[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

摘要

本发明公开了一种基于频域稀疏表示的立体图像视觉显著提取方法，其获取测试立体图像的左视点图像的小尺寸的三通道图像和小尺寸的归一化视差图；对三通道图像和归一化视差图分块得到分块图像对应的矩阵；将四个矩阵组成四元数矩阵，经二维四元数傅里叶变换后得到变换四元数矩阵，并根据实部和三个虚部的低频分量，获取低频分量图；用稀疏表示字典提取低频分量图的稀疏权重矩阵；根据稀疏权重矩阵和中心偏好图像，获取两幅中心四周显著图像；对两幅中心四周显著图像模糊处理，进而融合得到融合图像；利用中心偏好图像对融合图像的中心四周加强；中心四周加强图像尺寸转换后得到视觉显著图像；优点是其具有较强的提取稳定性和较高的提取准确性。

主权项

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Stest，将Stest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{LLab200(x1,y1)}；然后将{LLab200(x1,y1)}的L通道图像、a通道图像、b通道图像对应记为{LLab200,L(x1,y1)}、{LLab200,a(x1,y1)}、{LLab200,b(x1,y1)}；其中，Stest的宽度为W，Stest的高度为H，1≤x1≤200，1≤y1≤200，LLab200(x1,y1)表示{LLab200(x1,y1)}中坐标位置为(x1,y1)的像素点的像素值，LLab200,L(x1,y1)表示{LLab200,L(x1,y1)}中坐标位置为(x1,y1)的像素点的像素值，LLab200,a(x1,y1)表示{LLab200,a(x1,y1)}中坐标位置为(x1,y1)的像素点的像素值，LLab200,b(x1,y1)表示{LLab200,b(x1,y1)}中坐标位置为(x1,y1)的像素点的像素值；将Stest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{D0,1(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，D0,1(x1,y1)表示{D0,1(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{Ccs‑g(u,v)}和{Cnear‑g(u,v)}进行融合，得到融合图像，记为{CF(u,v)}，将{CF(u,v)}中坐标位置为(u,v)的像素点的像素值记为CF(u,v)，CF(u,v)＝0.3×Cnear‑g(u,v)+0.7×Ccs‑g(u,v)；然后利用{Csaliency25(u1,v1)}对{CF(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{CFO(u,v)}，将{CFO(u,v)}中坐标位置为(u,v)的像素点的像素值记为CFO(u,v)，CFO(u,v)＝CF(u,v)×Csaliency25(u1,v1)；接着对{CFO(u,v)}进行图像尺寸转换，得到Stest的视觉显著图像，记为{SF(x,y)}；其中，SF(x,y)表示{SF(x,y)}中坐标位置为(x,y)的像素点的像素值，1≤x≤W，1≤y≤H。