CN109522909B - 一种基于空间、颜色和中央偏置先验的概率超图构造方法 - Google Patents
一种基于空间、颜色和中央偏置先验的概率超图构造方法 Download PDFInfo
- Publication number
- CN109522909B CN109522909B CN201811418915.9A CN201811418915A CN109522909B CN 109522909 B CN109522909 B CN 109522909B CN 201811418915 A CN201811418915 A CN 201811418915A CN 109522909 B CN109522909 B CN 109522909B
- Authority
- CN
- China
- Prior art keywords
- vertex
- edge
- color
- super
- image
- 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
Images
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
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
- G06V10/426—Graphical representations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于空间、颜色和中央偏置先验的概率超图构造方法,包括:将输入图像过分割成多个图像区域,计算各图像区域的特征,并将各个图像区域定义为概率超图的顶点;基于空间先验为每个顶点构造一条空间超边,基于颜色先验为每个顶点构造一条颜色超边,基于中央偏置先验为每个位于图像边缘的顶点构造一条中央偏置超边,超边中各顶点属于超边的概率等于顶点与质心点的特征相似度;超图中的超边是三种超边的集合,将超边权重定义为超边中各顶点属于超边概率的平方和。本发明充分考虑空间先验、颜色先验和中央偏置先验构造概率超图,能够有效描述复杂自然场景图像中各图像区域之间的复杂关系,有助于在复杂自然场景图像中进行显著目标检测。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于空间、颜色和中央偏置先验的概率超图构造方法。
背景技术
近些年,一些研究人员提出基于图的方法来对图像进行处理。这些方法用描述两两顶点之间二元关系的简单图来描述输入的图像。在一个简单图中,图像区域被定义为图的顶点,两个相近的图像区域进行相连作为图的边,而边权定义为顶点之间的相似度。简单图能够简洁方便地描述图像中包含的信息,在图像处理领域取得了一定的成果。
然而,使用简单图来描述图像区域之间的二元关系并不能描述出输入图像中的所有关键信息。除了图像区域之间的二元关系之外,多个图像区域之间的多元关系也非常重要。而超图能够很好地描述多个图像区域之间的多元关系。在超图当中,超边可以包含两个或两个以上的顶点,能够描述多个顶点之间的关系。但现有超图相关研究较少,尚不能描述复杂自然场景图像包含的关键信息。
发明内容
为解决上述问题,本发明提供一种基于空间、颜色和中央偏置先验的概率超图构造方法,基于空间先验、颜色先验和中央偏置等三种图像先验知识构造概率超图,使之能够有效描述复杂自然场景图像包含的关键信息。
为了达到上述目的,本发明提供如下技术方案:
一种基于空间、颜色和中央偏置先验的概率超图构造方法,包括如下步骤:
S1:将输入图像过分割成多个图像区域,计算各个图像区域的特征,并将各个图像区域定义为概率超图的顶点;
S2:基于空间先验,为每个顶点构造一条空间超边,这条空间超边以该顶点为质心点,包含该顶点以及与该顶点在空间上共享边的邻居顶点,超边中各顶点属于超边的概率等于顶点与质心点的特征相似度;
S3:基于颜色先验,为每个顶点构造一条颜色超边,这条颜色超边以该顶点为质心点,包含该顶点以及与其颜色相似的顶点,超边中各顶点属于超边的概率等于顶点与质心点的特征相似度;
S4:基于中央偏置先验,为每个位于图像边缘的顶点构造一条中央偏置超边,这条中央偏置超边以该顶点为质心点,包含该顶点和其余所有位于图像边缘的顶点,超边中各顶点属于超边的概率等于顶点与质心点的特征相似度;
S5:超图中的超边是步骤S2、步骤S3和步骤S4中所定义的三种超边的集合,将超边的权重定义为超边中各顶点属于超边概率的平方和。
进一步的,所述步骤S1中,使用Simple Linear Iterative Clustering算法将输入图像过分割成若干个图像区域,将这些图像区域定义为概率超图的顶点。
进一步的,所述步骤S1中分割成200个图像区域,用Vi代表概率超图的顶点,i是对应顶点的下标,1≤i≤200。
进一步的,所述步骤S1中,各个图像区域的颜色特征定义为该图像区域中各像素点颜色特征的平均值。
进一步的,所述步骤S2中,特征相似度通过如下公式计算:
