像素层面的感兴趣区域提取方法

摘要

本发明公开了一种像素层面的感兴趣区域提取方法，用于降低数据规模，提高图像处理的效率。该方法包括以下几个步骤：利用视觉注意模型得到显著图，并将显著图二值化，获得其中的显著点后将其聚类并针对聚类时出现的问题进行优化；同时将原图像二值化，并通过扫描二值图提取原图像的二值化图轮廓；优化后的聚类点作为种子点填充，然后与原图像掩膜，提取到图像的感兴趣区域。本发明以显著图为基础，以显著图中的像素点，即显著点为目标，提取图像中的感兴趣区域时的运算速度可和显著点的个数成线性关系，且感兴趣区域的漏分率至少降为原来的一半，而误分率无明显增加。

主权项

一种像素层面的感兴趣区域提取方法，其特征在于，包括以下步骤：步骤1：输入待处理的原图像G_R并进行预处理；步骤2：利用四种视觉注意模型分别得到原图像的显著图，并选择其中效果最佳的显著图作为最佳显著图；步骤3：聚类并优化最佳显著图中的显著点；步骤4：以所述的显著点作为种子点进行种子填充，并将填充后的图像进行二值化操作，得到二值图；步骤5：基于所述的二值图与原图像进行掩膜操作，得到最终的图像的感兴趣区域；步骤1中的预处理的过程为：1）将原图像G_R转换为单通道八位格式的灰度图像G_G；2）采用自动阈值的方式将灰度图像G_G二值化；3）扫描二值图的内边界和外边界，提取边界轮廓；步骤2中，所述的四种视觉注意模型为Itti‑Koch模型、Stentiford模型、光谱剩余模型和Hu‑Rajan‑Chia模型；利用所述的四种视觉注意模型得到对应的四个显著图，并从中选择效果最佳的显著图即最佳显著图；步骤3的具体过程为：1）将单通道浮点数表示的最佳显著图转化为单通道八位的图像，将最佳显著图二值化；2）根据二值化后的最佳显著图得到相应的显著点，使用K‑means聚类将显著点聚类；得到至少一个聚类中心点；在聚类时，采用以下优化方法：（1）多次运行显著点K‑means聚类，每次都将中心点放置在不同位置，选取方差最小的那一次的结果作为聚类中心点；（2）聚类点设置从1开始到5，每次递增1，并且每次运行的显著点聚类只迭代1次；在此过程中，方差先降后升，存在一个拐点，而这个在拐点处的聚类个数，即为最佳聚类个数；步骤4的具体过程为：首次填充时，填充种子点即聚类中心点所在轮廓层数J，每次均以白色进行填充，若所在区域里面仍有子边界，即存在孔洞，则将孔洞也进行填充；然后，对填充操作后的图像进行二值化分割，被填充的亮白区域即填充区域设为1，其余区域均设为0，得到二值图；步骤5中，掩膜得到图像的感兴趣区域的过程为：1）步骤1中提取边界轮廓后得到的填充边界和步骤4中得到的填充区域结合，得到一中间处理图像Img；2）Img和原图像G_R执行“与”操作，即得到G_R对应的感兴趣区域。