專利名稱：一種顯著性物體快速檢測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及計算機圖像處理領(lǐng)域，特別是涉及一種顯著性物體快速檢測方法。
背景技術(shù)：
人腦和視覺系統(tǒng)對圖片中的某些部分會給予更多的關(guān)注。心理學(xué)，生理學(xué)和神經(jīng)系統(tǒng)學(xué)計算機視覺等學(xué)科對視覺注意模型進行了長時間的研究。視覺注意模型的應(yīng)用也是相當(dāng)廣泛。如基于區(qū)域的圖像檢索和基于內(nèi)容的圖像壓縮等。還有圖像的自動拷貝，圖像在小型顯示設(shè)備上的顯示，圖像視頻的壓縮，甚至是平面廣告設(shè)計和圖片的采集和瀏覽，2d 圖像向3d圖像轉(zhuǎn)換的分析，另外相似圖像的檢索也日益成為圖像研究領(lǐng)域的熱點，顯著性圖還可以用于目標(biāo)定位。圖像中顯著性物體的檢測關(guān)系到后續(xù)工作的成敗。劉鐵等人在其發(fā)表于IEEE的論文《顯著性物體檢測研究》(英文原文為 ((Learning to detect a salient object)))中提出采用中心-周邊直方圖算法(英文表述為=Center-Surround histogram)進行顯著性物體檢測分析，但是其計算中需采用多個不同的長寬比進行盲目的試探性計算，再作比較，導(dǎo)致檢測效率低下。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問題是，提供一種顯著性物體快速檢測方法，提高顯著性物體檢測的檢測速度與檢測精度。本發(fā)明的技術(shù)問題通過以下技術(shù)手段予以解決一種顯著性物體快速檢測方法，，包括以下步驟1)對待檢測圖像進行多次小波變換，得到待檢測圖像的HL、LH、HH頻帶數(shù)據(jù)，對各次小波變換所的到的HH頻帶數(shù)據(jù)采用雙線性差值的方法放大到待檢測圖像尺寸并相加后得到第一顯著性特征圖；2)將第一顯著性特征圖中各點的灰度值歸一化到0 255 ；3)根據(jù)預(yù)定的灰度閾值，對第一顯著性特征圖進行二值化處理，并檢測二值化處理所得到的圖像中最大的矩形連續(xù)區(qū)域I 。。nf，計算該矩形連續(xù)區(qū)域I 。。nf的長寬比；4)掃描待檢測圖像，得到以待檢測圖像的中心為中心并包含所述矩形連續(xù)區(qū)域R。。nf的最小的矩形區(qū)域Rm ；將矩形區(qū)域Rm范圍外的像素點的顯著性值置零，并通過中心——周邊直方圖算法計算矩形區(qū)域Rm范圍內(nèi)各像素點的顯著性值，從而得到精確的顯著性圖，其中，所述中心——周邊直方圖算法的中心矩形和周邊矩形的長寬比均取矩形連續(xù)區(qū)域R。。nf的長寬比。與現(xiàn)有技術(shù)相比，本發(fā)明的方法采用小波變換的方法對圖像進行處理，完成顯著性物體的初步檢測，并通過像素歸一化、和二值化處理小波變換所得圖像，獲得顯著性物體的長寬比及大體位置信息，為中心-周邊直方圖算法提供準(zhǔn)確的數(shù)據(jù)參考，避免了中心一周邊直方圖算法處理時采用不同長寬比進行盲目試探。由于在實際應(yīng)用中，多數(shù)圖像的顯著性物體均位于圖像的中心，優(yōu)選在進行小波變換前，對原始圖像的部分邊緣進行裁剪，但裁剪幅度不宜過大，裁剪后形成的待檢測圖像的長、寬分別不小于原始圖像長、寬的80%。使用雙邊濾波對待檢測圖像進行處理，能夠?qū)D像背景中可能含有的復(fù)雜紋理進行有效地抑制，同時保留顯著性物體的邊緣部分，有利于提高小波變換所得結(jié)果的精度。同理，還可以對像素歸一化后的圖像再次進行雙邊濾波處理以進一步提高檢測精度。小波變換的次數(shù)優(yōu)選6次，實驗證明，當(dāng)小波變換次數(shù)小于6次時所得到的結(jié)果精度較低，而小波變換次數(shù)大于6次所得到的結(jié)果并不明顯優(yōu)于6次的檢查結(jié)果，但卻會增加計算的復(fù)雜程度，降低效率。優(yōu)選地，所述預(yù)定的灰度閾值為125。


圖1是本發(fā)明具體實施方式
的檢測方法的流程圖。
具體實施例方式下面對照附圖并結(jié)合優(yōu)選具體實施方式
對本發(fā)明進行詳細的闡述。如圖1所示，本實施方式的顯著性物體快速檢測方法包括以下步驟1.初步剪裁對待處理的原始圖像進初步的剪裁，如果圖像的長寬分別為h、W0將圖像中水平坐標(biāo)范圍在