其中,Vi和Vj是两个顶点,,ESi是以顶点Vi为质心点的空间超边,p(Vj|ESi)为顶点Vj属于该超边ESi的概率,F(Vi)和F(Vj)分别是顶点Vi和顶点Vj的特征,||F(Vi)-F(Vj)||计算的是两个顶点间特征的欧几里得距离,尺度参数σ2是控制特征距离对特征相似度影响的一个常数。
进一步的,所述尺度参数σ2设置为0.1,顶点的特征F(Vi)使用CIELab颜色特征。
进一步的,所述步骤S3中,颜色相似的顶点是指两个顶点的CIELab颜色特征的欧几里得距离小于0.1。
进一步的,所述步骤S5中,超边的权重定义为如下公式:
其中,Ej为超边,W(Ej)为超边的权重,Vi为顶点,Ej={ESj,ECj,EBj},ESj为空间超边,ECj为颜色超边,EBj为中央偏置超边。
与现有技术相比,本发明具有如下优点和有益效果:
本发明充分利用图像的三种先验知识:空间先验、颜色先验和中央偏置先验,来构造概率超图,使之能够有效描述复杂自然场景图像中多个图像区域之间的复杂关系,从而有助于在复杂自然场景图像中进行显著目标检测。
附图说明
图1为本发明提供的基于空间、颜色和中央偏置先验的概率超图构造方法流程图。
具体实施方式
以下将结合具体实施例对本发明提供的技术方案进行详细说明,应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
本发明提供的基于空间、颜色和中央偏置先验的概率超图构造方法,其流程如图1所示,依次包括以下步骤:
S1:使用现有的Simple LinearIterative Clustering(SLIC)算法将输入图像过分割成200个图像区域,将这些图像区域定义为概率超图的顶点。用Vi代表概率超图的顶点,i是对应顶点的下标,1≤i≤200。计算各个图像区域的颜色特征,各个图像区域的颜色特征定义为该图像区域中各像素点颜色特征的平均值。
S2:基于空间先验,为每个顶点Vi构造一条空间超边ESi,这条空间超边以该顶点为质心点,包含该顶点以及与该顶点在空间上共享边的邻居顶点。图1针对空间先验给出了两种示例,其一为顶点位于图像中部,不位于图像边缘,其二为顶点位于图像边缘。
超边中各顶点属于超边的概率等于顶点与质心点的特征相似度:如果顶点Vj属于以顶点Vi为质心点的空间超边ESi,即Vj∈ESi,那么顶点Vj属于该超边ESi的概率p(Vj|ESi)定义为顶点Vj和顶点Vi的特征相似度。
公式中F(Vi)和F(Vj)分别是顶点Vi和顶点Vj的特征,||F(Vi)-F(Vj)||计算的是两个顶点间特征的欧几里得距离,尺度参数σ2是控制特征距离对特征相似度影响的一个常数,设置为0.1。本发明中,顶点的特征使用CIELab颜色特征,即根据顶点的CIELab特征计算特征相似度。
S3:基于颜色先验为每个顶点Vi构造一条颜色超边ECi:这条颜色超边以该顶点为质心点,包含该顶点以及与其颜色相似的顶点。如果两个顶点的CIELab颜色特征的欧几里得距离小于0.1,则互为颜色相似的顶点。根据顶点与超边质心点的特征相似度计算超边中各顶点属于超边的概率(同步骤S2中计算公式)。图1针对颜色先验给出了两种示例,其一为顶点Vi位于图像中部,不位于图像边缘,其二为顶点Vi位于图像边缘。
S4:基于中央偏置先验,为每个位于图像边缘的顶点Vi构造一条中央偏置超边EBi:这条中央偏置超边以该顶点为质心点,包含该顶点和其余所有位于图像边缘的顶点。根据顶点与超边质心点的特征相似度计算超边中各顶点属于超边的概率(同步骤S2中计算公式)。图1针对中央偏置先验给出了一种示例,为顶点Vi位于图像边缘,不位于图像边缘的顶点没有对应的中央偏置超边。
S5:超图中的超边E是步骤S2、步骤S3和步骤S4中所定义的三种超边的集合,即E={ES,EC,EB};将某条超边Ej的权重W(Ej)定义为超边中各顶点属于该超边的概率的平方和。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段,还包括由以上技术特征任意组合所组成的技术方案。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (7)
1.一种基于空间、颜色和中央偏置先验的概率超图构造方法,其特征在于,包括如下步骤:
S1:将输入图像过分割成多个图像区域,计算各个图像区域的特征,并将各个图像区域定义为概率超图的顶点;
S2:基于空间先验,为每个顶点构造一条空间超边,这条空间超边以该顶点为质心点,包含该顶点以及与该顶点在空间上共享边的邻居顶点,超边中各顶点属于超边的概率等于顶点与质心点的特征相似度;
S3:基于颜色先验,为每个顶点构造一条颜色超边,这条颜色超边以该顶点为质心点,包含该顶点以及与其颜色相似的顶点,超边中各顶点属于超边的概率等于顶点与质心点的特征相似度;
S4:基于中央偏置先验,仅为每个位于图像边缘的顶点构造一条中央偏置超边,不位于图像边缘的顶点没有对应的中央偏置超边,这条中央偏置超边以该顶点为质心点,包含该顶点和其余所有位于图像边缘的顶点,超边中各顶点属于超边的概率等于顶点与质心点的特征相似度;
S5:超图中的超边是步骤S2、步骤S3和步骤S4中所定义的三种超边的集合,将超边的权重定义为超边中各顶点属于超边概率的平方和,超边的权重定义为如下公式:
其中,Ej为超边,W(Ej)为超边的权重,Vi为顶点,Ej={ESj,ECj,EBj},ESj为空间超边,ECj为颜色超边,EBj为中央偏置超边。
2.根据权利要求1所述的基于空间、颜色和中央偏置先验的概率超图构造方法,其特征在于,所述步骤S1中,使用Simple Linear Iterative Clustering算法将输入图像过分割成若干个图像区域,将这些图像区域定义为概率超图的顶点。
3.根据权利要求2所述的基于空间、颜色和中央偏置先验的概率超图构造方法,其特征在于,所述步骤S1中分割成200个图像区域,用Vi代表概率超图的顶点,i是对应顶点的下标,1≤i≤200。
4.根据权利要求1所述的基于空间、颜色和中央偏置先验的概率超图构造方法,其特征在于,所述步骤S1中,各个图像区域的颜色特征定义为该图像区域中各像素点颜色特征的平均值。
6.根据权利要求5所述的基于空间、颜色和中央偏置先验的概率超图构造方法,其特征在于,所述尺度参数σ2设置为0.1,顶点的特征F(Vi)使用CIELab颜色特征。
7.根据权利要求1所述的基于空间、颜色和中央偏置先验的概率超图构造方法,其特征在于,所述步骤S3中,颜色相似的顶点是指两个顶点的CIELab颜色特征的欧几里得距离小于0.1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811418915.9A CN109522909B (zh) | 2018-11-26 | 2018-11-26 | 一种基于空间、颜色和中央偏置先验的概率超图构造方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811418915.9A CN109522909B (zh) | 2018-11-26 | 2018-11-26 | 一种基于空间、颜色和中央偏置先验的概率超图构造方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109522909A CN109522909A (zh) | 2019-03-26 |
CN109522909B true CN109522909B (zh) | 2022-03-11 |
Family
ID=65793443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811418915.9A Active CN109522909B (zh) | 2018-11-26 | 2018-11-26 | 一种基于空间、颜色和中央偏置先验的概率超图构造方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109522909B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793925A (zh) * | 2014-02-24 | 2014-05-14 | 北京工业大学 | 融合时空特征的视频图像视觉显著程度检测方法 |
CN105913463A (zh) * | 2016-04-11 | 2016-08-31 | 中南大学 | 一种基于位置先验的纹理-颜色特征全局显著性检测方法 |
CN107256412A (zh) * | 2017-05-26 | 2017-10-17 | 东南大学 | 一种基于多人眼感知分组特性的图构造方法 |
CN108022244A (zh) * | 2017-11-30 | 2018-05-11 | 东南大学 | 一种基于前景和背景种子用于显著目标检测的超图优化方法 |
CN108052939A (zh) * | 2017-11-30 | 2018-05-18 | 东南大学 | 一种基于多图优化和稀有特性的显著目标检测方法 |
CN108537816A (zh) * | 2018-04-17 | 2018-09-14 | 福州大学 | 一种基于超像素和背景连接先验的显著物体分割方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3333771A1 (en) * | 2016-12-09 | 2018-06-13 | Fujitsu Limited | Method, program, and apparatus for comparing data hypergraphs |
-
2018
- 2018-11-26 CN CN201811418915.9A patent/CN109522909B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793925A (zh) * | 2014-02-24 | 2014-05-14 | 北京工业大学 | 融合时空特征的视频图像视觉显著程度检测方法 |
