[发明专利]一种基于频域稀疏表示的立体图像视觉显著提取方法

权利要求书

1.一种基于频域稀疏表示的立体图像视觉显著提取方法，其特征在于包括以下步骤：

①对于任意一幅测试立体图像S_test，将S_test的左视点图像变换到Lab颜色空间，且将尺寸变换到200×200像素尺寸，将变换得到的图像记为{L_Lab200(x₁,y₁)}；然后将{L_Lab200(x₁,y₁)}的L通道图像、a通道图像、b通道图像对应记为{L_Lab200,L(x₁,y₁)}、{L_Lab200,a(x₁,y₁)}、{L_Lab200,b(x₁,y₁)}；其中，S_test的宽度为W，S_test的高度为H，1≤x₁≤200，1≤y₁≤200，L_Lab200(x₁,y₁)表示{L_Lab200(x₁,y₁)}中坐标位置为(x₁,y₁)的像素点的像素值，L_Lab200,L(x₁,y₁)表示{L_Lab200,L(x₁,y₁)}中坐标位置为(x₁,y₁)的像素点的像素值，L_Lab200,a(x₁,y₁)表示{L_Lab200,a(x₁,y₁)}中坐标位置为(x₁,y₁)的像素点的像素值，L_Lab200,b(x₁,y₁)表示{L_Lab200,b(x₁,y₁)}中坐标位置为(x₁,y₁)的像素点的像素值；

将S_test的视差图缩放到200×200像素尺寸，将缩放得到的图像记为{D₂₀₀(x₁,y₁)}；然后将{D₂₀₀(x₁,y₁)}中的每个像素点的像素值归一化到[0，1]数值范围，将归一化得到的图像记为{D_0,1(x₁,y₁)}；其中，D₂₀₀(x₁,y₁)表示{D₂₀₀(x₁,y₁)}中坐标位置为(x₁,y₁)的像素点的像素值，D_0,1(x₁,y₁)表示{D_0,1(x₁,y₁)}中坐标位置为(x₁,y₁)的像素点的像素值；

②将{L_Lab200,L(x₁,y₁)}、{L_Lab200,a(x₁,y₁)}、{L_Lab200,b(x₁,y₁)}、{D_0,1(x₁,y₁)}分别划分为个互不重叠的尺寸大小为8×8的图像块；然后将{L_Lab200,L(x₁,y₁)}划分图像块后得到的分块图像对应的矩阵记为由{L_Lab200,L(x₁,y₁)}划分图像块后得到的分块图像中的所有图像块对应的子矩阵构成；并将{L_Lab200,a(x₁,y₁)}划分图像块后得到的分块图像对应的矩阵记为由{L_Lab200,a(x₁,y₁)}划分图像块后得到的分块图像中的所有图像块对应的子矩阵构成；将{L_Lab200,b(x₁,y₁)}划分图像块后得到的分块图像对应的矩阵记为由{L_Lab200,b(x₁,y₁)}划分图像块后得到的分块图像中的所有图像块对应的子矩阵构成；将{D_0,1(x₁,y₁)}划分图像块后得到的分块图像对应的矩阵记为由{D_0,1(x₁,y₁)}划分图像块后得到的分块图像中的所有图像块对应的子矩阵构成；其中，1≤m₁≤8，1≤n₁≤8，表示{L_Lab200,L(x₁,y₁)}划分图像块后得到的分块图像中的第u行第v列的图像块中坐标位置为(m₁,n₁)的像素点的像素值，亦表示中的第u行第v列的子矩阵中下标为(m₁,n₁)的元素的值，表示{L_Lab200,a(x₁,y₁)}划分图像块后得到的分块图像中的第u行第v列的图像块中坐标位置为(m₁,n₁)的像素点的像素值，亦表示中的第u行第v列的子矩阵中下标为(m₁,n₁)的元素的值，表示{L_Lab200,b(x₁,y₁)}划分图像块后得到的分块图像中的第u行第v列的图像块中坐标位置为(m₁,n₁)的像素点的像素值，亦表示中的第u行第v列的子矩阵中下标为(m₁,n₁)的元素的值，表示{D_0,1(x₁,y₁)}划分图像块后得到的分块图像中的第u行第v列的图像块中坐标位置为(m₁,n₁)的像素点的像素值，亦表示中的第u行第v列的子矩阵中下标为(m₁,n₁)的元素的值；

