国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      一種基于梯度方向直方圖的判決式視覺顯著性檢測(cè)方法

      文檔序號(hào):6497234閱讀:574來源:國知局

      專利名稱::一種基于梯度方向直方圖的判決式視覺顯著性檢測(cè)方法
      技術(shù)領(lǐng)域
      :本發(fā)明屬于計(jì)算機(jī)視覺領(lǐng)域,具體涉及一種基于梯度方向直方圖的判決式中央-周圍視覺顯著性檢測(cè)方法。
      背景技術(shù)
      :視覺顯著性在視覺選擇性注意機(jī)制中扮演著重要角色,受生物視覺系統(tǒng)啟發(fā),視覺顯著性計(jì)算模型為降低計(jì)算機(jī)視覺處理的計(jì)算復(fù)雜度提供了一種快速且有效的方法,已廣泛應(yīng)用于機(jī)器視覺、圖像處理、智能機(jī)器人等領(lǐng)域。目前,大多數(shù)視覺顯著性模型都是基于空間(自下而上)或基于物體(自上而下)的過程。前者基于特征整合理論和中央-周圍假設(shè),其代表性工作是L.Itti等人提出的計(jì)算模型。在他們模型中,輸入圖像分解為多個(gè)獨(dú)立的特征空間,如亮度、顏色、方向等,分別提取每個(gè)特征空間的顯著圖,然后采用線性整合方式將各特征空間的顯著圖合成為最終的顯著圖?;谖矬w的過程是一個(gè)目標(biāo)導(dǎo)向的顯著性分析過程,它需要相關(guān)目標(biāo)/任務(wù)的先驗(yàn)知識(shí),可實(shí)現(xiàn)有效和精確的視覺搜索,但其計(jì)算代價(jià)較高?,F(xiàn)有技術(shù)中已提出了自下而上和自上而下的整合方法。但上述這些方法都存在共同明顯缺點(diǎn)分辨率低,提取的物體輪廓不全,以及高計(jì)算復(fù)雜度。為此,近期提出了一些簡(jiǎn)單而有效地顯著性模型。R.Achanta等人提出一種基于亮度和顏色特征的快速顯著性區(qū)域檢測(cè)方法。該方法可生成與輸入圖像相同大小的高質(zhì)量顯著圖。R.Achanta等人2009年又提出一種更高精度的基于頻域的顯著區(qū)域檢測(cè)算子。V.Gopalakrishnan等人提出一種基于彩色和方向分布的顯著性區(qū)域檢測(cè)框架。他們提出一種圖像區(qū)域的方向直方圖用于描述局部和全局方向。D.Gao等人提出一種判決式顯著檢測(cè)算子,該方法是對(duì)生物感知過程的決策性理論解釋,并可獲得在分類意義上的最優(yōu)顯著性測(cè)量。在頻域中,Q.Zhang等人將局部顯著性,全局顯著性和特例顯著性整合在一個(gè)框架中。不同于生物啟發(fā)的顯著性模型,這些模型通常只是一種純計(jì)算模型,雖然受中央-周圍差異的生物概念啟發(fā),但并沒有基于任何生物模型。
      發(fā)明內(nèi)容本發(fā)明針對(duì)現(xiàn)有技術(shù)的不足,提供了一種基于梯度方向直方圖的判決式視覺顯著性檢測(cè)方法。本發(fā)明方法的具體步驟如下步驟(1)采用彩色變換方法,提取原始圖像在CIELAB空間的1彩色分量圖、a彩色分量圖和b彩色分量圖;所述的彩色變換方法為成熟技術(shù)。步驟(2)利用中央-周圍計(jì)算結(jié)構(gòu)中的取樣點(diǎn)統(tǒng)計(jì)1彩色分量圖、a彩色分量圖和b彩色分量圖中每個(gè)像素點(diǎn)的局部梯度方向直方圖;所述的中央-周圍計(jì)算結(jié)構(gòu)為以待統(tǒng)計(jì)的像素點(diǎn)中心,構(gòu)成三個(gè)不同半徑的同心圓環(huán)形結(jié)構(gòu)。所述的取樣點(diǎn)位于上述不同半徑的同心圓環(huán)上,每個(gè)同心圓環(huán)上按45°等4角度間隔提取八個(gè)取樣點(diǎn);同一半徑上的取樣點(diǎn)具有相同的高斯尺度值,不同一半徑上的取樣點(diǎn)高斯尺度值不同。所述的統(tǒng)計(jì)方法具體為首先采用Daisy特征描述符提取方法,提取Daisy描述符D(U(I,Vtl),對(duì)于像素點(diǎn)(u0,ν0),其Daisy描述符D(u0,v0)表示為權(quán)利要求一種基于梯度方向直方圖的判決式視覺顯著性檢測(cè)方法,其特征在于該方法包括如下步驟步驟(1)采用彩色變換方法,提取原始圖像在CIELAB空間的l彩色分量圖、a彩色分量圖和b彩色分量圖;步驟(2)利用中央周圍計(jì)算結(jié)構(gòu)中的取樣點(diǎn)統(tǒng)計(jì)l彩色分量圖、a彩色分量圖和b彩色分量圖中每個(gè)像素點(diǎn)的局部梯度方向直方圖;所述的中央周圍計(jì)算結(jié)構(gòu)為以待統(tǒng)計(jì)的像素點(diǎn)中心,構(gòu)成三個(gè)不同半徑的同心圓環(huán)形結(jié)構(gòu);所述的取樣點(diǎn)位于上述不同半徑的同心圓環(huán)上,每個(gè)同心圓環(huán)上按45