一种基于局部特征的显著区域检测算法制造技术

本发明专利技术属于图像/视频检索技术领域，具体为一种基于局部特征的显著区域检测算法。该算法将寻找显著区域的问题转化为寻找特征点分布最密集区域的问题，再将寻找特征点分布最密集区域的问题转化为求最大子矩阵和的问题。具体步骤为：利用局部特征算法，获得特征检测阶段的图像特征点分布；根据标准差和特征点数量将分布矩阵变换为适应矩阵；利用动态规划算法求适应矩阵的最大子矩阵和。本发明专利技术能在损失较小准确度的情况下，快速检测出图像的显著区域。本发明专利技术在准确度上与同类显著区域检测算法接近的情况下，速度超过常用显著区域检测算法的25倍。

【技术实现步骤摘要】

本专利技术属于图像/视频检索
，具体涉及一种基于图像局部特征的显著区域检测算法。
技术介绍
图像/视频检索技术已广泛应用于各个领域。随着图像数据爆炸式的增长，如何对海量的图像/视频数据进行高效检索受到了越来越多的关注。作为图像/视频检索的基础，图像的局部特征提取算法能有效提取图像的特征信息以供图像或视频帧间做检索，在图像检索引擎、网络过滤等系统中被广泛使用。图像/视频的检索算法可以分成两个阶段特征提取阶段和特征匹配阶段。特征提取阶段将图像的特征，包括图像的颜色特征，纹理特征，或是图像中的特征点等，提取出来。特征匹配阶段以比较两幅/帧图像的特征来判断两幅视频帧或图像是否匹配。但是， 研究人员发现对于整张图像作局部特征提取将产生大量特征信息，从而造成图像匹配阶段处理时间过长。由于人们通常只对图像中部分关键的区域感兴趣，而忽略非关键区域，因此常用的实现过程是首先利用图像显著区域检测算法检测出图像的显著区域，再对图像显著区域上的特征进行提取，以此减少局部特征提取算法产生的特征信息。但由于常用的图像显著区域检测技术本身复杂度较高，虽然能够有效减少特征信息，但会造成在局部特征提取阶段的额外时间开销。因此，需要设计一种高效的显著区域检测技术，在引入较小时间开销的前提下有效检测出图像的关键区域。对于人脑或是计算机，对比度属性最重要和最基本的特征。因此，可以根据对比度来检测及删选特征点。另一方面，不论是显著区域检测技术还是局部特征提取算法，本质上都是在图像金字塔上计算对比度特征。因此，是否可以设计出一种新的技术避免这样的重复计算以减小显著区域检测的开销成为本设计的切入点。
技术实现思路
本专利技术的目的在于提供一种高效的基于图像局部特征的显著区域检测算法。本专利技术提供的基于图像局部特征的显著区域检测算法，一方面通过显著区域计算，避免图像局部特征提取算法对整张图像做计算，以减少特征提取算法产生的特征信息， 提高处理速度；另一方面，利用这种技术能在损失较小的准确度的条件下快速检测出图像的显著区域，有效减少显著区域检测引入的额外计算开销。本专利技术算法的基本步骤为首先，利用图像局部特征算法，获得特征检测阶段的图像特征点分布；然后，根据分布的标准差和特征点数量将分布矩阵变换为适应矩阵；最后， 再利用动态规划算法求出适应矩阵的最大子矩阵和，得到的最大子矩阵就是显著区域。从而在损失较小的准确度的情况下快速检测出图像的显著区域。各个步骤具体介绍如下(1)、计算特征点分布矩阵，即利用图像局部特征算法，获得特征检测阶段的图像特征点分布；再对图像进行n*m分块，计算每块中特征点的数量，将每个区域包含特征点的数量记录分布矩阵B中，分布矩阵B为下一阶段提供数据；(2)、计算适应矩阵，即根据分布的标准差和特征点数量将分布矩阵变换为适应矩阵； 具体来说，将分布矩阵B转化为适应矩阵，由于分布矩阵中都是自然数，最大子矩阵和就是矩阵本身，所以需要使它转化为整数矩阵，即对分布矩阵B中的每个元素减去一个适应因子K。适应因子K与图像的特征点数量和分布情况有关。我们用分布矩阵特征点数量的平均值卩来描述特征点的数量，用标准差jy来描述特征点的分布，aγx^a 2=0,/=0 X ν /其中7 = ι / ^ * m ，，^u表示第i行j列分块中特征点的数量。因此定义K=fn( /f "="“..—对)χ fn()是与分布标准差相关的函数。