Карта значимости - Saliency map - Wikipedia

Вид на форт Марбург (Германия) и карта яркости изображения с использованием цвета, интенсивности и ориентации.

В компьютерное зрение, а карта значимости является изображение это показывает каждый пиксель уникальное качество.[1] Цель карты значимости - упростить и / или изменить представление изображения на что-то более значимое и более простое для анализа. Например, если пиксель имеет высокий уровень серого или другое уникальное качество цвета в цветном изображении, качество этого пикселя будет очевидным образом отображаться на карте яркости. Особенность - это своего рода сегментация изображения.

Важность как проблема сегментации

Оценка значимости может рассматриваться как пример сегментация изображений. В компьютерное зрение, сегментация изображения - это процесс разделения цифрового изображения на несколько сегментов (наборов пикселей, также известных как суперпиксели ). Цель сегментации - упростить и / или изменить представление изображения на что-то более значимое и более простое для анализа. Сегментация изображений обычно используется для определения объектов и границ (линий, кривых и т. Д.) На изображениях. Точнее, сегментация изображения - это процесс присвоения метки каждому пикселю в изображении таким образом, чтобы пиксели с одинаковой меткой обладали определенными характеристиками.[2]

Пример реализации

Во-первых, мы должны вычислить расстояние каждого пикселя до остальных пикселей в том же кадре:

это значение пикселя , в диапазоне [0,255]. Следующее уравнение представляет собой расширенную форму этого уравнения.

SALS (яk) = |яk - я1| + |яk - я2| + ... + |яk - яN|

Где N - общее количество пикселей в текущем кадре. Затем мы можем изменить структуру нашей формулы. Мы объединяем ценность, имеющую то же I.

SALS (яk) = ∑ Fп × |яk - яп|

Где Fп это частота яп. И значение n принадлежит [0,255]. Частоты выражаются в виде гистограммы, а время вычисления гистограммы равно временная сложность.

Сложность времени

Этот алгоритм карты значимости имеет временная сложность. Поскольку время вычисления гистограммы равно временная сложность, которая N - количество пикселей в кадре. Кроме того, минусовая часть и умноженная часть этого уравнения требуют 256-кратной операции. Следовательно, временная сложность этого алгоритма равна что равно .

Псевдокод

Весь следующий код псевдо Matlab код. Сначала прочтите данные из видеопоследовательностей.

за k = 2 : 1 : 13  %, что означает от кадра 2 до 13, и в каждом цикле значение K увеличивается на единицу.  я = imread (текущее имя файла); % чтения текущего кадра  I1 = im2single (я);    % преобразовать двойное изображение в одинарное (требование команды vlslic)  л = imread (предыдущее имя файла); % прочитал предыдущий кадр  I2 = im2single (л); regionSize = 10; % set параметр SLIC, установка этого параметра является экспериментальным результатом. RegionSize означает размер суперпикселя.  регуляризатор = 1; % установить параметр SLIC   сегменты1 = vl_slic (I1, regionSize, регуляризатор); % получить суперпиксель текущего кадра  сегменты2 = vl_slic (I2, regionSize, регуляризатор); % получить суперпиксель предыдущего кадра  numsuppix = max (сегменты1 (:)); % получить количество суперпикселей, в которых находится вся информация о суперпикселях эта ссылка  regstats1 = regionprops (сегменты1, 'все'); regstats2 = regionprops (сегменты2, 'все'); % получить характеристику региона на основе сегментов1

После чтения данных мы выполняем обработку суперпикселей для каждого кадра. Spnum1 и Spnum2 представляют номер пикселя текущего кадра и предыдущего пикселя.

% Сначала мы вычисляем значение расстояния каждого пикселя.% Это наш основной кодза я=1:1:spnum1   % От первого до последнего пикселя. И в каждом цикле i ++      за j = 1: 1: spnum2 % Из то первый пиксель к то последний один. j ++. предыдущий Рамка           центредист(я:j) = сумма((центр(я)-центр(j))); % рассчитать межосевое расстояние       конецконец

Затем мы вычисляем цветовое расстояние каждого пикселя, этот процесс мы называем функцией контракта.

за я=1:1:spnum1 % От первого пикселя текущего кадра до последнего пикселя. Я ++      за j = 1: 1: spnum2% От первого пикселя предыдущего кадра до последнего пикселя. J ++           посдифф(я,j) = сумма((regstats1(j).Центроид-mupwtd(:,я))); % Рассчитайте цветовое расстояние.      конецконец

После этих двух процессов мы получим карту значимости, а затем сохраним все эти карты в новом FileFolder.

Разница в алгоритмах

Основное различие между функцией один и два - это различие функции контракта. Если spnum1 и spnum2 представляют номер пикселя текущего кадра, то эта контрактная функция предназначена для первой функции значимости. Если spnum1 - номер пикселя текущего кадра, а spnum2 - номер пикселя предыдущего кадра, то эта контрактная функция предназначена для второй функции значимости. Если мы используем вторую контрактную функцию, которая использует пиксель того же кадра, чтобы получить центральное расстояние, чтобы получить карту значимости, то мы применим эту функцию значимости к каждому кадру и используем карту значимости текущего кадра минус карту значимости предыдущего кадра, чтобы получить новое изображение что является новым значительным результатом третьей функции значимости.

Результат заметности

Рекомендации

  1. ^ Кадир, Тимор; Брэди, Майкл (2001). «Заметность, масштаб и описание изображения». Международный журнал компьютерного зрения. 45 (2): 83–105. CiteSeerX  10.1.1.154.8924. Дои:10.1023 / А: 1012460413855.
  2. ^ А. Мэйти (2015). «Импровизированное обнаружение заметных объектов и манипуляции с ними». arXiv:1511.02999 [cs.CV ].

внешняя ссылка

Смотрите также