°等角度間隔提取八個(gè)取樣點(diǎn);同一半徑上的取樣點(diǎn)具有相同的高斯尺度值,不同一半徑上的取樣點(diǎn)高斯尺度值不同;所述的統(tǒng)計(jì)方法具體為首先采用Daisy特征描述符提取方法,提取Daisy描述符D(u0,v0),對(duì)于像素點(diǎn)(u0,v0),其Daisy描述符D(u0,v0)表示為<mrow><mi>D</mi><mrow><mo>(</mo><msub><mi>u</mi><mn>0</mn></msub><mo>,</mo><msub><mi>v</mi><mn>0</mn></msub><mo>)</mo></mrow><mo>=</mo><msup><mfencedopen='['close=']'><mtable><mtr><mtd><msubsup><mi>H</mi><mn>1</mn><mi>T</mi></msubsup><mrow><mo>(</mo><msub><mi>u</mi><mn>0</mn></msub><mo>,</mo><msub><mi>v</mi><mn>0</mn></msub><mo>)</mo></mrow><mo>,</mo></mtd></mtr><mtr><mtd><msubsup><mi>H</mi><mn>1</mn><mi>T</mi></msubsup><mrow><mo>(</mo><msub><mi>l</mi><mn>1</mn></msub><mrow><mo>(</mo><msub><mi>u</mi><mn>0</mn></msub><mo>,</mo><msub><mi>v</mi><mn>0</mn></msub><mo>,</mo><msub><mi>r</mi><mn>1</mn></msub><mo>)</mo></mrow><mo>)</mo></mrow><mo>,</mo><mo>&CenterDot;</mo><mo>&CenterDot;</mo><mo>&CenterDot;</mo><mo>,</mo><msubsup><mi>H</mi><mn>1</mn><mi>T</mi></msubsup><mrow><mo>(</mo><msub><mi>l</mi><mn>8</mn></msub><mrow><mo>(</mo><msub><mi>u</mi><mn>0</mn></msub><mo>,</mo><msub><mi>v</mi><mn>0</mn></msub><mo>,</mo><msub><mi>r</mi><mn>1</mn></msub><mo>)</mo></mrow><mo>)</mo></mrow><mo>,</mo></mtd></mtr><mtr><mtd><msubsup><mi>H</mi><mn>2</mn><mi>T</mi></msubsup><mrow><mo>(</mo><msub><mi>l</mi><mn>1</mn></msub><mrow><mo>(</mo><msub><mi>u</mi><mn>0</mn></msub><mo>,</mo><msub><mi>v</mi><mn>0</mn></msub><mo>,</mo><msub><mi>r</mi><mn>2</mn></msub><mo>)</mo></mrow><mo>)</mo></mrow><mo>,</mo><mo>&CenterDot;</mo><mo>&CenterDot;</mo><mo>&CenterDot;</mo><mo>,</mo><msubsup><mi>H</mi><mn>2</mn><mi>T</mi></msubsup><mrow><mo>(</mo><msub><mi>l</mi><mn>8</mn></msub><mrow><mo>(</mo><msub><mi>u</mi><mn>0</mn></msub><mo>,</mo><msub><mi>v</mi><mn>0</mn></msub><mo>,</mo><msub><mi>r</mi><mn>2</mn></msub><mo>)</mo></mrow><mo>)</mo></mrow><mo>,</mo></mtd></mtr><mtr><mtd><msubsup><mi>H</mi><mn>3</mn><mi>T</mi></msubsup><mrow><mo>(</mo><msub><mi>l</mi><mn>1</mn></msub><mrow><mo>(</mo><msub><mi>u</mi><mn>0</mn></msub><mo>,</mo><msub><mi>v</mi><mn>0</mn></msub><mo>,</mo><msub><mi>r</mi><mn>3</mn></msub><mo>)</mo></mrow><mo>)</mo></mrow><mo>,</mo><mo>&CenterDot;</mo><mo>&CenterDot;</mo><mo>&CenterDot;</mo><mo>,</mo><msubsup><mi>H</mi><mn>3</mn><mi>T</mi></msubsup><mrow><mo>(</mo><msub><mi>l</mi><mn>8</mn></msub><mrow><mo>(</mo><msub><mi>u</mi><mn>0</mn></msub><mo>,</mo><msub><mi>v</mi><mn>0</mn></msub><mo>,</mo><msub><mi>r</mi><mn>3</mn></msub><mo>)</mo></mrow><mo>)</mo></mrow></mtd></mtr></mtable></mfenced><mi>T</mi></msup></mrow>其中表示像素點(diǎn)(u0,v0)的梯度方向直方圖,lm(u0,v0,rn)表示中央周圍計(jì)算結(jié)構(gòu)中第n個(gè)同心圓環(huán)上第m個(gè)取樣點(diǎn)的坐標(biāo),Hn(lm(u0,v0,rn))表示中央周圍計(jì)算結(jié)構(gòu)中第n個(gè)同心圓環(huán)上第m個(gè)取樣點(diǎn)的梯度方向直方圖,每個(gè)梯度方向直方圖的統(tǒng)計(jì)過程中都是將梯度方向從0°到360°均勻量化到八個(gè)等角度范圍區(qū)間,m=1,2,...,8,n=1,2,3;然后將Daisy描述符D(u0,v0)中各梯度方向值,按相同梯度方向重新排列,由此中央周圍計(jì)算結(jié)構(gòu)的局部顯著性描述符定義為L(u0,v0)<mrow><mi>L</mi><mrow><mo>(</mo><msub><mi>u</mi><mn>0</mn></msub><mo>,</mo><msub><mi>v</mi><mn>0</mn></msub><mo>)</mo></mrow><mo>=</mo><msup><mrow><mo>[</mo><msubsup><mi>&eta;</mi><mn>1</mn><mi>T</mi></msubsup><mo>,</mo><msubsup><mi>&eta;</mi><mn>2</mn><mi>T</mi></msubsup><mo>,</mo><mo>&CenterDot;</mo><mo>&CenterDot;</mo><mo>&CenterDot;</mo><mo>,</mo><msubsup><mi>&eta;</mi><mi>k</mi><mi>T</mi></msubsup><mo>,</mo><mo>&CenterDot;</mo><mo>&CenterDot;</mo><mo>&CenterDot;</mo><mo>,</mo><msubsup><mi>&eta;</mi><mn>8</mn><mi>T</mi></msubsup><mo>]</mo></mrow><mi>T</mi></msup><mo>,</mo></mrow>k=1,2,....,8其中<mrow><msub><mi>&eta;</mi><mi>k</mi></msub><mo>=</mo><msup><mfencedopen='['close=']'><mtable><mtr><mtd><msub><mi>h</mi><mn>1</mn></msub><mrow><mo>(</mo><msub><mi>u</mi><mn>0</mn></msub><mo>,</mo><msub><mi>v</mi><mn>0</mn></msub><mo>,</mo><msub><mi>&theta;</mi><mi>k</mi></msub><mo>)</mo></mrow><mo>,</mo></mtd></mtr><mtr><mtd><msub><mi>h</mi><mn>1</mn></msub><mrow><mo>(</mo><msub><mi>l</mi><mn>1</mn></msub><mrow><mo>(</mo><msub><mi>u</mi><mn>0</mn></msub><mo>,</mo><msub><mi>v</mi><mn>0</mn></msub><mo>,</mo><msub><mi>r</mi><mn>1</mn></msub><mo>)</mo></mrow><mo>,</mo><msub><mi>&theta;</mi><mi>k</mi></msub><mo>)</mo></mrow><mo>,</mo><mo>&CenterDot;</mo><mo>&CenterDot;</mo><mo>&CenterDot;</mo><mo>,</mo><msub><mi>h</mi><mn>1</mn></msub><mrow><mo>(</mo><msub><mi>l</mi><mn>8</mn></msub><mrow><mo>(</mo><msub><mi>u</mi><mn>0</mn></msub><mo>,</mo><msub><mi>v</mi><mn>0</mn></msub><mo>,</mo><msub><mi>r</mi><mn>1</mn></msub><mo>)</mo></mrow><mo>,</mo><msub><mi>&theta;</mi><mi>k</mi></msub><mo>)</mo></mrow><mo>,</mo></mtd></mtr><mtr><mtd><msub><mi>h</mi><mn>2</mn></msub><mrow><mo>(</mo><msub><mi>l</mi><mn>1</mn></msub><mrow><mo>(</mo><msub><mi>u</mi><mn>0</mn></msub><mo>,</mo><msub><mi>v</mi><mn>0</mn></msub><mo>,</mo><msub><mi>r</mi><mn>2</mn></msub><mo>)</mo></mrow><mo>,</mo><msub><mi>&theta;</mi><mi>k</mi></msub><mo>)</mo></mrow><mo>,</mo><mo>&CenterDot;</mo><mo>&CenterDot;</mo><mo>&CenterDot;</mo><mo>,</mo><msub><mi>h</mi><mn>2</mn></msub><mrow><mo>(</mo><msub><mi>l</mi><mn>8</mn></msub><mrow><mo>(</mo><msub><mi>u</mi><mn>0</mn></msub><mo>,</mo><msub><mi>v</mi><mn>0</mn></msub><mo>,</mo><msub><mi>r</mi><mn>2</mn></msub><mo>)</mo></mrow><mo>,</mo><msub><mi>&theta;</mi><mi>k</mi></msub><mo>)</mo></mrow><mo>,</mo></mtd></mtr><mtr><mtd><msub><mi>h</mi><mn>3</mn></msub><mrow><mo>(</mo><msub><mi>l</mi><mn>1</mn></msub><mrow><mo>(</mo><msub><mi>u</mi><mn>0</mn></msub><mo>,</mo><msub><mi>v</mi><mn>0</mn></msub><mo>,</mo><msub><mi>r</mi><mn>3</mn></msub><mo>)</mo></mrow><mo>,</mo><msub><mi>&theta;</mi><mi>k</mi></msub><mo>)</mo></mrow><mo>,</mo><mo>&CenterDot;</mo><mo>&CenterDot;</mo><mo>&CenterDot;</mo><mo>,</mo><msub><mi>h</mi><mn>3</mn></msub><mrow><mo>(</mo><msub><mi>l</mi><mn>8</mn></msub><mrow><mo>(</mo><msub><mi>u</mi><mn>0</mn></msub><mo>,</mo><msub><mi>v</mi><mn>0</mn></msub><mo>,</mo><msub><mi>r</mi><mn>3</mn></msub><mo>)</mo></mrow><mo>,</mo><msub><mi>&theta;</mi><mi>k</mi></msub><mo>)</mo></mrow></mtd></mtr></mtable></mfenced><mi>T</mi></msup></mrow>ηk為所有取樣點(diǎn)梯度方向直方圖中第k個(gè)梯度方向值的組合,hn(lm(u0,v0,rn),θk)為梯度方向直方圖Hn(lm(u0,v0,rn))中第k個(gè)梯度方向的值;步驟(3)根據(jù)局部顯著性判決計(jì)算公式,計(jì)算每個(gè)像素點(diǎn)的局部顯著判決矢量Slocal(u0,v0);具體計(jì)算過程為首先計(jì)算中央周圍計(jì)算結(jié)構(gòu)中每個(gè)同心圓環(huán)對(duì)整個(gè)中央周圍計(jì)算結(jié)構(gòu)的顯著判決貢獻(xiàn)度p(n),<mrow><mi>p</mi><mrow><mo>(</mo><mi>n</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mrow><munder><mi>&Sigma;</mi><mrow><mn>1</mn><mo>&le;</mo><mi>m</mi><mo>&le;</mo><mn>8</mn></mrow></munder><munder><mi>&Sigma;</mi><mrow><mn>1</mn><mo>&le;</mo><mi>k</mi><mo>&le;</mo><mn>8</mn></mrow></munder><msub><mi>h</mi><mi>n</mi></msub><mrow><mo>(</mo><msub><mi>l</mi><mi>m</mi></msub><mrow><mo>(</mo><msub><mi>u</mi><mn>0</