基于三维显著度的图像剪裁方法

摘要

本发明公开了一种基于三维显著度的图像剪裁方法，其特征是按如下步骤进行：1利用深度数据获得目标图像的深度图；2将深度图和二维模型结合起来构建三维显著度模型；3根据图像灰度的分布自适应的更新深度数据和二维模型之间的权重；4利用三维显著度模型计算图像能量函数梯度；5去除显著度较小的点以对图像进行剪裁。本发明能将深度信息与二维显著度进行结合，并增强剪裁的鲁棒性。

主权项

一种基于三维显著度的图像剪裁方法，其特征是按如下步骤进行：步骤1：利用式(1)计算图像大小为m×n的目标图像I中每个像素点的能量函数E：$E(x,y)=\left|\frac{\delta }{\mathrm{\delta x}}I(x,y)\right|+\left|\frac{\delta }{\mathrm{\delta y}}I(x,y)\right|---\left(1\right)$式(1)中，E(x,y)为所述目标图像I在像素点(x,y)处的能量值；I(x,y)为所述目标图像I在像素点(x,y)处的灰度值；x∈(0,m)；y∈(0,n)；步骤2：对所述目标图像I进行特征提取，获得二维特征矩阵X；步骤3、利用式(2)获得所述目标图像I的二维显著度S_2D：$S_{2D}=\exp \left(\frac{{-\left|\right|X_i-X_j\left|\right|}^2}{2{\sigma }^2}\right)---\left(2\right)$式(2)中，X_i、X_j分别为所述二维特征矩阵两个不同行向量；σ为常数；步骤3、利用式(3)构建三维显著度模型S_3D：S_3D＝(1‑α)S_2D+α·E_depth   (3)式(3)中，E_depth为利用3D相机获取所述目标图像I的深度图，α为自适应参数；并有：$\alpha =\frac{\underset{x,y=0}{\overset{m,n}{\Sigma }}{n(x,y)·(I(x,y)-\overline{I(x,y)})}^2}{D_{\max }}---\left(4\right)$式(4)中，n(x,y)表示等于像素点(x,y)灰度值的像素个数；D_max为常数；步骤4：利用式(1)和(3)将所述能量函数E重新定义为E'：E'(x,y)＝E(x,y)·S_3D(x,y)    (5)式(5)中，E'(x,y)为所述目标图像I在像素点(x,y)处的新能量值；步骤5：利用式(6)计算所述目标图像I的图像显著度S：$S((x_b,n),(x_a,n-1))=\underset{a=1}{\overset{b-1}{\Sigma }}|G_{a,n}^v-G_{a,n}^d|+\underset{a=a+1}{\overset{b}{\Sigma }}\left|G_{a,n}^v{G}_{a-1,n}^d\right|---\left(6\right)$式(6)中，(x_b,n)为所述目标图像I中第n列的第b个像素点，(x_a,n‑1)为所述目标图像I中第n‑1列的第a个像素点，a≠b，且a,b∈(0,m)；S((x_b,n),(x_a,n‑1))表示所述目标图像I中第n列第b个像素点x_b与第n‑1列第a个像素点x_a的能量差值；表示所述目标图像I水平方向v上的梯度；并有表示所述目标图像I对角线方向d上的梯度，并有$G_{a,n}^d=|E_{a,n}^{\prime }-E_{a+1,n-1}^{\prime }|;$步骤6：以b个像素为窗口对所述目标图像I进行扫描，并利用式(7)获得所述图像显著度S的最小值集合s^*：s^*＝minS     (7)步骤7、去除所述目标图像I中最小值集合s^*所对应的像素点以实现对所述目标图像I的裁剪。