与否的关键因素,而自上而下显著性检测模型都是通过对比度来衡量目标的显著性。
基于对比度的显著性检测可以分为两种,基于局部对比度和全局对比度的显著性检测。
基于局部对比度的方法主要是利用图像区域相对于局部领域的稀有度的特性。
参见Itti等人在论文“State-of-the-art in visual attention modeling”中提出了基于特征集成理论和中心周围(Center-surround) 原理设计的方法,使用了多种色度、强度、宽频调谐颜色和Gabor局部方向等多种特征。
参见Liu等人在论文“Learning to Detect a Salient Object”中提出了一种利用原图像生成多尺度的高斯金字塔图像,然后线程合成多尺度局部对比度的方法。
参见Ma和Zhang等人在论文“Contrast-based image attention analysis byusing fuzzy growing”中将出发点放在了图像的性质和计算机的计算水平上,并利用模糊增长理论进行扩张。
基于全局对比度的显著性检测是用一个区域和整个图像的对比度来计算显著性值。
参见Zhai和Shah在论文“Visual attention detection in video sequencesusing spatiotemporal cues”(LC方法)中提出的统计某像素与其他像素之间的亮度差异来计算显著值的方法,不足之处是仅利用亮度信息,忽略了其他特征。
参见Cheng等人再论文“Global contrast based salient region detection”(HC和RC方法)里提出的基于直方图对比度的方法和基于区域对比度的方法,主要特点是通过建立稀疏直方图加速计算与存储,同时考虑空间关系,引进空间权值来定义显著性值。此外通过频率分析进行显著性检测的方法也可以认为是基于全局对比度的方法,参见 Hou等在论文“Saliency Detection:A Spectral Residual Approach” (SR方法)里直接分析图像的对数频谱,在频域抽取图像的剩余频谱快速计算图像的显著图。
参见Achanta等人在论文“Frequency-tuned Salient Region Detection”(FT方法)里提出的频率调谐方法,使用高斯差分方法提取全分辨率的显著图,但不利于处理复杂背景下的显著性目标检测。
发明内容
为了解决现有的显著性检测方法获取的显著图存在边缘和纹理信息缺失的问题,提出一种基于滤波优化的显著性检测方法,该方法获取的显著图边缘信息保持完整,显著物体突出。
本发明采用的技术方案是:
一种基于滤波优化的显著性目标检测方法,包括以下步骤:
1)利用图像分割方法将原始图像分成若干个区域;
2)利用每个区域与其他区域的颜色对比度加权和来定义该区域的显著值;
3)引进空间位置信息,利用步骤2)中区域与原始图像中心的距离关系构造空间位置特征函数对该区域的显著值进行优化;
4)重复步骤2)和步骤3)计算每个区域的显著值形成所需的显著图;
5)应用快速导向滤波方法来优化显著图。
上述步骤2)的具体方法是:
2.1)对于每个区域的颜色空间进行量化得到一组代表性的色彩;所述量化的方法是:颜色空间包含2563种颜色,为颜色空间划分为123个子空间,每个子空间的颜色平均值作为该子空间的代表性色彩;
2.2)根据代表性色彩对应的颜色在图像区域中出现的频率,为每个区域构建一个颜色直方图;所述频率是指任意一个代表性色彩对应像素占所有输入像素个数的比例;所有频率就构成了一个直方图;
2.3)通过测量每个区域与其他区域的颜色对比度来计算区域显著性值,具体如公式(1)和(2):
其中,pk(am)为第m个颜色am在第k个区域rk的所有n1种颜色中出现的概率;
pi(aj)为第j个颜色aj在第i个区域ri的所有n2种颜色中出现的概率;
D(ak,m,ai,j)为区域rk的第m个颜色ak,m和区域ri的第j个颜色ai,j在 L*a*b空间的颜色欧式距离;
