本篇内容主要讲解“opencv FT显著性检测算法怎么使用”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“opencv FT显著性检测算法怎么使用”吧!
FT算法出自论文：
Frequency-tuned salient region detection
FT算法实现也非常简单，该方法从频率角度分析图像。
图像在频率域可以分成低频部分和高频部分。低频部分反映了图像的整体信息，如物体的轮廓，基本的组成区域。高频部分反映了图像的细节信息，如物体的纹理。显著性区域检测用到的更多的是低频部分的信息。
在实际进行计算时，FT方法使用窗口5*5的高斯平滑来实现对最高频的舍去。像素的显著性可以用下面公式计算：
其中，Iu为图像的平均特征，使用Lab颜色特征，后一项为像素p在高斯平滑后的Lab颜色特征，||.||为L2范式，即计算前一项和后一项在了Lab颜色空间的欧氏距离。
FT方法实现简单，只需要高斯平滑和平均值计算。
对图像进行5*5的高斯平滑
转换颜色空间。RGB颜色空间转换为CIELAB颜色空间
计算整幅图片的l、a、b的平均值
按照算法中的公式，计算每个像素l、a、b值同图像三个l、a、b均值的欧氏距离，得到显著图
归一化。图像中每个像素的显著值除以最大的那个显著值。得到最终的显著图
程序编写：
void FT::calculateSaliencyMap(Mat *src, Mat * dst, bool corlor,int ksize){if (corlor && (*src).channels() == 3) //处理彩色域{Mat img3f = (*src);img3f.convertTo(img3f, CV_32FC3, 1.0 / 255);Mat sal(img3f.size(), CV_32F), tImg;GaussianBlur(img3f, tImg, Size(ksize, ksize), 0);//高斯平滑去除高频信息cvtColor(tImg, tImg, COLOR_BGR2Lab);//转换为LAB颜色空间Scalar colorM = mean(tImg); //计算整幅图像的LAB颜色均值//遍历图像for (int r = 0; r < tImg.rows; r++){float *s = sal.ptr<float>(r);float *lab = tImg.ptr<float>(r);for (int c = 0; c < tImg.cols; c++, lab += 3)//计算每个像素LAB值与LAB均值的差，即为显著性s[c] = (float)(sqr(colorM[0] - lab[0]) + sqr(colorM[1] - lab[1]) + sqr(colorM[2] - lab[2]));}normalize(sal, *dst, 0, 1, NORM_MINMAX);}else //灰度域{Mat imgf, tImg;imgf = *src;if (imgf.channels() == 3){cvtColor(imgf, imgf, COLOR_RGB2GRAY);}imgf.convertTo(imgf, CV_32FC1, 1.0 / 255);Scalar colorM = mean(imgf);GaussianBlur(imgf, tImg, Size(ksize, ksize), 0);Mat sal(imgf.size(), CV_32F);for (int r = 0; r < tImg.rows; r++){float *s = sal.ptr<float>(r);float *gray = tImg.ptr<float>(r);for (int c = 0; c < tImg.cols; c++)s[c] = (colorM[0] - gray[c])*(colorM[0] - gray[c]);}normalize(sal, *dst, 0, 1, NORM_MINMAX);}}
到此，相信大家对“opencv FT显著性检测算法怎么使用”有了更深的了解，不妨来实际操作一番吧！这里是亿速云网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