③将组成一个四元数矩阵，记为将中的第u行第v列的子矩阵中下标为(m₁,n₁)的元素的四元数值记为其中，i、j、k均为虚数单位；

④对中的每个子矩阵进行二维四元数傅里叶变换，得到的变换四元数矩阵，记为将中的第u行第v列的子矩阵中下标为(m₁,n₁)的元素的四元数值记为然后将的实数部分、i虚数部分、j虚数部分、k虚数部分对应记为接着提取各自的低频分量，对应记为其中，QFT()表示二维四元数傅里叶变换函数，表示中的第u行第v列的子矩阵中下标为(m₁,n₁)的元素的值，表示中的第u行第v列的子矩阵中下标为(m₁,n₁)的元素的值，表示中的第u行第v列的子矩阵中下标为(m₁,n₁)的元素的值，表示中的第u行第v列的子矩阵中下标为(m₁,n₁)的元素的值，1≤m₂≤4，1≤n₂≤4，表示中的第u行第v列的子矩阵中下标为(m₂,n₂)的元素的值，表示中的第u行第v列的子矩阵中下标为(m₂,n₂)的元素的值，表示中的第u行第v列的子矩阵中下标为(m₂,n₂)的元素的值，表示中的第u行第v列的子矩阵中下标为(m₂,n₂)的元素的值；

⑤根据获取对应的低频分量图，记为将中的第u行第v列的8×8区域中坐标位置为(m₁,n₁)的像素点的像素值记为其中，表示中的第u行第v列的子矩阵中下标为(m₁,n₁)的元素的值，表示中的第u行第v列的子矩阵中下标为(m₁-4,n₁)的元素的值，表示中的第u行第v列的子矩阵中下标为(m₁,n₁-4)的元素的值，表示中的第u行第v列的子矩阵中下标为(m₁-4,n₁-4)的元素的值；

⑥利用Lasso方法，并以为稀疏表示字典，提取中的每个8×8区域的稀疏权重，得到对应的稀疏权重矩阵，记为其中，在Lasso方法中采用权重参数λ来选择拉格朗日惩罚项，1≤u₁≤25，1≤v₁≤25，表示以为稀疏表示字典对中的第u行第v列的8×8区域进行稀疏表示时生成的第u₁行第v₁列的权重块中下标为(m₁,n₁)的元素的值，表示中的第u行第v列的子矩阵中下标为(u₁,v₁)的元素的值；

⑦获取25×25像素尺寸的绝对值和图像，记为{W_abs(u,v)}，将{W_abs(u,v)}中坐标位置为(u,v)的像素点的像素值记为W_abs(u,v)，并获取25×25像素尺寸的中心偏好图像，记为{C_saliency25(u₁,v₁)}，将{C_saliency25(u₁,v₁)}中坐标位置为(u₁,v₁)的像素点的像素值记为C_saliency25(u₁,v₁)，然后获取25×25像素尺寸的第一中心四周显著图像，记为{C_cs(u,v)}，将{C_cs(u,v)}中坐标位置为(u,v)的像素点的像素值记为C_cs(u,v)，并获取25×25像素尺寸的第二中心四周显著图像，记为{C_near(u,v)}，将{C_near(u,v)}坐标位置为(u,v)的像素点的像素值记为C_near(u,v)，接着利用高斯滤波模板对{C_cs(u,v)}进行模糊处理，将{C_cs(u,v)}模糊处理后得到的图像记为{C_cs-g(u,v)}；并利用高斯滤波模板对{C_near(u,v)}进行模糊处理，将{C_near(u,v)}模糊处理后得到的图像记为{C_near-g(u,v)}；其中，abs()为取绝对值函数，e为自然基数，u₀表示{C_saliency25(u₁,v₁)}的中心像素点的横坐标，v₀表示{C_saliency25(u₁,v₁)}的中心像素点的纵坐标，δ_F表示第一中心偏好参数，δ_D表示第二中心偏好参数，C_cs-g(u,v)表示{C_cs-g(u,v)}中坐标位置为(u,v)的像素点的像素值，C_near-g(u,v)表示{C_near-g(u,v)}中坐标位置为(u,v)的像素点的像素值，高斯滤波模板运用时取控制模糊程度参数的值为5、取控制滤波宽度参数X_G的值为5、取控制滤波高度参数Y_G的值为5；

⑧对{C_cs-g(u,v)}和{C_near-g(u,v)}进行融合，得到融合图像，记为{C_F(u,v)}，将{C_F(u,v)}中坐标位置为(u,v)的像素点的像素值记为C_F(u,v)，C_F(u,v)＝0.3×C_near-g(u,v)+0.7×C_cs-g(u,v)；然后利用{C_saliency25(u₁,v₁)}对{C_F(u,v)}进行中心四周加强，得到25×25像素尺寸的中心四周加强图像，记为{C_FO(u,v)}，将{C_FO(u,v)}中坐标位置为(u,v)的像素点的像素值记为C_FO(u,v)，C_FO(u,v)＝C_F(u,v)×C_saliency25(u₁,v₁)；接着对{C_FO(u,v)}进行图像尺寸转换，得到S_test的视觉显著图像，记为{S_F(x,y)}；其中，S_F(x,y)表示{S_F(x,y)}中坐标位置为(x,y)的像素点的像素值，1≤x≤W，1≤y≤H。