mn></msub><mo>,</mo><msub><mi>v</mi><mn>0</mn></msub><mo>,</mo><msub><mi>r</mi><mi>n</mi></msub><mo>)</mo></mrow><mo>,</mo><msub><mi>&theta;</mi><mi>k</mi></msub><mo>)</mo></mrow></mrow><mrow><munder><mi>&Sigma;</mi><mrow><mn>1</mn><mo>&le;</mo><mi>n</mi><mo>&le;</mo><mn>3</mn></mrow></munder><munder><mi>&Sigma;</mi><mrow><mn>1</mn><mo>&le;</mo><mi>m</mi><mo>&le;</mo><mn>8</mn></mrow></munder><munder><mi>&Sigma;</mi><mrow><mn>1</mn><mo>&le;</mo><mi>k</mi><mo>&le;</mo><mn>8</mn></mrow></munder><msub><mi>h</mi><mi>n</mi></msub><mrow><mo>(</mo><msub><mi>l</mi><mi>m</mi></msub><mrow><mo>(</mo><msub><mi>u</mi><mn>0</mn></msub><mo>,</mo><msub><mi>v</mi><mn>0</mn></msub><mo>,</mo><msub><mi>r</mi><mi>n</mi></msub><mo>)</mo></mrow><mo>,</mo><msub><mi>&theta;</mi><mi>k</mi></msub><mo>)</mo></mrow></mrow></mfrac></mrow>其次計(jì)算矢量ηk的均值和方差vk<mfencedopen='{'close=''><mtable><mtr><mtd><msub><mi>v</mi><mi>k</mi></msub><mo>=</mo><munder><mi>&Sigma;</mi><mrow><mn>1</mn><mo>&le;</mo><mi>n</mi><mo>&le;</mo><mn>3</mn></mrow></munder><munder><mi>&Sigma;</mi><mrow><mn>1</mn><mo>&le;</mo><mi>m</mi><mo>&le;</mo><mn>8</mn></mrow></munder><msup><mrow><mo>(</mo><msub><mi>h</mi><mi>n</mi></msub><mrow><mo>(</mo><msub><mi>l</mi><mi>m</mi></msub><mrow><mo>(</mo><msub><mi>u</mi><mn>0</mn></msub><mo>,</mo><msub><mi>v</mi><mn>0</mn></msub><mo>,</mo><msub><mi>r</mi><mi>n</mi></msub><mo>)</mo></mrow><mo>,</mo><msub><mi>&theta;</mi><mi>k</mi></msub><mo>)</mo></mrow><msub><mover><mi>h</mi><mo>&OverBar;</mo></mover><mi>k</mi></msub><mo>)</mo></mrow><mn>2</mn></msup><mi>p</mi><mrow><mo>(</mo><mi>n</mi><mo>)</mo></mrow></mtd></mtr><mtr><mtd><msub><mover><mi>h</mi><mo>&OverBar;</mo></mover><mi>k</mi></msub><mo>=</mo><munder><mi>&Sigma;</mi><mrow><mn>1</mn><mo>&le;</mo><mi>n</mi><mo>&le;</mo><mn>3</mn></mrow></munder><munder><mi>&Sigma;</mi><mrow><mn>1</mn><mo>&le;</mo><mi>m</mi><mo>&le;</mo><mn>8</mn></mrow></munder><msub><mi>h</mi><mi>n</mi></msub><mrow><mo>(</mo><msub><mi>l</mi><mi>m</mi></msub><mrow><mo>(</mo><msub><mi>u</mi><mn>0</mn></msub><mo>,</mo><msub><mi>v</mi><mn>0</mn></msub><mo>,</mo><msub><mi>r</mi><mi>n</mi></msub><mo>)</mo></mrow><mo>,</mo><msub><mi>&theta;</mi><mi>k</mi></msub><mo>)</mo></mrow><mi>p</mi><mrow><mo>(</mo><mi>n</mi><mo>)</mo></mrow></mtd></mtr></mtable></mfenced>然后計(jì)算單個(gè)彩色分量圖的局部顯著判決值Slocal(u0,v0)<mrow><msub><mi>S</mi><mi>local</mi></msub><mrow><mo>(</mo><msub><mi>u</mi><mn>0</mn></msub><mo>,</mo><msub><mi>v</mi><mn>0</mn></msub><mo>)</mo></mrow><mo>=</mo><mfrac><mn>1</mn><mn>8</mn></mfrac><munder><mi>&Sigma;</mi><mrow><mn>1</mn><mo>&le;</mo><mi>k</mi><mo>&le;</mo><mn>8</mn></mrow></munder><msub><mi>v</mi><mi>k</mi></msub></mrow>最后計(jì)算每個(gè)像素點(diǎn)的局部顯著判決矢量Slocal(u0,v0),<mrow><msub><mi>S</mi><mi>local</mi></msub><mrow><mo>(</mo><msub><mi>u</mi><mn>0</mn></msub><mo>,</mo><msub><mi>v</mi><mn>0</mn></msub><mo>)</mo></mrow><mo>=</mo><msup><mrow><mo>(</mo><msubsup><mi>S</mi><mi>local</mi><mi>l</mi></msubsup><mrow><mo>(</mo><msub><mi>u</mi><mn>0</mn></msub><mo>,</mo><msub><mi>v</mi><mn>0</mn></msub><mo>)</mo></mrow><mo>,</mo><msubsup><mi>S</mi><mi>local</mi><mi>a</mi></msubsup><mrow><mo>(</mo><msub><mi>u</mi><mn>0</mn></msub><mo>,</mo><msub><mi>v</mi><mn>0</mn></msub><mo>)</mo></mrow><mo>,</mo><msubsup><mi>S</mi><mi>local</mi><mi>b</mi></msubsup><mrow><mo>(</mo><msub><mi>u</mi><mn>0</mn></msub><mo>,</mo><msub><mi>v</mi><mn>0</mn></msub><mo>)</mo></mrow><mo>)</mo></mrow><mi>T</mi></msup></mrow>其中表示l彩色分量圖的局部顯著判決值,表示a彩色分量圖的局部顯著判決值,表示b彩色分量圖的局部顯著判決值;步驟(4)根據(jù)全局顯著性判決計(jì)算公式,計(jì)算每個(gè)像素點(diǎn)的全局顯著判決矢量Sglobal(u0,v0);具體計(jì)算過程為首先分別計(jì)算原始圖像l、a、b彩色分量圖中所有像素點(diǎn)的均值μl、μa和μb,構(gòu)成均值矢量μg=(μl,μa,μb)T;然后采用高斯方差為2.5的二維高斯濾波器進(jìn)行高斯濾波,則像素點(diǎn)(u0,v0)的濾波后結(jié)果為gs(u0,v0)<mrow><msub><mi>g</mi><mi>s</mi></msub><mrow><mo>(</mo><msub><mi>u</mi><mn>0</mn></msub><mo>,</mo><msub><mi>v</mi><mn>0</mn></msub><mo>)</mo></mrow><mo>=</mo><msup><mrow><mo>(</mo><msubsup><mi>g</mi><mrow><mo>(</mo><msub><mi>u</mi><mn>0</mn></msub><mo>,</mo><msub><mi>v</mi><mn>0</mn></msub><mo>)</mo></mrow><mi>l</mi></msubsup><mo>,</mo><msubsup><mi>g</mi><mrow><mo>(</mo><msub><mi>u</mi><mn>0</mn></msub><mo>,</mo><msub><mi>v</mi><mn>0</mn></msub><mo>)</mo></mrow><mi>a</mi></msubsup><mo>,</mo><msubsup><mi>g</mi><mrow><mo>(</mo><msub><mi>u</mi><mn>0</mn></msub><mo>,</mo><msub><mi>v</mi><mn>0</mn></msub><mo>)</mo></mrow><mi>b</mi></msubsup><mo>)</mo></mrow><mi>T</mi></msup></mrow>其中c∈(l,a,b)為不同彩色分量下像素點(diǎn)(