前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >【手撕算法】LC显著性检测算法

【手撕算法】LC显著性检测算法

作者头像
周旋
发布2022-08-07 12:21:56
5640
发布2022-08-07 12:21:56
举报
文章被收录于专栏:行走的机械人行走的机械人

前言

显著性检测,顾名思义,就是提取一幅图像中的突出对象,灵感就来自于人的视觉特性,如果一张底色纯白,中间一块黑色的纸,那人眼的注意力肯定就会在黑色部分,而显著性检测就是计算图像的显著性图,突出部分显著性图的值就高。

显著性检测工作往往伴随这其他工作,比如分割,分割可以基于显著性检测的结果来进行分割,进而把突出对象分割出来。

本来是想做缺陷检测来着,但一不小心看了两天的显著性检测论文,所以出四篇文章分享四个显著性检测算法:LC/HC/AC/FT

这四个算法都特别特别简单,而且得益于网络的发达以及前辈的总结,学起来简直不能再容易了。

算法原理

论文名:

代码语言:javascript
复制
Visual Attention Detection in Video Sequences Using Spatiotemporal Cues

该算法可以用一句话概括:每个像素的显著性值是该像素距图片所有其他像素的某个距离的和。这个距离一般是像素特征值的欧式距离。

所以公式也就很明了了:

S(p)就是显著性值,d(p,q)就是像素p距离q的距离,I就是整幅图像。 这个显著性检测数学模型就是这么简单。

不过代码却不能直接for循环写,时间复杂度会很高的,所以可以利用直方图进行优化。

  1. 将像素的特征值归一化到[0,255],如果图像是单通道,这个特征值就是像素灰度值。我们计算的距离也就是特征值之间的颜色距离。然后利用直方图对图像特征值进行统计,得到fn,即特征值在图像中出现的次数。 这时显著性计算公式为:

其中d(p,n)为特征值p和n的欧氏距离。

  1. 为进一步优化,我们提前计算出每一个d(n1,n2)。由于任何两个像素的特征值都在[0,255]之间,可以提前计算距离矩阵D。这样就可查表得到两个像素的特征距离。这样特征值p的显著性进一步优化为:
  1. 记录已经计算的显著值,避免重复计算。

该算法缺点:

其求全局对比度的策略会导致稀有颜色(特征值)占优,也就是具有较高的对比度,这在很多情况下是不合理的。所以的方法检测效果不够好

算法实现

算法流程:

  1. 计算图像特征值的直方图
  2. 遍历图像计算特征值距离矩阵D
  3. 为每一个对应像素值分配显著值,得到显著图
  4. 将显著图归一化到[0,255]范围内并显示

具体代码:

代码语言:javascript
复制
void LC::calculateSaliencyMap(Mat *src, Mat * dst)
{   
  Mat img;
  //【1】处理灰度图
  if ((*src).channels() == 3)
    cvtColor(*src, img, COLOR_BGR2GRAY);
  else
    img = *src;
  //【2】定义变量并初始化为0
  double f[256], s[256];
  memset(f, 0, 256 * sizeof(double));
  /* memset(void *s,int ch,size_t n)
  memset函数是计算机中C/C++语言函数。将s所指向的某一块内存中的前n个字节的内容全部设置为ch指定的ASCII值, 
  第一个值为指定的内存地址,块的大小由第三个参数指定,这个函数通常为新申请的内存做初始化工作, 
  其返回值为指向s的指针。所在头文件<memory.h>或<string.h>*/
  memset(s, 0, 256 * sizeof(double));
  //【3】统计直方图
  for (int r = 0; r < img.rows; r++)
  {
    uchar* data = img.ptr<uchar>(r);
    for (int c = 0; c < img.cols; c++)
      f[data[c]] += 1;//直方图f   将对应像素值的直方图加1
  }
  //【4】计算特征显著值并保存到S[]
  double s_min = DBL_MAX, s_max = 0;
  for (int i = 0; i < 256; i++)
  {
    for (int j = 0; j < 256; j++)
      s[i] += abs(i - j) * abs(i - j) * f[j];//直方图的累积
    if (s[i]>s_max) s_max = s[i];
    if (s[i]<s_min) s_min = s[i];
  }
  //【5】显著特征值归一化到0-255
  for (int i = 0; i < 256; i++)
  {
    s[i] = (s[i] - s_min) / (s_max - s_min)*255;
  }
  //【6】为每一个像素分配显著值。(i,j)是什么灰度级就赋予它相应灰度级的显著值。得到显著图。
  Mat salimg(img.size(), CV_64F);
  for (int r = 0; r < img.rows; r++)
  {
    uchar* data = img.ptr<uchar>(r);
    double* sal = salimg.ptr<double>(r);
    for (int c = 0; c < img.cols; c++)
      sal[c] = s[data[c]];
  }
  salimg.convertTo(*dst, CV_8U, 1, 0);
}

算法效果

输入为灰度图,输出为显著图:

THE END

今天就到这里啦。接下来的三天会把剩下的HC/AC/FT三个算法更新完。

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2021-03-04,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 周旋机器视觉 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档