在确定适应因子K后，将分布矩阵B中每个元素减去K，得到适应矩阵A ；(3)、求最大子矩阵和，即利用动态规划算法求出适应矩阵的最大子矩阵和，得到的最大子矩阵就是显著区域。具体来说，是根据步骤(2)得到的适应矩阵A，将寻找显著区域的问题转换为寻找适应矩阵A的最大子矩阵和问题。本专利技术利用最大子矩阵和的动态规划解法将问题的复杂度从0(n3 Xn3)降到0(mXn2)，其中η表示行的分块数，m表示列的分块数量。本专利技术还能方便计算第二大显著区域，即在得到最大子区域后，将该区域屏蔽，继续计算最大子区域。 同样能够计算第N大显著区域。本专利技术的贡献在于1)本专利技术设计并实现了一种快速的显著区域检测技术。2)本专利技术利用了局部特征提取算法中特征检测阶段产生的中间结果，避免重复计算图像金字塔上的对比度特征。3)本专利技术避免计算多种低级别的视觉特征。4)本专利技术利用现有的最大子矩阵和算法快速找出特征点分布最集中的区域。5)本专利技术的设计可以扩展快速检测出图像中的第N大显著区域。附图说明图1为本专利技术所述基于局部特征的显著区域检测算法的计算过程。 具体实施例方式在具体实施过程中，可以采用多种图像局部特征提取算法，一般采用SURF，SIFT 或其变种。下面将按顺序介绍本专利技术三个步骤的详细实现。步骤1、计算特征点分布矩阵本步骤目的在于得到特征点的分布矩阵。本专利技术在实施过程中使用SURF算法作为图像局部特征提取算法。利用SURF算法特征检测阶段，该过程分为四个阶段1)首先是计算积分图像，输入原图像的灰度图像，计算积分图像的过程是将输入的灰度图像抽象成每个点都用原点和这个点的坐标构成的矩形里所有的点的灰度和来表示的形式；2)在对积分图像计算Hessian矩阵，SURF采用一种box filter的方法近似地求出Hessian矩阵的特征值；3)为了使得提取出来的特征不会受到图像伸缩变换带来的影响，SURF采用了金字塔方式的计算，每个图像会计算它在不同大小情况下的特征；4)在金字塔中寻找满足条件特征4(2)即对正整数分布矩阵B每个元素减去一个常数。因此可以利用最大子矩阵和算法求特征点分布最集中的区域。P的值决定了 K的大小。当K的值取大时，找到的子矩阵就越小， 相反，当K变小时，找到的子矩阵将变大。因此，K称为适应因子，我们定义一个适应函数来得到K值。 测试发现对于特征点数量和分布情况不同的图像，K的值(或者ρ的值，但这里从K的取值来分析)应该有所不同。为了使K随图像特征点数量变化，定义K=k*i，其中^是分布矩阵特征点的平均值。为了使K随特征点的分布而不同，对于n*m的分布矩阵B，我们用标准差k来区分不同分布类型的图像，因此定义k=fn(d)。fn(d)是一个关于标准差d的适应函数』= ^ 1^,其中P=…、=, 为第i行第j列分块中特征点数量。k的值应该与标准差d成正比，才能保证最大子矩阵取适= ^后，则公式2变换为值最大的点，即图像的特征点。在得到图像的特征点后对图像进行分块，将每块区域特征点的数量记录在分布矩阵B中，分布矩阵B为下一阶段提供数据。步骤2、计算适应矩阵经过步骤1，得到了分布矩阵B。为了求得矩阵B中特征点分布最集中的区域R，首先定义区域R为该区域中单位面积特征点数量大于整张图像单位面积特征点数量P倍的最大子区域，一般P>1。即max{ R \ Xj.. ^ h > px Sr / San }(ι)其中max为求最大值，b 表示第i行j列分块中特征点的数量，&表示当前区域 R的面积，Sall为图像的总面积。但是对于求解这个问题算法需要遍历这个矩阵的所有可能的子矩阵，算法复杂度高为0(m3*n3)，其中η表示行的分块数，m表示列的分块数量。本专利技术将寻找特征点最密集的最大子区域问题转化成已存在较好解决的算法模型，即最大子矩阵和模型。最大子矩本文档来自技高网...

【技术保护点】

【技术特征摘要】

【专利技术属性】
技术研发人员：张为华，朱斐文，杨冬蕾，臧斌宇，
申请(专利权)人：复旦大学，上海红神信息技术有限公司，
类型：发明
国别省市：