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!
亿速云「云服务器」,即开即用、新一代英特尔至强铂金CPU、三副本存储NVMe SSD云盘,价格低至29元/月。点击查看>>
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。
原文链接:https://my.oschina.net/u/4611954/blog/4975557