點(diǎn)擊上方藍(lán)字關(guān)注我們

星標(biāo)或者置頂【OpenCV學(xué)堂】

干貨與教程第一時(shí)間送達(dá)！

顯著性檢測概念

顯著性就是可以快速引起你注意的對象或者物體，在圖像或者視頻中顯著性檢測的結(jié)果往往是圖像或者視頻中對象，在神經(jīng)學(xué)科中顯著性檢測被描述為注意力機(jī)制，目的是聚焦或者縮小看到的對象場景重要部分，顯著性檢測可以自動(dòng)處理圖像中對象表示。顯著性檢測可以讓對象檢測，圖像分割等算法更加聰明與高效的工作。

算法思想

作者認(rèn)為生物皮層對圖像對比度比較敏感，通過圖像對比度可以實(shí)現(xiàn)圖像顯著性特征提取，提出了兩種基于全局對比度的顯著性檢測方法

• 基于直方圖的對比度方法(histogram-based contrast 簡稱HC)

• 基于區(qū)域的對比度方法(region-based contrast 簡稱RC)

HC詳解

HC的顯著性圖生成主要是基于輸入圖像的顏色值直方圖分布，生成像素級(jí)別的顯著性值，每個(gè)像素點(diǎn)的顯著性值是它跟剩下全部圖像像素點(diǎn)的對比度之間的度量，度量公式為：

?為12，對Lab色彩空間只在L上計(jì)算，但是這種做法有很大的弊端，就是顏色的區(qū)分度下降，色彩空間多維度信息沒有有效利用，所以一般會(huì)對Lab色彩空間的三個(gè)維度同時(shí)量化生成 顏色值，然后再根據(jù)頻次優(yōu)化出現(xiàn)的顏色值范圍。確保這些顏色值可以覆蓋95%以上的像素點(diǎn)。

盡管我們可以通過建立直方圖使用色彩空間量化的方法加速全局對比度的計(jì)算，但是量化色彩空間本身就是人為的，有可能把相似的顏色量化成不同的值，為了減少這種現(xiàn)象導(dǎo)致顯著性噪聲出現(xiàn)，所以對得到顯著性值最后完成一個(gè)模糊操作，這種模糊操作選擇線性模型，距離當(dāng)前顯著性值最近的有最大權(quán)重值：

RC詳解

除了對比度之外，區(qū)域與空間關(guān)系在顯著性檢測中也扮演重要作用，高對比鄰近周圍通常是顯著性區(qū)域一個(gè)很強(qiáng)的證據(jù)，HC是計(jì)算像素級(jí)別的顯著性值，計(jì)算開銷比較大，基于區(qū)域?qū)Ρ榷确治龅娘@著性檢測通過定義每個(gè)區(qū)域與其他區(qū)域的相似度權(quán)重得到區(qū)域顯著性值，完成顯著性檢測。RC做法需要首先生成區(qū)域，作者在論文中通過基于圖的圖像分割得到很多圖像區(qū)域，對一個(gè)區(qū)域計(jì)算顯著性值：

實(shí)驗(yàn)與應(yīng)用

實(shí)驗(yàn)結(jié)果

各種不同的圖像顯著性檢測對比

顯然HC與RC的效果比較好，在相同數(shù)據(jù)集上對不同顯著性測試得到召回率：

應(yīng)用：

作者給出了兩個(gè)應(yīng)用場景，一個(gè)是基于圖像顯著性檢測的閾值化分割，另外一個(gè)基于顯著性的圖像語義分割。

往期精選

• 線性卷積積分及其在圖像增強(qiáng)和特效方面應(yīng)用

• OpenVINO車牌識(shí)別網(wǎng)絡(luò)詳解

• 詳解OpenCV卷積濾波之邊緣處理與錨定輸出

百舸爭流，奮楫者先

千帆竟發(fā)，勇進(jìn)者勝

【掃碼關(guān)注我們】

總結(jié)

以上是生活随笔為你收集整理的matlab 图像显著性检测ft_全局对比度的图像显著性检测算法的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。