溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
本篇內容主要講解“opencv FT顯著性檢測算法怎么使用”，感興趣的朋友不妨來看看。本文介紹的方法操作簡單快捷，實用性強。下面就讓小編來帶大家學習“opencv FT顯著性檢測算法怎么使用”吧!
FT算法出自論文：
Frequency-tuned salient region detection
FT算法實現也非常簡單，該方法從頻率角度分析圖像。
圖像在頻率域可以分成低頻部分和高頻部分。低頻部分反映了圖像的整體信息，如物體的輪廓，基本的組成區域。高頻部分反映了圖像的細節信息，如物體的紋理。顯著性區域檢測用到的更多的是低頻部分的信息。
在實際進行計算時，FT方法使用窗口5*5的高斯平滑來實現對最高頻的舍去。像素的顯著性可以用下面公式計算：
其中，Iu為圖像的平均特征，使用Lab顏色特征，后一項為像素p在高斯平滑后的Lab顏色特征，||.||為L2范式，即計算前一項和后一項在了Lab顏色空間的歐氏距離。
FT方法實現簡單，只需要高斯平滑和平均值計算。
對圖像進行5*5的高斯平滑
轉換顏色空間。RGB顏色空間轉換為CIELAB顏色空間
計算整幅圖片的l、a、b的平均值
按照算法中的公式，計算每個像素l、a、b值同圖像三個l、a、b均值的歐氏距離，得到顯著圖
歸一化。圖像中每個像素的顯著值除以最大的那個顯著值。得到最終的顯著圖
程序編寫：
void FT::calculateSaliencyMap(Mat *src, Mat * dst, bool corlor,int ksize){if (corlor && (*src).channels() == 3) //處理彩色域{Mat img3f = (*src);img3f.convertTo(img3f, CV_32FC3, 1.0 / 255);Mat sal(img3f.size(), CV_32F), tImg;GaussianBlur(img3f, tImg, Size(ksize, ksize), 0);//高斯平滑去除高頻信息cvtColor(tImg, tImg, COLOR_BGR2Lab);//轉換為LAB顏色空間Scalar colorM = mean(tImg); //計算整幅圖像的LAB顏色均值//遍歷圖像for (int r = 0; r < tImg.rows; r++){float *s = sal.ptr<float>(r);float *lab = tImg.ptr<float>(r);for (int c = 0; c < tImg.cols; c++, lab += 3)//計算每個像素LAB值與LAB均值的差，即為顯著性s[c] = (float)(sqr(colorM[0] - lab[0]) + sqr(colorM[1] - lab[1]) + sqr(colorM[2] - lab[2]));}normalize(sal, *dst, 0, 1, NORM_MINMAX);}else //灰度域{Mat imgf, tImg;imgf = *src;if (imgf.channels() == 3){cvtColor(imgf, imgf, COLOR_RGB2GRAY);}imgf.convertTo(imgf, CV_32FC1, 1.0 / 255);Scalar colorM = mean(imgf);GaussianBlur(imgf, tImg, Size(ksize, ksize), 0);Mat sal(imgf.size(), CV_32F);for (int r = 0; r < tImg.rows; r++){float *s = sal.ptr<float>(r);float *gray = tImg.ptr<float>(r);for (int c = 0; c < tImg.cols; c++)s[c] = (colorM[0] - gray[c])*(colorM[0] - gray[c]);}normalize(sal, *dst, 0, 1, NORM_MINMAX);}}
到此，相信大家對“opencv FT顯著性檢測算法怎么使用”有了更深的了解，不妨來實際操作一番吧！這里是億速云網站，更多相關內容可以進入相關頻道進行查詢，關注我們，繼續學習！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