u0,v0)的高斯濾波值;最后計(jì)算每個(gè)像素點(diǎn)的全局顯著判決矢量Sglobal(u0,v0)<mrow><msub><mi>S</mi><mi>global</mi></msub><mrow><mo>(</mo><msub><mi>u</mi><mn>0</mn></msub><mo>,</mo><msub><mi>v</mi><mn>0</mn></msub><mo>)</mo></mrow><mo>=</mo><msup><mrow><mo>(</mo><msubsup><mi>S</mi><mi>global</mi><mi>l</mi></msubsup><mrow><mo>(</mo><msub><mi>u</mi><mn>0</mn></msub><mo>,</mo><msub><mi>v</mi><mn>0</mn></msub><mo>)</mo></mrow><mo>,</mo><msubsup><mi>S</mi><mi>global</mi><mi>a</mi></msubsup><mrow><mo>(</mo><msub><mi>u</mi><mn>0</mn></msub><mo>,</mo><msub><mi>v</mi><mn>0</mn></msub><mo>)</mo></mrow><mo>,</mo><msubsup><mi>S</mi><mi>global</mi><mi>b</mi></msubsup><mrow><mo>(</mo><msub><mi>u</mi><mn>0</mn></msub><mo>,</mo><msub><mi>v</mi><mn>0</mn></msub><mo>)</mo></mrow><mo>)</mo></mrow><mi>T</mi></msup><mo>=</mo><mo>|</mo><msub><mi>g</mi><mi>s</mi></msub><mrow><mo>(</mo><msub><mi>u</mi><mn>0</mn></msub><mo>,</mo><msub><mi>v</mi><mn>0</mn></msub><mo>)</mo></mrow><mo>&CenterDot;</mo><msubsup><mi>g</mi><mi>s</mi><mi>T</mi></msubsup><mrow><mo>(</mo><msub><mi>u</mi><mn>0</mn></msub><msub><mrow><mo>,</mo><mi>v</mi></mrow><mn>0</mn></msub><mo>)</mo></mrow><mo>-</mo><msub><mi>&mu;</mi><mi>g</mi></msub><mo>&CenterDot;</mo><msup><msub><mi>&mu;</mi><mi>g</mi></msub><mi>T</mi></msup><mo>|</mo></mrow>其中表示l彩色分量圖的全局顯著判決值,表示a彩色分量圖的全局顯著判決值,表示b彩色分量圖的全局顯著判決值;步驟(5)根據(jù)計(jì)算獲得的局部顯著判決矢量和全局顯著判決矢量,采用線性加權(quán)方法獲得最終顯著判決結(jié)果Sfinal(u0,v0),F(xiàn)SA00000323805000012.tif,FSA00000323805000023.tif,FSA00000323805000027.tif,FSA00000323805000028.tif,FSA00000323805000029.tif,FSA00000323805000031.tif,FSA00000323805000033.tif,FSA00000323805000034.tif,FSA00000323805000035.tif,FSA00000323805000036.tif全文摘要本發(fā)明涉及一種基于梯度方向直方圖的判決式視覺顯著性檢測(cè)方法。目前的方法分辨率低,提取的物體輪廓不全,計(jì)算復(fù)雜度高。本發(fā)明方法首先采用彩色變換方法,提取原始圖像在CIELAB空間彩色分量圖;其次利用中央-周圍計(jì)算結(jié)構(gòu)中的取樣點(diǎn)統(tǒng)計(jì)分量圖中每個(gè)像素點(diǎn)的局部梯度方向直方圖;然后計(jì)算每個(gè)像素點(diǎn)的局部顯著判決矢量和全局顯著判決矢量;最后采用線性加權(quán)方法獲得最終的顯著判決結(jié)果。本發(fā)明方法在視覺顯著區(qū)域具有更強(qiáng)的響應(yīng),而在其他非顯著區(qū)域有更好的抑制能力。文檔編號(hào)G06K9/46GK101976338SQ20101052435公開日2011年2月16日申請(qǐng)日期2010年10月29日優(yōu)先權(quán)日2010年10月29日發(fā)明者周文暉,孫志海,張樺,戴國駿,樓斌,武二永申請(qǐng)人:杭州電子科技大學(xué)
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
      1