上述步骤3)的具体方法是:
位置特征函数表示为:
其中(x,y)为图像的中心位置,(xk,yk)为该区域k的质心坐标;
对任意区域rk,基于对比度和空间位置的优化后的显著值为:
λk代表区域k的权值,其代表rk区域内的像素数占原始图像总像素个数的比重。
上述步骤5)的具体方法是:
在步骤4)获取的显著图基础上利用导向滤波的羽化性能来优化显著图,把原始图像作为导向图,显著图作为滤波输入图像,最后滤波输出图即为最终的优化显著图。
本发明的有益效果是:
1、本发明通过导向滤波的羽化性能对显著图进行优化,在主观视觉上保留了显著性目标的边缘和纹理信息,同时弱化了非显著性区域。
2、本发明通过引进空间位置信息加入到了区域显著性的计算中,加强了中心区域和大区域的显著性。
3、本发明方法通过视觉显著性检测实验对比的方法,性能与其他方法在主观视觉、准确率和召回率、显著性分割三项指标对比上都获得了更好的效果。
附图说明
图1为本发明的流程图;
图2为本发明方法与现有技术的五种方法得到的显著图的视觉主观对比;
图3为本发明方法和现有技术的五种方法在MSRA-10000数据集下的PR曲线对比图;
图4为本发明方法和现有技术的在MSRA-10000数据集下的Fβ柱状对比图;
图5为显著性分割对比图。
具体实施方式
一种基于滤波优化的显著性目标检测方法,包括以下步骤:
1)利用图像分割方法(Graph-Based)将原始图像分成若干个区域;图像分割(Graph-Based)方法详细介绍参见P.Felzenszwalb等人的论文“Efficient graph-basedimage segmentation”。
2)利用每个区域与其他区域的颜色对比度加权和来定义该区域的显著值;
2.1)对于每个区域的颜色空间进行量化得到一组代表性的色彩;所述量化的方法是:颜色空间包含2563种颜色,为颜色空间划分为123个子空间,每个子空间的颜色平均值作为该子空间的代表性色彩;
2.2)根据代表性色彩对应的颜色在图像区域中出现的频率,为每个区域构建一个颜色直方图;所述频率是指任意一个代表性色彩对应像素占所有输入像素个数的比例;所有频率就构成了一个直方图;
2.3)通过测量每个区域与其他区域的颜色对比度来计算区域显著性值,具体如公式(1)和(2):
其中,pk(am)为第m个颜色am在第k个区域rk的所有n1种颜色中出现的概率;
pi(aj)为第j个颜色aj在第i个区域ri的所有n2种颜色中出现的概率;
D(ak,m,ai,j)为区域rk的第m个颜色ak,m和区域ri的第j个颜色ai,j在 L*a*b空间的颜色欧式距离;
3)引进空间位置信息,利用步骤2)中区域与原始图像中心的距离关系构造空间位置特征函数对该区域的显著值进行优化;
其中,位置特征函数表示为:
其中(x,y)为图像的中心位置,(xk,yk)为该区域k的质心坐标;
对任意区域rk,基于对比度和空间位置的优化后的显著值为:
λk代表区域k的权值,其代表rk区域内的像素数占原始图像总像素个数的比重;
4)重复步骤2)和步骤3)计算每个区域的显著值形成所需的显著图;
5)应用快速导向滤波方法来优化显著图;
在步骤4)获取的显著图基础上利用导向滤波的羽化性能来优化显著图,把原始图像作为导向图,显著图作为滤波输入图像,最后滤波输出图即为最终的优化显著图。
为了验证本发明方法的有效性,选取公开数据集MSRA-10000,此数据集包含10000幅图像,并且提供人工标注的精确显著图 (ground truth),在此数据集下与现有的五种方法作对比,现有的五种方法包括:谱残差方法(简称SR),亮度对比度方法(简称LC),频率调谐方法(简称FT),色彩直方图对比度方法(简称HC),区域对比度方法(简称RC)。图2表示本发明方法与五种方法在主观视觉上的显著图对比,可以看出本发明方法相对于其他方法不仅能够客观的反映出图像中显著性物体的特性,而且图像的边缘信息更完整和清晰,而其它非显著区域得到了相对的弱化,结果与人的主观感觉比较一致.
