预览加载中,请您耐心等待几秒...
1/8
2/8
3/8
4/8
5/8
6/8
7/8
8/8

在线预览结束,喜欢就下载吧,查找使用更方便

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

(19)中华人民共和国国家知识产权局*CN102184557A*(12)发明专利申请(10)申请公布号CN102184557A(43)申请公布日2011.09.14(21)申请号201110163787.X(22)申请日2011.06.17(71)申请人电子科技大学地址611731四川省成都市高新区(西区)西源大道2006号(72)发明人李永杰杨盼李朝义(74)专利代理机构电子科技大学专利中心51203代理人周永宏(51)Int.Cl.G06T7/60(2006.01)G06K9/46(2006.01)权利要求书1页说明书4页附图2页(54)发明名称一种复杂场景的显著区域检测方法(57)摘要本发明属于计算机视觉技术领域,公开了一种复杂场景的显著区域检测方法。本发明的方法具体包括:对输入图像进行小波变换;建立多尺度图像;特征提取;特征叠加。本发明基于人类大脑视觉信息处理机制,在现有的Itti模型基础上提出了一种复杂场景的显著区域检测方法。本发明的方法通过利用离散小波变换将图像信息分解分为高频成分矩阵和低频成分矩阵,然后建立多尺度图像,再从中提取强度特征金字塔以及方向特征金字塔,最后整合成为一幅显著图。由于考虑了图像的细节信息,较好的提高了细节检测的效果,并且检测效果与人眼的观测结果相一致,更加符合人眼的视觉特性。CN1028457ACCNN110218455702184561A权利要求书1/1页1.一种复杂场景的显著区域检测方法,其特征在于,包括如下步骤:S1.小波变换:对输入图像进行小波变换,获得高频成分矩阵和低频成分矩阵;S2.建立多尺度图像:分别对输入图像、高频成分矩阵和低频成分矩阵建立多尺度图像,分别得到输入图像的多尺度图像、高频成分矩阵的多尺度图像和低频成分矩阵的多尺度图像;S3.特征提取:从步骤S2得到的输入图像的多尺度图像提取两个颜色特征金字塔,从步骤S2得到的高频成分矩阵的多尺度图像提取高频强度特征金字塔以及四个方向高频特征金字塔,从步骤S2得到的低频成分矩阵的多尺度图像提取低频强度特征金字塔以及四个方向低频特征金字塔;S4.特征叠加:对得到的12个特征金字塔分别进行中央-周边操作和规范化,得到12个子特征金字塔,对12个子特征金字塔分别进行叠加,得到12个特征图,对得到的12个特征图进行规范化,然后对规范化后的12个特征图进行叠加,得到一幅显著图。2.根据权利要求1所述的复杂场景的显著区域检测方法,其特征在于,还包括:步骤S5.中央加权:建立一个和显著图大小相同,元素值为1的矩阵,在矩阵的中心位置构建一个二维高斯滤波器,滤波器半径为矩阵中心点到矩阵行列三分之一交叉点处的长度,将建立的矩阵与步骤S4得到的显著图相乘得到中央加权后的显著图。3.根据权利要求1所述的复杂场景的显著区域检测方法,其特征在于,还包括:步骤S6.三分点加权:建立一个和显著图大小相同,元素值为1的矩阵,在矩阵的三分点位置,即矩阵行和列的三分之一和三分之二的四个交叉点处分别构建一个二维高斯滤波器,将建立的矩阵与步骤S4得到的显著图相乘得到三分点加权后的显著图。4.根据权利要求2所述的复杂场景的显著区域检测方法,其特征在于,还包括:步骤S6.三分点加权:建立一个和显著图大小相同,元素值为1的矩阵,在矩阵的三分点位置,即矩阵行和列的三分之一和三分之二的四个交叉点处分别构建一个二维高斯滤波器,将建立的矩阵与步骤S5得到的中央加权后的显著图相乘得到三分点加权后的显著图。5.根据权利要求1至4所述的任一复杂场景的显著区域检测方法,其特征在于,步骤S1所述的小波变换具体为利用双正交样条小波bior3.7进行三层小波分解与重构。6.根据权利要求5所述的复杂场景的显著区域检测方法,其特征在于,步骤S2所述的建立多尺度图像具体为利用高斯金字塔模型建立多尺度图像。2CCNN110218455702184561A说明书1/4页一种复杂场景的显著区域检测方法技术领域[0001]本发明属于计算机视觉技术领域,特别涉及一种复杂场景的显著区域检测方法。背景技术[0002]面对各类信息的超大膨胀速度,如何有效的组织和管理这些多媒体信息,并从中检测出自己所需要的信息成为当前迫切需要解决的问题。我们希望能够模拟人类的视觉处理机制从大量、冗余、并且内容解释多义的复杂场景数字图像数据中快速、准确地提取这些关键区域,大大提高分析和处理图像的效率和准确度。Itti和Koch基于视觉注意机制提出了一种经典的显著检测模型——Itti模型,参见文献:L.Itti,C.Koch,E.Niebur,Amodelofsaliency-basedvisualattentionforrapidsceneanalysis,PatternAnalysisandMachineIntelligence,IEEE