中国专利搜索 世界专利搜索 专利分类查询 专利引用检索 专利族检索
登陆 | |

一种基于显著性融合与传播的显著物体检测方法
有权
阅读授权文献

Salient object detection method based on saliency fusion and propagation

申请号:201510435772.2 申请日:2015-07-22
CN201510435772
CN106373162A
微信扫码查看/分享专利
摘要:一种基于显著性融合与传播的显著物体检测方法,针对RGB‑D图像,首先分别利用图像的颜色特征和空间特征进行显著物体检测,然后通过融合二者的结果得到一个高准确率的显著性图,最后通过一种基于块的显著性传播方法来扩大显著区域和提高显著物体的完整性。本发明充分发掘了RGB‑D图像的彩色通道和深度通道,利用颜色特征和空间特征进行显著性检测,并采用融合‑传播策略提高检测结果的准确率和召回率,能够应对在RGB‑D图像中检测显著物体的任务,并能够取得比现有方法更优秀的效果。
Abstract: The invention discloses a salient object detection method based on saliency fusion and propagation. For an RGB-D image, first of all, salient object detection is carried out by use of a color feature and a space feature of the image, then a high-accuracy saliency graph is obtained through an integrated result, finally, through a block-based saliency propagation method, a salient area is expanded, and the completeness of a salient object is improved. According to the invention, a color channel and a depth channel of the RGB-D image are fully mined, saliency detection is performed by use of the color feature and the space feature, the accuracy of a detection result and the recall rate are improved by use of an integration-propagation strategy, the task of detecting the salient object in the RGB-D image can be handled, and the achieved effect is better than that of a conventional method.
申请人: 南京大学
Applicant: UNIV NANJING
地址: 210093 江苏省南京市鼓楼区********(隐藏)
发明(设计)人: 任桐炜 贝佳 郭竞帆
Inventor: REN TONGWEI; BEI JIA; GUO JINGFAN
主分类号: G06T7/90(2017.01)I
分类号: G06T7/90(2017.01)I
  • 法律状态
2019-04-16  授权
2017-03-01  实质审查的生效 IPC(主分类):G06T 7/90申请日:20150722
2017-02-01  公开
注:本法律状态信息仅供参考,即时准确的法律状态信息须到国家知识产权局办理专利登记簿副本。
  • 其他信息
主权项  一种基于显著性融合与传播的显著物体检测方法,其特征是用于在RGB‑D图像上,分别利用颜色特征与空间特征进行显著物体检测,然后进行显著性融合与传播,最终获得显著物体检测结果,包括以下步骤:1)输入RGB‑D图像中的彩色通道,采用针对彩色图像的显著物体检测方法,进行基于颜色特征的显著性检测;2)输入RGB‑D图像中的深度通道,在对图像分块的基础上,进行基于空间特征的显著物体检测;3)将1)和2)中的结果相乘,进行显著性融合,得到融合后的显著性图;4)对融合后的显著性图进行基于块的显著性传播,传播权重由块与块之间的颜色相似性和空间距离共同决定,具体为:4.1)将RGB‑D图像分为M×N块,计算出每个块在L*a*b*颜色空间上的平均颜色和每个块的平均深度;4.2)对于RGB‑D图像中的任意两个块pm,n,m=1,2,…,M,n=1,2,…,N,和pi,j,i=1,2,…,M,j=1,2,…,N,根据它们之间的颜色距离定义两个块的颜色相似性传播权重:<mrow><msub><mi>&omega;</mi><mi>c</mi></msub><mrow><mo>(</mo><msub><mi>p</mi><mrow><mi>m</mi><mo>,</mo><mi>n</mi></mrow></msub><mo>,</mo><msub><mi>p</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></msub><mo>)</mo></mrow><mo>=</mo><msup><mi>e</mi><mrow><mo>-</mo><mfrac><mrow><mo>|</mo><mo>|</mo><msub><mi>c</mi><mrow><mi>m</mi><mo>,</mo><mi>n</mi></mrow></msub><mo>-</mo><msub><mi>c</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></msub><mo>|</mo><msub><mo>|</mo><mn>2</mn></msub></mrow><mi>&delta;</mi></mfrac></mrow></msup></mrow>其中,cm,n和ci,j分别表示pm,n和pi,j在L*a*b*颜色空间中的平均颜色,δ是用于调节显著性分布的参数,δ的值越大,块之间根据颜色相似性进行传播的范围就越大;4.3)对于块pm,n和pi,j,根据它们在三维空间中的距离定义两个块的空间距离传播权重:<mrow><msub><mi>&omega;</mi><mi>s</mi></msub><mrow><mo>(</mo><msub><mi>p</mi><mrow><mi>m</mi><mo>,</mo><mi>n</mi></mrow></msub><mo>,</mo><msub><mi>p</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></msub><mo>)</mo></mrow><mo>=</mo><msup><mi>e</mi><mrow><mo>-</mo><mfrac><mrow><msup><mrow><mo>(</mo><msup><mi>m</mi><mo>&prime;</mo></msup><mo>-</mo><msup><mi>i</mi><mo>&prime;</mo></msup><mo>)</mo></mrow><mn>2</mn></msup><mo>+</mo><msup><mrow><mo>(</mo><msup><mi>n</mi><mo>&prime;</mo></msup><mo>-</mo><msup><mi>j</mi><mo>&prime;</mo></msup><mo>)</mo></mrow><mn>2</mn></msup></mrow><msup><mi>&sigma;</mi><mn>2</mn></msup></mfrac></mrow></msup><mo>&CenterDot;</mo><msup><mi>e</mi><mrow><mo>-</mo><mfrac><mrow><mi>&alpha;</mi><msup><mrow><mo>(</mo><msub><mi>d</mi><mrow><mi>m</mi><mo>,</mo><mi>n</mi></mrow></msub><mo>-</mo><msub><mi>d</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></msub><mo>)</mo></mrow><mn>2</mn></msup></mrow><msup><mi>&sigma;</mi><mn>2</mn></msup></mfrac></mrow></msup></mrow>其中,(m′,n′)和(i′,j′)分别表示pm,n和pi,j归一化之后的坐标,dm,n和di,j分别表示pm,n和pi,j的平均深度值;参数σ控制显著性值的分布,σ的值越大,块之间根据空间距离进行传播的范围就越大;α单独控制显著性值在深度上的分布,α的值越大,在深度方向上传播的范围就越大;4.4)综合4.2)和4.3),块pm,n和pi,j之间的显著性传播权重为:ω(pm,n,pi,j)=ωc(pm,n,pi,j)·ωS(pm,n,pi,j)所有块与块之间的传播权重构成传播矩阵;4.5)在步骤3)所得到的融合显著性图中迭代地使用4.4)中的传播矩阵进行块与块之间的显著性传播,直到融合显著性图的变化小于预设的阈值或者传播次数达到预设的阈值为止,得到最终的显著性图。
公开号  106373162A
公开日  2017-02-01
专利代理机构  南京天翼专利代理有限责任公司 32112
代理人  奚铭
颁证日  
优先权  
 
