[发明专利]一种立体图像显著性区域检测方法

说明书

技术领域

本发明涉及一种立体图像显著性区域检测方法。更具体地说，本发明涉及一种基于视差影响度和空间不相似度进行的立体图像显著性区域检测方法。

背景技术

视觉显著性由于其能够模拟人类视觉注意机制的特征而受到了研究领域的广泛关注，它已经成为神经系统科学、机器人学、计算机视觉等领域需要研究的课题。显著性区域的识别能够应用到目标识别，图像重定位，视觉追踪技术，图像分割，还能够用于分析人类视点的选取。目前，针对显著性提取的方法多面向单幅二维图像。随着信息科技技术地发展，更多的立体图像出现在人们的生活当中，这也为显著性提取技术提出了新的挑战。人们需要对立体图像的显著性重新进行分析和采样，在二维图像显著性研究的基础之上，引入新的因素和特征，综合估计立体显著性。

C.Lang在2012年中提供了深度特征提取的理论依据和方法，首先通过大量的对2D图像和3D图像的视点追踪实验得出四项结论：(1)深度特征会将视觉显著性调制到更远的深度范围，但是人类视觉依然更倾向于注意深度值较低的场景；(2)大量视点落在少量兴趣物上，在这一特点上，2D和3D都是一样的；(3)深度特征和显著性之间呈现非线性变化；(4)随着深度信息的增加，会导致2D和3D间视点分布变化程度的增加，特别是那种不同深度范围内都有显著刺激物的图像。这四项结论为深度特征提取在显著物目标检测的应用上提供了重要的理论依据，证明了深度特征的存在会大幅度影响视觉显著性在图像上的大小和分布。该文献在得出这四项结论之后，又通过高斯拟合分解深度概率密度函数，提取深度特征，并和2D显著性算法结合得出针对立体图像的显著性算法。K.Desingh在2013年对C.Lang的工作进一步优化和扩充，在实验中加入了对高景深背景模糊图像和中央偏置的测试，利用M.M.Cheng基于全局对比度的思想和点云分割技术提取深度特征，结合二维显著性算法得到三维图像显著性算法。Niu在2012年提出了两个方法，一个是基于全局视差估计对比的方法(CSS)，一个是基于立体视觉规则的方法(KSS)，并在文献中将两个方法进行了结合来提取立体图像显著性。但是，他们对显著性区域检测的精度还不够高。

发明内容

本发明的一个目的是解决立体图像显著性区域检测的精度不高的缺陷，并提供至少后面将说明的优点。

本发明还有一个目的是提供一种立体图像显著性区域检测方法，该方法是基于视差影响度和空间不相似度进行的，通过本发明提出的立体图像显著性区域检测方法可显著的提高立体图像显著性区域检测的精确度。

为了实现根据本发明的这些目的和其它优点，提供了一种立体图像显著性区域检测方法，其为基于视差影响度和空间不相似度进行的，包括以下步骤：

步骤1)分别对立体图像的左眼视图和右眼视图利用Sift Flow算法求出各像素点的流信息；

步骤2)将左眼视图和右眼视图上的流信息进行匹配，得到两个图像的内容上相对应的像素点之间的位置偏移值，将其作为视差值，由此得到视差图；

步骤3)选取左眼视图和右眼视图其中之一，从中分出T个不重叠的正方形图像块，每个图像块中包含K²个像素；

步骤4)将步骤3)中的分块方式对应地移植到视差图上，计算视差图上每个图像块的视差影响度值；

步骤5)计算所选取的左眼视图和右眼视图其中之一上每个图像块的中央偏置特征值和空域不相似度值，并将这两者与步骤4)中的视差影响度三者相乘，得到该图像块的显著值；

步骤6)用图像块的显著值取代将该图像块中的每个像素点的显著值，将所有像素点的显著值进行归一化处理，就得到了立体图像的显著灰度图。

优选的是，所述的立体图像显著性区域检测方法，得到视差图的方法为：将视差值以灰度值形式展现在图像上，其中，灰度值的取值范围为[0～255]，且所述视差值的大小与所述灰度值的大小正相关。

优选的是，所述的立体图像显著性区域检测方法，其中，还包括以下步骤：

步骤7)对显著灰度图进行二层过滤，得到立体图像的显著区域。

优选的是，所述的立体图像显著性区域检测方法，其中，所述步骤4)中计算视差影响度的方法如下：

①计算视差影响度的公式如下：