[发明专利]基于感知哈希的显著性区域检测方法、设备及存储设备

说明书

本发明提供了一种基于感知哈希的显著性区域检测方法、设备及存储设备，主要是面向搭载树莓派视觉感知的无人机平台。首先，将图像转化为灰度图像，把图像分成互不重叠的图像块，对所有图像块进行DCT变换，计算每个DCT系数矩阵的均值，然后，得到每个图像块的哈希指纹，计算每个图像块与全图其他图像块的汉明距离，并基于图像块间的位置信息对所有汉明距离进行加权求和，以此表征该图像块的显著性值，确定初步显著图；进而通过阈值分割，得到最终显著图，实现显著性区域检测。一种基于感知哈希的显著性区域检测设备及存储设备，用于实现基于感知哈希的显著性区域检测方法。本发明的有益效果是：计算简单、易于实现，能快速检测显著性目标区域。

技术领域

本发明涉及图像目标检测领域，尤其涉及一种基于感知哈希的显著性区域检测方法、设备及存储设备。

背景技术

目前，图像的显著性检测方法可大致分为三种方式——自下而上方式，通过利用图像低级特征信息进行显著区域检测；自上而下方式，通过对已有的图像库和对应的真值图进行训练，由特定的高级特征信息找出待测图中的显著物；以及两种方法的结合。其中，由于自下而上的方式，步骤相对简单、计算量较小，检测效果较好，因此一直以来是研究的重点方向。如经典的RC算法，其首先利用图像分割的方法将原图像分割成若干区域；对每个区域建立起对应的颜色直方图，并采用直方图加速的方式减小计算量；最后，通过每个区域的颜色与位置信息计算出每个区域的显著值，从而得到整幅图像的显著图。此外，还有经典的RBD算法，其首先采用SLIC算法，将原始图像分成多个超像素点；利用局部颜色对比度原则，求出每个超像素点的初级显著值；再根据其提出的背景可能性，给每个超像素点生成一个可能为背景的概率值P，P的范围在0-1上；再利用P来优化初级显著值，得到最终的显著图。虽然，这些方法具有很好的显著性识别效果，但其算法复杂度往往较大，运算消耗资源较多。

发明内容

为了解决上述问题，本发明提供了一种基于感知哈希的显著性区域检测方法、设备及存储设备，一种基于感知哈希的显著性区域检测方法，主要包括以下步骤：

S1：将无人机拍摄的彩色图像均转化为m1×n1大小的灰度图像，并对每一幅灰度图像按p×p大小进行分块，得到若干p×p图像块，m1、n1和p均为大于0的正整数；

S2：对步骤S1中所有的p×p图像块进行DCT变换，得到若干DCT系数矩阵；

S3：计算步骤S2中每个DCT系数矩阵的均值；

S4：根据步骤S3中计算所得的均值，遍历所有p×p的DCT系数矩阵，将所有小于均值的位置的值设为0，所有大于等于均值的位置的值设为1，按从左到右、从上到下的顺序排列DCT系数矩阵所在位置的值，得到的二进制向量就是每个图像块的哈希指纹；

S5：遍历所有图像块，计算每个图像块的哈希指纹与全图其他图像块的哈希指纹的汉明距离，即得到两个哈希指纹中对应位置的不同数值的个数，然后，对所有汉明距离进行距离的加权求和，将其作为该图像块的显著性值，采用同样的方法计算完所有图像块的显著性值后，得到初级显著图；

S6：对步骤S5得到的初级显著图进行OSTU阈值分割，采用遍历的方法得到使类间方差g最大时对应的阈值T，该阈值T即为最佳分割阈值，通过所述最佳分割阈值对初级显著图进行分割，得到最佳的分割结果，分割后的图像即为最终显著图。

进一步地，采用公式(1)进行所述的DCT变换：

其中，(u,v)是图像块在整幅灰度图像中的坐标，F(u,v)是DCT系数矩阵，(i,j)是图像块中像素点的坐标，f(i,j)是像素点(i,j)的灰度值，i∈[1,2,......,p]，j∈[1,2,......,p]，C(u)、C(v)均是余弦矩阵，均由公式(2)表示：

其中，k表示u或v。