国别 优先权号 优先权日 类型
CN  201510435772  20150722 
国际申请  
国际公布  
进入国家日期  
  • 专利对比文献
类型 阶段 文献号 公开日期 涉及权利要求项 相关页数
SEA  CN103198489A  20130710  1-4  全文 
SEA  CN103971116A  20140806  1-4  全文 
SEA  WO2015048232A1  20150402  1-4  全文 
注:不保证该信息的有效性、完整性、准确性,以上信息也不具有任何效力,仅供参考。使用前请另行委托专业机构进一步查核,使用该信息的一切后果由用户自行负责。
X:单独影响权利要求的新颖性或创造性的文件;
Y:与检索报告中其他 Y类文件组合后影响权利要求的创造性的文件;
A:背景技术文件,即反映权利要求的部分技术特征或者有关的现有技术的文件;
R:任何单位或个人在申请日向专利局提交的、属于同样的发明创造的专利或专利申请文件;
P:中间文件,其公开日在申请的申请日与所要求的优先权日之间的文件,或会导致需核实该申请优先权的文件;
E:单独影响权利要求新颖性的抵触申请文件。
  • 期刊对比文献
类型 阶段 期刊文摘名称 作者 标题 涉及权利要求项 相关页数
SEA  《2009 IEEE Conference on Computer Vision and Pattern Recognition》  Radhakrishna Achanta 等  Frequency-tuned salient region detection  1-4  第1597-1604页 
RADHAKRISHNA ACHANTA 等: "Frequency-tuned salient region detection", 《2009 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 
SEA  《IEEE Transactions on Pattern Analysis and Machine Intelligence》  Ming-Ming Cheng 等  Global Contrast Based Salient Region Detection  1-4  第569-582页 
MING-MING CHENG 等: "Global Contrast Based Salient Region Detection", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 
SEA  《Proceedings of International Conference on Internet Multimedia Computing and Service》  Tongwei Ren 等  How Important is Location in Saliency Detection  1-4  第1-4页 
TONGWEI REN 等: "How Important is Location in Saliency Detection", 《PROCEEDINGS OF INTERNATIONAL CONFERENCE ON INTERNET MULTIMEDIA COMPUTING AND SERVICE》 
SEA  《信息技术》  熊艳 等  基于深度调制的超像素分割和显著性检测  1-4  第15-17页 
熊艳 等: "基于深度调制的超像素分割和显著性检测", 《信息技术》 
  • 书籍对比文献
类型 阶段 书名 作者 标题 涉及权利要求项 相关页数