本发明专利技术公开了一种融合视觉显著性和灰度共生矩的纹理特征提取方法，包括以下步骤：步骤1、初始化步骤：对某一图像，确定检测窗口、基本块和超级块大小；步骤2、以基本块为单位计算显著性因子和图像的纹理结构特征向量：步骤3、以超级块为单位，通过二维直方图结合显著性因子和纹理结构特征向量生成一定维数的显著性纹理结构特征描述算子；根据显著性因子算子、检测窗口大小、基本块大小、超级块大小，为每个超级块中提取一个显著性纹理结构特征描述算子，并以一维特征向量表述。本发明专利技术提供的模拟人眼观察事物的发散性及显著性特点的纹理特征提取方法，计算简单，冗余度低，实时性好。
【技术实现步骤摘要】
本专利技术属于计算机视觉方法领域，涉及。
技术介绍
目标检测是计算机视觉研究中的一个重要课题，它是目标行为理解的基础，是图像系统连续准确工作的重要部分，视觉目标检测通常是指在图像或者连续变化的视频序列中对感兴趣区域或者目标对象进行精确定位。计算机视觉目标检测在机器人定位与导航、智能交通工具、视频监控、视频编解码压缩技术、虚拟现实的人机交互等应用中具有非常重要的价值和意义。如何有效提高目标检测算法在复杂环境下的准确性，以及如何增加算法在多变场景下的鲁棒性，一直是目标检测的两个关键问题。 基于表观特征的图像目标检测是主要方法之一。表观特征，又被定义成图像特征空间(也叫做描述算子)，基于表观特征的图像目标检测方法可以分为整体法、局部法、特征点对法。不管是整体、局部还是特征点对法，一个核心的问题是如何有效表示目标的整体特征、部位特征或者局部块特征，方向梯度直方图特征是目前广泛使用的目标特征表示。典型的如梯度方向直方图特征(Histogram of Oriented Gradient,简称HOG), HOG基于梯度信息并允许块间相互重叠，因此，对光照变化和偏移不敏感，能较好地刻画目标的边缘特征，但HOG也有其缺点特征维度高，大量的重叠和直方图统计，使得特征的计算速度慢，影响实时性；遮挡处理能力较差；未利用颜色、形状和纹理等特征。针对这些缺点，近年来一些研究者提出了更多的特征如C0V、Integral Channel Feature、ACF、GGP、SIFT等。但是方向梯度无法刻画人眼视觉敏感度，信息冗余度大，实时性、准确性和鲁棒性都较差。
技术实现思路
本专利技术所要解决的技术问题是提供，本专利技术提供的模拟人眼观察事物的发散性及显著性特点的纹理特征提取方法，计算简单，冗余度低，实时性好。专利技术的技术解决方案如下，包括以下步骤步骤I、初始化步骤对某一图像，确定检测窗口、基本块和超级块大小；步骤2、以基本块为单位计算显著性因子和图像的纹理结构特征向量显著性因子的计算过程对图像中的每一个像素，先计算所有邻域像素与中心像素灰度值的差值总和，再计算局部显著因子；进一步确定当前像素点的显著性因子；纹理结构特征向量的计算方法用发散灰度共生矩阵提取图像的局部纹理结构；用一维向量即纹理结构特征向量表示局部纹理结构；步骤3、以超级块为单位，通过二维直方图结合显著性因子和纹理结构特征向量生成显著性纹理结构特征描述算子；根据显著性因子算子、检测窗口大小、基本块大小、超级块大小，为每个超级块中提取一个显著性纹理结构特征描述算子，并以一维特征向量表述。在检测窗口中按基本块的尺寸大小为步进滑动提取每个超级块的特征子，然后按顺序连结起来，从而形成最终的显著性纹理结构特征描述算子。步骤I中，将检测窗口分成n*m个基本块，将任何相邻的2*2个基本块组成一个超级块。步骤2中，局部显著因子为邻域像素和中心像素灰度值差的总和与中心像素灰度值的比值，即(; :'.)= + J7-1P-I其中，V= [(M) = [(-Yi—即八邻域； !=U<=o，p=8,其中，xc是中心像素点灰度值，Xi是中心像素点对应的邻域像素点灰度值，P是邻域像素个数，V是差值总和，G(x。)是局部显著因子；当前像素点X。的显著性因子ξ (xc)为ξ (xc) =arctan ,其中办·>,将ξ (xc)划分为R个区间lr，r=0, 1，…，R-l。步骤2中，纹理结构特征向量的具体计算方法为由NgXNg*形显著性因子算子，元素值是像素的灰度值d=(dx，dy)是一个位移矢量，其模值等于IdI=A^X)，形成一个NgXNg大小的特征向量,再取该特征向量的边缘概率值作为纹理结构特征向量；边缘概率公式如下 T-IT-I/:'(/) = Σ/'/(/,/),/·；(/) = X/V(/,./)，PJ (i，j)指描述纹理结构的概率； J=OI-Q连结E⑴、E(j)得到纹理结构 E(et)，t=0，1，· · ·，2T-1，式中 T = 8。