以及[9w/10，w]，垂直坐標(biāo)范圍在
和[9h/10，h]的像素點裁去。得到待檢測圖像A，圖像A的長寬分別將減少為原始圖像的80%。在實際應(yīng)用時， 此處裁剪范圍可根據(jù)具體情況適當(dāng)選取，但裁剪后的圖像的長寬分別不宜小于原圖長寬的 80%。2.對圖像A進行雙邊濾波處理，到圖像B雙邊濾波的特點是對圖象的每一點用其空間相鄰且灰度相近的灰度值的平均值代替原來的值，從而達到濾波的效果，同時又可以保持圖象的高頻細節(jié)。其通用公式為
h(x) =f (ξ)α(ξ,χ)3( (ξ), (χ)) ξ
J -CO -co(1)其中，h(x)表示濾波后的圖像各點的灰度值，f (ξ)即點ξ處的灰度值，(3(ξ，χ) 是以ξ為中心的空間臨近度函數(shù)，s(f(l)，f(X))是點ξ與X的象素灰度相似度，k為歸一化系數(shù)。本實施例的具體濾波步驟如下即對每個像素點P，其灰度值記為P(i，j)1).計算其3*3鄰域每一點與P的空間坐標(biāo)的歐式距離L(i，j)，即以P為中心的空間臨近度函數(shù)；2).計算其3*3鄰域每一點與P灰度值的歐式距離S(i，j)，即點P與其3*3鄰域每一點的象素灰度相似度；3)歸一化常數(shù)取1，將S(i，j)，L(i，j)代入公式(1)得到
Pnew(ij)= f Σ P(iJ)L(iJ)S(iJ)'
1 = 0 J = OPnew(i, j)即為P(i，j)經(jīng)雙邊濾波后的像素值。
4
3.小波變換對步驟2.中所得到的圖像B進行六次小波變換。本實施例采用ニ維離散小波變
換的小波基
權(quán)利要求
1.一種顯著性物體快速檢測方法，其特征在于，包括以下步驟1)對待檢測圖像進行多次小波變換，得到待檢測圖像的HL、LH、HH頻帶數(shù)據(jù)，對各次小波變換所的到的HH頻帶數(shù)據(jù)采用雙線性差值的方法放大到待檢測圖像尺寸并相加后得到第一顯著性特征圖；2)將第一顯著性特征圖中各點的灰度值歸一化到0 255；3)根據(jù)預(yù)定的灰度閾值，對第一顯著性特征圖進行二值化處理，并檢測二值化處理所得到的圖像中最大的矩形連續(xù)區(qū)域I 。。nf，計算該矩形連續(xù)區(qū)域R。。nf的長寬比；4)掃描待檢測圖像，得到以待檢測圖像的中心為中心并包含所述矩形連續(xù)區(qū)域民_的最小的矩形區(qū)域Rm ；將矩形區(qū)域Rm范圍外的像素點的顯著性值置零，并通過中心——周邊直方圖算法計算矩形區(qū)域Rm范圍內(nèi)各像素點的顯著性值，從而得到精確的顯著性圖，其中， 所述中心——周邊直方圖算法的中心矩形和周邊矩形的長寬比均取矩形連續(xù)區(qū)域I 。。nf的長寬t匕。
2.根據(jù)權(quán)利要求1所述的顯著性物體快速檢測方法，其特征在于所述步驟1)之前還包括原始圖像裁剪步驟將原始圖像的部分邊沿裁去后作為所述待檢測圖像，所述待檢測圖像的長、寬分別不小于原始圖像長、寬的80%。
3.根據(jù)權(quán)利要求1所述的顯著性物體快速檢測方法，其特征在于所述步驟1)中，對待檢測圖像進行小波變換之前，先對待檢測圖像進行雙邊濾波處理。
4.根據(jù)權(quán)利要求1所述的顯著性物體快速檢測方法，其特征在于所述步驟幻與所述步驟幻之間還包括以下步驟對步驟幻所得到的圖像進行雙邊濾波處理。
5.根據(jù)權(quán)利要求1所述的顯著性物體快速檢測方法，其特征在于所述步驟1)中對待檢測圖像進行小波變換的次數(shù)為6次。
6.根據(jù)權(quán)利要求1所述的顯著性物體快速檢測方法，其特征在于所述步驟幻中預(yù)定的灰度閾值為125。
全文摘要
本發(fā)明公開了一種顯著性物體的快速檢測方法，通過對待檢測圖像進行多次小波變換，利用小波變換所得到的高頻帶數(shù)據(jù)初步確定顯著性物體的大小和位置后，再采用中心——周邊直方圖算法獲得精確的顯著性值，從而準(zhǔn)確地檢測到顯著性物體。本發(fā)明與現(xiàn)有技術(shù)相比具有檢測效率高、定位準(zhǔn)確的有益效果。
文檔編號G06T7/00GK102426704SQ201110335538
公開日2012年4月25日 申請日期2011年10月28日 優(yōu)先權(quán)日2011年10月28日
發(fā)明者張新, 徐秀兵, 戴瓊海, 王好謙 申請人:清華大學(xué)深圳研究生院