然后在通过PR曲线(precision-recall)评估方法的性能。PR曲线由准确率和召回率组成,公式如下:其中,Sd为检测结果中的显著对象面积;Sg为人工标注的显著对象面积,实验结果见附图3。同时选取准确率与召回率的调和平均数来检测方法的有效性:实验结果见附图4。图3,图4表明本发明方法进行分割得到的精确率和召回率上要明显优于其他5种算法, 而且观察曲线的左上端,本发明方法的最小召回值比其他算法高, 说明显著性图更加平滑,且包含更多显著值为255的像素,这也验证了本发明方法的有效性。
最后为了对比本发明方法在其应用上的有效性,图5表示通过显著图获取的图像二值化分割结果与RC方法和groundtruth的对比结果。图5可以看出本发明方法取得了非常好的分割效果,相对与RC 方法有明显的优势,且更加接近基准的groundtruth(人工标注图) 图像。
Claims (4)
1.一种基于滤波优化的视觉显著性目标检测方法,其特征在于,包括以下步骤:
1)利用图像分割方法将原始图像分成若干个区域;
2)利用每个区域与其他区域的颜色对比度加权和来定义该区域的显著值;
3)引进空间位置信息,利用步骤2)中区域与原始图像中心的距离关系构造空间位置特征函数对该区域的显著值进行优化;
4)重复步骤2)和步骤3)计算每个区域的显著值形成所需的显著图;
5)应用快速导向滤波方法来优化显著图。
2.根据权利要求1所述的基于滤波优化的视觉显著性目标检测方法,其特征在于:所述步骤2)的具体方法是:
2.1)对于每个区域的颜色空间进行量化得到一组代表性的色彩;所述量化的方法是:颜色空间包含2563种颜色,为颜色空间划分为123个子空间,每个子空间的颜色平均值作为该子空间的代表性色彩;
2.2)根据代表性色彩对应的颜色在图像区域中出现的频率,为每个区域构建一个颜色直方图;所述频率是指任意一个代表性色彩对应像素占所有输入像素个数的比例;所有频率就构成了一个直方图;
2.3)通过测量每个区域与其他区域的颜色对比度来计算区域显著性值,具体如公式(1)和(2):
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<mrow>
<mi>k</mi>
<mo>&NotEqual;</mo>
<mi>i</mi>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>D</mi>
<mi>r</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>D</mi>
<mi>r</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>n</mi>
<mn>1</mn>
</mrow>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>n</mi>
<mn>2</mn>
</mrow>
</munderover>
<msub>
<mi>p</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>a</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>a</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>D</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>a</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
<mo>,</mo>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,pk(am)为第m个颜色am在第k个区域rk的所有n1种颜色中出现的概率;
pi(aj)为第j个颜色aj在第i个区域ri的所有n2种颜色中出现的概率;
D(ak,m,ai,j)为区域rk的第m个颜色ak,m和区域ri的第j个颜色ai,j在L*a*b空间的颜色欧式距离。
3.根据权利要求1所述的基于滤波优化的视觉显著性目标检测方法,其特征在于:所述步骤3)的具体方法是:
位置特征函数表示为:
<mrow>
<msub>
<mi>L</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mi>x</mi>
</mfrac>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>y</mi>
<mi>k</mi>
</msub>
<mi>y</mi>
</mfrac>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中(x,y)为图像的中心位置,(xk,yk)为该区域k的质心坐标;
对任意区域rk,基于对比度和空间位置的优化后的显著值为:
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>L</mi>
<mi>k</mi>
</msub>
<msub>
<mi>&lambda;</mi>
<mi>k</mi>
</msub>
<munderover>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<mrow>
<mi>k</mi>
<mo>&NotEqual;</mo>
<mi>i</mi>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>D</mi>
<mi>r</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
λk代表区域k的权值,其代表rk区域内的像素数占原始图像总像素个数的比重。
4.根据权利要求1所述的基于滤波优化的视觉显著性目标检测方法,其特征在于:所述步骤5)的具体方法是:
在步骤4)获取的显著图基础上利用导向滤波的羽化性能来优化显著图,把原始图像作为导向图,显著图作为滤波输入图像,最后滤波输出图即为最终的优化显著图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710864816.2A CN107665347A (zh) | 2017-09-22 | 2017-09-22 | 基于滤波优化的视觉显著性目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710864816.2A CN107665347A (zh) | 2017-09-22 | 2017-09-22 | 基于滤波优化的视觉显著性目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107665347A true CN107665347A (zh) | 2018-02-06 |
Family
ID=61097536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710864816.2A Pending CN107665347A (zh) | 2017-09-22 | 2017-09-22 | 基于滤波优化的视觉显著性目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107665347A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110375665A (zh) * | 2019-04-17 | 2019-10-25 | 合肥嘉东光学股份有限公司 | Ccd影像测量仪对透明光学结构件轮廓线识别方法 |
CN110991547A (zh) * | 2019-12-12 | 2020-04-10 | 电子科技大学 | 一种基于多特征最优融合的图像显著性检测方法 |
CN111080574A (zh) * | 2019-11-19 | 2020-04-28 | 天津工业大学 | 一种基于信息熵和视觉注意机制的织物疵点检测方法 |
CN113469976A (zh) * | 2021-07-06 | 2021-10-01 | 浙江大华技术股份有限公司 | 一种对象检测的方法、装置及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103384340A (zh) * | 2013-06-28 | 2013-11-06 | 中南大学 | 一种从单幅2d图像获取3d成像图像的方法 |
WO2015124795A1 (en) * | 2014-02-24 | 2015-08-27 | UNIVERSITE DE STRASBOURG (Etablissement Public National à Caractère Scientifique, Culturel et Professionnel) | Automatic multimodal real-time tracking of a moving marker for image plane alignment inside a mri scanner |
CN105469407A (zh) * | 2015-11-30 | 2016-04-06 | 华南理工大学 | 一种基于改进的引导滤波器的人脸图像图层分解方法 |
-
2017
- 2017-09-22 CN CN201710864816.2A patent/CN107665347A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103384340A (zh) * | 2013-06-28 | 2013-11-06 | 中南大学 | 一种从单幅2d图像获取3d成像图像的方法 |
WO2015124795A1 (en) * | 2014-02-24 | 2015-08-27 | UNIVERSITE DE STRASBOURG (Etablissement Public National à Caractère Scientifique, Culturel et Professionnel) | Automatic multimodal real-time tracking of a moving marker for image plane alignment inside a mri scanner |
CN105469407A (zh) * | 2015-11-30 | 2016-04-06 | 华南理工大学 | 一种基于改进的引导滤波器的人脸图像图层分解方法 |
Non-Patent Citations (3)
Title |
---|
MING-MING CHENG ET AL.: "Global Contrast based Salient Region Detection", 《CVPR》 * |
张文杰 等: "基于对比度与空间位置特征的显著性区域检测", 《吉林大学学报(工学版)》 * |
高美凤 等: "基于SLIC超像素的全局对比度显著性区域检测", 《仪表技术与传感器》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110375665A (zh) * | 2019-04-17 | 2019-10-25 | 合肥嘉东光学股份有限公司 | Ccd影像测量仪对透明光学结构件轮廓线识别方法 |
CN111080574A (zh) * | 2019-11-19 | 2020-04-28 | 天津工业大学 | 一种基于信息熵和视觉注意机制的织物疵点检测方法 |
CN110991547A (zh) * | 2019-12-12 | 2020-04-10 | 电子科技大学 | 一种基于多特征最优融合的图像显著性检测方法 |
CN113469976A (zh) * | 2021-07-06 | 2021-10-01 | 浙江大华技术股份有限公司 | 一种对象检测的方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105869173B (zh) | 一种立体视觉显著性检测方法 | |
CN102567731B (zh) | 一种感兴趣区域提取方法 | |
EP3614308A1 (en) | Joint deep learning for land cover and land use classification | |
Guo et al. | Mining parameter information for building extraction and change detection with very high-resolution imagery and GIS data | |
CN104966085B (zh) | 一种基于多显著特征融合的遥感图像感兴趣区域检测方法 | |
CN104408429B (zh) | 一种视频代表帧提取方法及装置 | |
CN102496023B (zh) | 像素层面的感兴趣区域提取方法 | |
Zhang et al. | Saliency detection based on self-adaptive multiple feature fusion for remote sensing images | |
CN108596108B (zh) | 基于三元组语义关系学习的航拍遥感图像变化检测方法 | |
CN103617618B (zh) | 基于特征提取与聚类集成的sar图像分割方法 | |
CN107229917A (zh) | 一种基于迭代聚类的多幅遥感影像共性显著目标检测方法 | |
CN107665347A (zh) | 基于滤波优化的视觉显著性目标检测方法 | |
CN108960404B (zh) | 一种基于图像的人群计数方法及设备 | |
CN107358258A (zh) | 基于nsct双cnn通道和选择性注意机制的sar图像目标分类 | |
CN104299232B (zh) | 一种基于自适应窗方向波域和改进fcm的sar图像分割方法 | |
CN103996195A (zh) | 一种图像显著性检测方法 | |
CN111639587B (zh) | 基于多尺度谱空卷积神经网络的高光谱图像分类方法 | |
CN103198479A (zh) | 基于语义信息分类的sar图像分割方法 | |
CN103984946A (zh) | 一种基于K-means的高分辨率遥感地图道路提取方法 | |
CN107341813A (zh) | 基于结构学习和素描特性推理网络的sar图像分割方法 | |
Yuan et al. | Learning to count buildings in diverse aerial scenes | |
CN101587189B (zh) | 用于合成孔径雷达图像的纹理基元特征提取方法 | |
CN104966285A (zh) | 一种显著性区域的检测方法 | |
Xiao et al. | Segmentation of multispectral high-resolution satellite imagery using log Gabor filters | |
CN107038416A (zh) | 一种基于二值图像改进型hog特征的行人检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180206 |
|
RJ01 | Rejection of invention patent application after publication |