[0051] 如图1所示,一种结合深度可信度评价因子的深度图显著性检测方法,该方法具体包括以下步骤:
[0052] 步骤一:输入深度图,如图2所示,采用SLIC算法将深度图分割为超像素块,并构建图G=(V,E);节点V由超像素分割产生,并设定为每一个超像素块的质心;边缘E连接相邻像素块,如图3所示;
[0053] (SLIC算法为已有技术)
[0054] 步骤二:深度可信度评价因子分析
[0055] 深度可信度评价因子用来客观的描述深度图所包含目标区域深度信息的可信度;以超像素块为单元,结合均值、方差、熵值的物理意义,首先定义每个超像素块的参数并将其归一化,具体如下:
[0056]
[0057]
[0058]
[0059] 其中,m和s分别表示深度图的深度平均值和标准差,mi表示超像素块i的深度均值,0≤i≤N,N为超像素块的个数,本文取200。H为二维图像熵,表示深度值分布的随机性,pl为某个深度灰度值在该图像中出现的概率,可由灰度直方图获得,L为灰度等级;C0为控制常量,设定其值为2.0;
[0060] 融合超像素块的参数得出深度图可信度评价因子λ如下:
[0061]
[0062] 其中,N为SLIC算法计算时的超像素块个数,N取200;
[0063] 步骤三:深度图预处理
[0064] 在初步获取深度图像后,图像中距离人眼较近但非显著物体所在区域对于显著性检测会造成一定影响,比如地面;针对该情况提出一种预处理方式来降低地面等这类背景区域的干扰;具体如下:
[0065]
[0066] 式中,Ik表示原始深度图中某像素点k的深度值,I′k表示预处理后的像素点k的深度值; 为像素点k所在行的深度平均值;预处理结果如图4所示。
[0067] 步骤四:深度图显著区域检测
[0068] 1)基于紧凑度和对比度的显著性计算;在完成深度可靠性因子评价和图像预处理后,从深度紧凑度和深度对比度两方面进行显著性检测计算;
[0069] a)基于紧凑度的显著性计算Scom
[0070] 预处理后,定义两个超像素块的相似度为:
[0071]
[0072] 其中,m′i和m′j分别表示预处理后超像素块i,j的深度平均值,0≤i,j≤N,C1为控制常量,取值0.1;
[0073] 结合深度可靠性评价因子计算基于紧凑度的超像素块i的深度显著性值具体如下:
[0074]
[0075] 其中,nj为超像素块j包含的像素点个数,m′j为预处理后超像素块的深度平均值,2
λj为超像素块j的评价系数,σ为控制因子,取值为0.1; 为超像素块的质心坐标, 为输入深度图的质心位置,具体如下:
[0076]
[0077]
[0078] 其中Ik表示原始深度图中的像素值,xk,yk表示对应像素值的横纵坐标,w×h表示深度图中包含的像素点个数;基于紧凑对比度的超像素块i的显著图值Scom(i)计算如下:
[0079] Scom(i)=1‑norm(Sdc(i))
[0080] 其中norm(·)为归一化函数,用来将Sdc(i)的值归一化到0到1之间。然后再把Scom(i)映射到[0,255]空间得到深度紧凑性显著性图Scom。
[0081] 基于紧凑度计算的显著性结果图如图5所示。
[0082] b)基于对比度的显著性计算Scon
[0083] 预处理后,我们将灰度作为深度图的像素特征值,并计算深度图直方图,得到每一个灰度等级的概率fl,同时计算各像素特征值的距离矩阵D(I'k,I'l),进而得到基于对比度的第k个像素点的显著图值Scon(k)如下:
[0084]
[0085] 其中,D(I′k,I′l)=||I′k‑I′l||表示第k像素点的深度值I′k与其它像素点深度值I′l空间距离;基于对比度计算的显著性结果图如图6所示。
[0086] 2)将获取的深度紧凑度显著图Scom和深度对比度显著图Scon进行线性加权融合,获取深度显著图SMdepth:
[0087] SMdepth=αScom+(1‑α)Scon;
[0088] 其中:α和(1‑α)为Scom和Scon的权重因子,α取值为0.5。最终深度显著性检测结果图如图7所示。
[0089] 为验证本发明方法的准确性,选取了NJU‑2000数据集中的深度图进行测试,测试结果如图8(a)‑(f)所示。并与现有的其他方法结果进行比较,如图9(a)‑(i)所示实验结果验证了本发明能够有效的检测出深度图的显著区域。
[0090] 本发明的保护内容不局限于以上实例。在不背离发明构思的精神和范围下,本领域技术人员能够想到的变化和优点都被包括在本发明中,并且以所附的权利要求书为保护范围。