步骤3中，根据每一个算子的显著性因子ξ (xc)和纹理结构特征向量，构造二维直方图，得到显著性纹理结构特征描述算子。首先计算出每个算子的显著因子ξ (xc)和纹理结构E(et)，从而可以得到两幅新的图像显著性因子图像和纹理结构图像，根据这两幅图像计算二维直方图{STh(lr，et)}，(r=0, l，..，R-l，t = O, 1，...，21'-1)，其大小为辟(21')。R是ξ的区间数，R可以取值为8 ;T是边缘概率E的个数。换句话说，在二维直方图里，每列对应的是一个显著因子区间，每一行对应的是一个纹理结构特征。因此，每一小块STh(Uet)对应的值是一个确定的显著因子区间L和纹理结构特征et的频率。根据图像大小和待检测目标的大小确定检测窗口大小,将检测窗口分成n*m个基本块,将任何相邻的2*2个基本块组成一个超级块，如图2所示.显著因子的意义在于对局部特征的显著性表述，在发散的局部特征中，局部显著性不能由差别阀限的绝对值来进行比较，而应由其相对值进行划定，而这种现象可以由韦伯定律解释。韦伯定律用公式表示为二 k，其中△ I是差别阀限，I是标准刺激强度，k为常数。根据韦伯定理，定义局部显著因子为邻域像素和中心像素灰度值差的总和与中心像素的比例关系，公式如下 权利要求1.，其特征在于，包括以下步骤 步骤I、初始化步骤 对某一图像，确定检测窗口、基本块和超级块大小； 步骤2、以基本块为单位计算显著性因子和图像的纹理结构特征向量 显著性因子的计算过程 对图像中的每一个像素，先计算所有邻域像素与中心像素灰度值的差值总和，再计算局部显著因子；进一步确定当前像素点的显著性因子； 纹理结构特征向量的计算方法 用发散灰度共生矩阵提取图像的局部纹理结构；用一维向量即纹理结构特征向量表示局部纹理结构； 步骤3、以超级块为单位，通过二维直方图结合显著性因子和纹理结构特征向量生成显著性纹理结构特征描述算子；根据显著性因子算子、检测窗口大小、基本块大小、超级块大小，为每个超级块中提取一个显著性纹理结构特征描述算子，并以一维特征向量表述。2.根据权利要求I所述的融合视觉显著性和灰度共生矩的纹理特征提取方法，其特征在于，步骤I中，将检测窗口分成n*m个基本块，将任何相邻的2*2个基本块组成一个超级块。3.根据权利要求I所述的融合视觉显著性和灰度共生矩的纹理特征提取方法，其特征在于，步骤2中， 局部显著因子为邻域像素和中心像素灰度值差的总和与中心像素灰度值的比值，即4.根据权利要求I所述的融合视觉显著性和灰度共生矩的纹理特征提取方法，其特征在于，步骤2中，纹理结构特征向量的具体计算方法为 由NgXNg*形显著性因子算子，元素值是像素的灰度值d=(dx，dy)是一个位移矢量，其模值等于网= 心，形成一个NgXNg大小的特征向量，再取该特征向量的边缘概率值作为纹理结构特征向量； 边缘概率公式如下5.根据权利要求1-4任一项所述的融合视觉显著性和灰度共生矩的纹理特征提取方法，其特征在于，步骤3中，根据每一个算子的显著性因子ξ (xc)和纹理结构特征向量，构造二维直方图，得到显著性纹理结构特征描述算子。全文摘要本专利技术公开了，包括以下步骤步骤1、初始化步骤本文档来自技高网...
【技术保护点】
一种融合视觉显著性和灰度共生矩的纹理特征提取方法，其特征在于，包括以下步骤：步骤1、初始化步骤：对某一图像，确定检测窗口、基本块和超级块大小；步骤2、以基本块为单位计算显著性因子和图像的纹理结构特征向量：显著性因子的计算过程：对图像中的每一个像素，先计算所有邻域像素与中心像素灰度值的差值总和，再计算局部显著因子；进一步确定当前像素点的显著性因子；纹理结构特征向量的计算方法：用发散灰度共生矩阵提取图像的局部纹理结构；用一维向量即纹理结构特征向量表示局部纹理结构；步骤3、以超级块为单位，通过二维直方图结合显著性因子和纹理结构特征向量生成显著性纹理结构特征描述算子；根据显著性因子算子、检测窗口大小、基本块大小、超级块大小，为每个超级块中提取一个显著性纹理结构特征描述算子，并以一维特征向量表述。
【技术特征摘要】
【专利技术属性】
技术研发人员：肖德贵，辛晨，曾凡仔，
申请(专利权)人：湖南致尚科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。