CN105913463A (zh) * | 2016-04-11 | 2016-08-31 | 中南大学 | 一种基于位置先验的纹理-颜色特征全局显著性检测方法 |
CN107256412A (zh) * | 2017-05-26 | 2017-10-17 | 东南大学 | 一种基于多人眼感知分组特性的图构造方法 |
CN108022244A (zh) * | 2017-11-30 | 2018-05-11 | 东南大学 | 一种基于前景和背景种子用于显著目标检测的超图优化方法 |
CN108052939A (zh) * | 2017-11-30 | 2018-05-18 | 东南大学 | 一种基于多图优化和稀有特性的显著目标检测方法 |
CN108537816A (zh) * | 2018-04-17 | 2018-09-14 | 福州大学 | 一种基于超像素和背景连接先验的显著物体分割方法 |
Non-Patent Citations (2)
Title |
---|
A novel graph-based optimization framework for salient object detection;Jinxia Zhang;《Pattern Recognition》;20161022;全文 * |
基于超像素的交互式图像分割方法研究;郭千文;《中国优秀硕士学位论文全文数据库信息科技辑》;20180415;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109522909A (zh) | 2019-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106997597B (zh) | 一种基于有监督显著性检测的目标跟踪方法 | |
Zhao et al. | FLIC: Fast linear iterative clustering with active search | |
CN108629783B (zh) | 基于图像特征密度峰值搜索的图像分割方法、***及介质 | |
CN105787948B (zh) | 一种基于多变形分辨率的快速图像分割方法 | |
CN111583279A (zh) | 一种基于pcba的超像素图像分割方法 | |
CN107392968A (zh) | 融合颜色对比图和颜色空间分布图的图像显著性检测方法 | |
CN103218833A (zh) | 边缘加强型的彩色空间最稳极值区域检测方法 | |
CN111460966B (zh) | 基于度量学习和近邻增强的高光谱遥感图像分类方法 | |
CN111047603A (zh) | 一种基于新型马尔可夫随机场和区域合并的航拍图像混合分割算法 | |
Zhou et al. | Superpixels by bilateral geodesic distance | |
CN107610137A (zh) | 一种高分辨率遥感影像最优分割方法 | |
CN113409332B (zh) | 一种基于三维点云的建筑物平面分割方法 | |
CN103164487B (zh) | 一种基于密度与几何信息的数据聚类方法 | |
Merkurjev | A fast graph-based data classification method with applications to 3D sensory data in the form of point clouds | |
CN109522909B (zh) | 一种基于空间、颜色和中央偏置先验的概率超图构造方法 | |
CN111340741B (zh) | 基于四元数与l1范数的粒子群优化灰度图像增强方法 | |
CN110111353B (zh) | 基于马尔可夫背景与前景吸收链的图像显著性检测方法 | |
CN106651864B (zh) | 一种面向高分辨率遥感图像的分割方法 | |
CN107492101B (zh) | 基于自适应构造最优图的多模态鼻咽肿瘤分割算法 | |
Wang et al. | Adaptive hypergraph superpixels | |
CN109522813B (zh) | 一种基于行人显著特征的改进随机游走算法 | |
Dong et al. | Superpixel generation by agglomerative clustering with quadratic error minimization | |
CN110084752B (zh) | 一种基于边缘方向和k均值聚类的图像超分辨重建方法 | |
Wu et al. | Unsupervised change detection of remote sensing images based on SURF and SVM | |
CN111242960A (zh) | 基于复杂网络理论的图像分割方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |