一種基于各向異性中心環(huán)繞差異的深度顯著性檢測(cè)方法
【專利摘要】一種基于各向異性中心環(huán)繞差異的深度顯著性檢測(cè)方法，先以深度圖作為輸入，然后對(duì)每一張深度圖進(jìn)行高斯平滑處理，計(jì)算每一個(gè)像素的各向異性中心環(huán)繞差異的深度值，最后根據(jù)先驗(yàn)知識(shí)進(jìn)行顯著性計(jì)算和結(jié)果提優(yōu)。由于本發(fā)明方法考慮到全局的深度特征，顯著性檢測(cè)結(jié)果準(zhǔn)確，運(yùn)算復(fù)雜度也較低，使得本發(fā)明更適用于深度圖像的顯著性檢測(cè)，同時(shí)利用兩個(gè)普遍的先驗(yàn)知識(shí)去提純初始結(jié)果，提高顯著性檢測(cè)效果。此外，本發(fā)明不占用大量的計(jì)算資源，執(zhí)行效率很高，在圖像處理和視覺領(lǐng)域有著廣泛的應(yīng)用。
【專利說明】
-種基于各向異性中心環(huán)繞差異的深度顯著性檢測(cè)方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于計(jì)算機(jī)技術(shù)領(lǐng)域，設(shè)及立體圖像的深度圖與顯著性物體檢測(cè)方法，具 體為一種基于各向異性中屯、環(huán)繞差異的深度顯著性檢測(cè)方法。
【背景技術(shù)】
[0002] 顯著性檢測(cè)可W認(rèn)為是人類的視覺注視行為，運(yùn)種行為是一個(gè)復(fù)雜的過程，包括 視覺信息的收集和過濾，目的是能夠迅速的在視覺中找到最顯著的物體。如果僅對(duì)視覺中 的顯著性物體做進(jìn)一步處理，那么視覺分析行為的復(fù)雜度會(huì)有效減少并且計(jì)算資源可W優(yōu) 化配置。顯著性檢測(cè)在圖像處理和視覺領(lǐng)域有著廣泛的應(yīng)用，例如:顯著性分析、對(duì)象分割、 彩色圖像分類、圖像或視頻適配和壓縮等。
[0003] 計(jì)算顯著性模型類似于人類視覺的特征收集行為，運(yùn)種行為能夠快速的從輸入的 視覺信息中提取特征，并且把運(yùn)些特征組合成一個(gè)顯著的圖像。顯著性檢測(cè)主要依賴于視 覺信息的收集和特征的提取。為了簡(jiǎn)便，大多數(shù)現(xiàn)在的工作都把彩色圖像作為輸入，結(jié)果證 明效果都不是很好，因?yàn)樗麄內(nèi)鄙倭?3D空間信息。
[0004] 早在2000年就已經(jīng)開始使用場(chǎng)景的深度圖作為視覺注視的研究。一些最新的研究 表明：深度感知能夠?qū)σ曈X注視起到很大的作用，因?yàn)樯疃葓D不同于彩色圖，特征的提取是 深度顯著性檢測(cè)的關(guān)鍵點(diǎn)。早些的深度特征如:深度、梯度、曲率很容易導(dǎo)致錯(cuò)誤的檢測(cè)原 因在于它們?nèi)鄙偃值奶卣骺紤]。立體圖像更容易檢測(cè)出唯一并且較近的區(qū)域，它是基于 基本的假設(shè):顯著性區(qū)域有著不一致性、與周圍背景有著很強(qiáng)的對(duì)比度。運(yùn)種假設(shè)有著局限 性、容易缺少顯著性物體中扁平化區(qū)域。Lang et al[具體參見文獻(xiàn)：Congyan LangJam V Nguyen,Harish Katti,Karthik Yadati,Mohan Kankanhalli,and Shuicheng Yan，"Depth matters: Influence of depth cues on visual saliency，，'in Computer Vision-ECCV 2012，pp. 101-115. Springer ,2012.]模型在給定的深度和深度范圍采用條件幾率的方法來 進(jìn)行顯著性檢測(cè)，運(yùn)種方法的局限在于只考慮局部的深度特征而缺失了全局深度結(jié)構(gòu)信 息。
[0005] 綜上所述，傳統(tǒng)基于彩色圖的顯著性檢測(cè)方法效果不太好，并且基于深度圖的顯 著性檢測(cè)方法由于缺少全局深度信息效果也不太好。因此顯著性檢測(cè)方法有待繼續(xù)研究， 效果還可W進(jìn)一步提高。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明要解決的問題是:對(duì)于圖像的顯著性物體檢測(cè)技術(shù)中，如果W傳統(tǒng)基于彩 色圖作為輸入，顯著性檢測(cè)會(huì)得到錯(cuò)誤的結(jié)果，而W基于深度圖作為輸入，由于缺少全局深 度結(jié)構(gòu)信息，檢測(cè)效果也同樣不能滿足需求，需要提出新的顯著性檢測(cè)方法，提高檢測(cè)效 果。
[0007] 本發(fā)明的技術(shù)方案為:一種基于各向異性中屯、環(huán)繞差異的深度顯著性檢測(cè)方法， 將圖像的深度信息加入到顯著性物體檢測(cè)中，并計(jì)算中屯、環(huán)繞各向異性的值，得出顯著性 檢測(cè)的結(jié)果，包括W下步驟：
[0008] 1)獲取深度圖像，并進(jìn)行歸一化處理；
[0009] 2)對(duì)具有深度圖像進(jìn)行高斯平滑處理，然后對(duì)每一個(gè)像素計(jì)算各向異性中屯、環(huán)繞 差異值，具體為：W每個(gè)像素為出發(fā)點(diǎn)，在其周圍的若干個(gè)方向上尋找深度最小值，計(jì)算深 度最小值與中屯、像素深度值的差異，并對(duì)每個(gè)方向上的差異進(jìn)行累加得到各向異性中屯、環(huán) 繞差異值，作為像素的顯著值，對(duì)深度圖像中的所有像素完成各向異性中屯、環(huán)繞差異值計(jì) 算后，得到初始顯著圖；
[0010] 3)在初始顯著圖基礎(chǔ)上，結(jié)合顯著對(duì)象的深度和中屯、區(qū)域分布的先驗(yàn)知識(shí)進(jìn)行結(jié) 果提優(yōu)，得到最終的顯著性檢測(cè)的結(jié)果。
[0011] 作為進(jìn)一步的優(yōu)選方式，步驟2)為:高斯平滑處理后，利用線性迭代聚類化IC算法 對(duì)彩色圖像進(jìn)行超像素分割，超像素的數(shù)量在像素上被設(shè)置為圖像對(duì)角線的長(zhǎng)度值，對(duì)每 個(gè)超像素，計(jì)算其形屯、像素的各向異性中屯、環(huán)繞差異值，完成對(duì)每個(gè)超像素的顯著值計(jì)算， 將顯著值調(diào)整到[0,255]區(qū)間，并將超像素中屯、的顯著值分配給超像素內(nèi)的每個(gè)像素，形成 一個(gè)初始顯著圖。
[0012 ]計(jì)算各向異性中屯、環(huán)繞差異值具體為：
[0013] 2.1)對(duì)具有深度信息的圖像進(jìn)行高斯平滑處理，平滑窗口半徑根據(jù)圖像大小設(shè) 定，計(jì)算異性中屯、環(huán)繞差異時(shí)，沿著八個(gè)方向上執(zhí)行各向異性掃描，對(duì)于每一條掃描線，根 據(jù)圖像的深度信息，W最小深度值的像素點(diǎn)作為背景像素點(diǎn)，計(jì)算中屯、像素點(diǎn)與背景像素 點(diǎn)之間的深度差值，其中設(shè)置L作為掃描線的長(zhǎng)度，參數(shù)L的典型值為圖像對(duì)角線長(zhǎng)度的1/ 3；
[0014] 2.2)各向異性中屯、環(huán)繞差異值為八個(gè)方向掃描值的和，W圓形坐標(biāo)系，八個(gè)方向 分別為:〇°，45°，90° ,135° ,180° ,225° ,270° ,315°，各向異性中屯、環(huán)繞差異值數(shù)學(xué)描述為：
[0015]
[0016]
[0017] 表示像素點(diǎn)P沿著掃描線i的異性中屯、環(huán)繞差異的值，d(p)表示像素點(diǎn)P 的深度值，k是掃描線i上的像素編號(hào)，是掃描線i上的最小深度值，Daud(P)是像素 點(diǎn)P在八個(gè)方向上異性中屯、環(huán)繞差異值的和，即各向異性中屯、環(huán)繞差異值。
[0018] 步驟3)利用兩個(gè)普遍的先驗(yàn)知識(shí)去提純初始顯著圖：
[0019] 第一，顯著對(duì)象趨向于居中，對(duì)圖像作一個(gè)W圖像中屯、為原點(diǎn)，半徑分別為圖像高 寬的二維高斯加權(quán)；
[0020] 第二，越近的區(qū)域表現(xiàn)出更多的顯著性，因此保留深度分布中較近，即更靠近觀察 者的50%像素的顯著值不變，對(duì)剩余的像素根據(jù)深度值進(jìn)行一個(gè)線性抑制:假設(shè)dso是劃分 較近的50%像素的深度闊值，則將剩余像素的顯著值乘Wd(P)Mso;
[0021] 完成顯著性檢測(cè)結(jié)果的提優(yōu)，得到圖像最終的顯著性檢測(cè)圖。
[0022] 步驟1)所述具有深度信息的圖像通過TOF相機(jī)、光場(chǎng)相機(jī)、激光測(cè)距掃描儀或結(jié)構(gòu) 光掃描儀獲取。
[0023] 本發(fā)明提供了一種基于各向異性中屯、環(huán)繞差異的深度顯著性檢測(cè)方法，該方法先 W深度圖作為輸入，然后對(duì)每一張深度圖進(jìn)行高斯平滑處理，接著計(jì)算像素的各向異性中 屯、環(huán)繞差異的深度值，最后根據(jù)先驗(yàn)知識(shí)進(jìn)行顯著性計(jì)算和結(jié)果提優(yōu)。由于本發(fā)明方法考 慮到全局的深度特征，顯著性檢測(cè)結(jié)果準(zhǔn)確，運(yùn)算復(fù)雜度也較低，運(yùn)樣使得本發(fā)明更適用于 深度圖像的顯著性檢測(cè)。
[0024] 本發(fā)明的優(yōu)點(diǎn)是:首先，本發(fā)明是基于深度圖作為輸入，不會(huì)缺失3D空間信息。其 次，本發(fā)明考慮全局深度信息，不是單一的考慮局部深度，通過比較每一個(gè)像素在八個(gè)方向 上的各向異性中屯、環(huán)繞的深度差值，像素差值較高的為顯著性物體中的像素，運(yùn)樣能夠很 好的檢測(cè)出顯著性物體。然后，利用兩個(gè)普遍的先驗(yàn)知識(shí)去提純初始結(jié)果，提高顯著性檢測(cè) 效果。此外，本發(fā)明的計(jì)算時(shí)間復(fù)雜度為線性O(shè)(N), N為問題的規(guī)模，在運(yùn)里是圖像的像素?cái)?shù) 量），不占用大量的計(jì)算資源，算法執(zhí)行效率很高。
【附圖說明】
[0025] 圖1是本發(fā)明各向異性中屯、環(huán)繞差異的深度顯著性檢測(cè)方法的流程圖。
[0026] 圖2是高斯函數(shù)差分的局限性。
[0027] 圖3是本發(fā)明的各向異性中屯、環(huán)繞差異的深度操作示例。
[0028] 圖4是召回率與累計(jì)深度比曲線。
【具體實(shí)施方式】
[0029] 本發(fā)明提供了一種基于各向異性中屯、環(huán)繞差異的深度顯著性檢測(cè)方法，該方法先 W深度圖作為輸入，然后對(duì)每一張深度圖進(jìn)行高斯平滑處理，接著計(jì)算像素的各向異性中 屯、環(huán)繞差異的深度值，最后根據(jù)先驗(yàn)知識(shí)進(jìn)行顯著性計(jì)算和結(jié)果提優(yōu)。由于本發(fā)明方法考 慮到全局的深度特征，顯著性檢測(cè)結(jié)果準(zhǔn)確，運(yùn)算復(fù)雜度也較低，運(yùn)樣使得本發(fā)明更適用于 深度圖像的顯著性檢測(cè)。
[0030] 本發(fā)明包括W下步驟：
[0031] 1)獲取具有深度信息的圖像，所述具有深度信息的圖像可W通過TOF相機(jī)，光場(chǎng)相 機(jī)，激光測(cè)距掃描儀，結(jié)構(gòu)光掃描儀等獲取。
[0032] 2)對(duì)運(yùn)些具有深度信息的圖像進(jìn)行高斯平滑處理。在對(duì)處理后的圖像計(jì)算各向異 性中屯、環(huán)繞差異值。
[0033] 2.1)為了克服高斯函數(shù)差分方法在小粒度上會(huì)丟失全局信息而在大尺度上會(huì)忽 略細(xì)節(jié)信息的問題。本發(fā)明提出一種沿著多個(gè)方向上執(zhí)行各向異性掃描的方法，W每個(gè)像 素為中屯、點(diǎn)出發(fā)，在其周圍的若干個(gè)方向上尋找深度最小值，對(duì)于每一條掃描線，假設(shè)W最 小深度值的像素點(diǎn)作為背景，并且計(jì)算中屯、像素點(diǎn)與背景像素點(diǎn)之間的深度差值。我們并 不考慮兩者之間的深度改變量，因?yàn)樗鼉H僅影響顯著物體的邊界區(qū)域。本發(fā)明提出的各向 異性中屯、環(huán)繞差異的計(jì)算方法(ANISOTROPIC CENT邸-SURROUND DIF陽(yáng)RENCE)ACSD，運(yùn)種方 法很容易被噪聲所影響，所W采用高斯平滑作用在運(yùn)些深度圖像上，對(duì)具有深度信息的圖 像進(jìn)行高斯平滑處理，平滑窗口半徑根據(jù)圖像大小設(shè)定，其次考慮到遠(yuǎn)距離的像素點(diǎn)并不 重要，設(shè)置L作為掃描線的長(zhǎng)度。實(shí)驗(yàn)表明：L的長(zhǎng)度為圖像對(duì)角線長(zhǎng)度的1/3為最優(yōu)值。
[0034] 2.2MCSD值為八個(gè)方向掃描值得和，W圓形坐標(biāo)系，八個(gè)方向分別為：0°，45°， 90° ,135° ,180° ,225° ,270° ,315° eACSD數(shù)學(xué)描述為：
[0035]
[0036]
[0037] 的表示像素點(diǎn)P沿著掃描線i的異性中屯、環(huán)繞差異的值，d(P)表示像素點(diǎn)P 的深度值，k是掃描線i上的像素編號(hào)，抑虹是掃描線i上的最小深度值，Daud(P)是像素 點(diǎn)P在八個(gè)方向上異性中屯、環(huán)繞差異值的和，即各向異性中屯、環(huán)繞差異值(ACSD值）。對(duì)每個(gè) 像素完成ACSD值計(jì)算后，就得到初步的顯著圖結(jié)果。
[0038] 中屯、點(diǎn)明顯的具有顯著性原因在于，在每一條掃描線上它都表現(xiàn)的很明顯。顯然 遠(yuǎn)距離的背景像素點(diǎn)ACSD的值比較小，因?yàn)樗緛砭秃懿幻黠@。近距離背景，也就是圖片的 底部，有很高的深度值，卻不是顯著的，是因?yàn)樗谏厦鍿個(gè)方向得到了很高的ACSD的值， 但是在水平、底部方向被有效地抑制了。
[0039] 為了加速計(jì)算，高斯平滑處理后，先利用簡(jiǎn)單的線性迭代聚類化IC算法對(duì)彩色圖 像進(jìn)行超像素分割，超像素的數(shù)量在像素上被設(shè)置為圖像對(duì)角線的長(zhǎng)度值，對(duì)每個(gè)超像素， 計(jì)算其形屯、像素的各向異性中屯、環(huán)繞差異值，完成對(duì)每個(gè)超像素的顯著值計(jì)算，將顯著值 調(diào)整到[0,255]區(qū)間，并將超像素中屯、的顯著值分配給超像素內(nèi)的每個(gè)像素，形成一個(gè)初始 顯著圖。運(yùn)樣W超像素計(jì)算ACSD值來替代原來的每一個(gè)像素的計(jì)算方法，可W加快對(duì)圖像 初始顯著圖的計(jì)算速度，同時(shí)也不影響檢測(cè)結(jié)果。
[0040] 3)利用深度和中屯、區(qū)域的先驗(yàn)知識(shí)，對(duì)初始顯著圖進(jìn)行提優(yōu)。
[0041] 第一，顯著對(duì)象趨向于居中，對(duì)圖像作一個(gè)W圖像中屯、為原點(diǎn)，半徑分別為圖像高 寬的二維高斯加權(quán)；
[0042] 第二，越近的區(qū)域表現(xiàn)出更多的顯著性，因此保留深度分布中較近，即更靠近觀察 者的50%像素的顯著值不變，對(duì)剩余的像素根據(jù)深度值進(jìn)行一個(gè)線性抑制:假設(shè)dso是劃分 較近的50 %像素的深度闊值，則將剩余像素的顯著值乘W d (P) /dso;
[0043] 由上述兩條完成顯著性檢測(cè)結(jié)果的提優(yōu)，得到圖像最終的顯著性檢測(cè)圖。
[0044] 本發(fā)明在圖像處理和視覺領(lǐng)域有著廣泛的應(yīng)用，例如：顯著性分析、對(duì)象分割、彩 色圖像分類、圖像或視頻適配和壓縮等。下面參照附圖，對(duì)本發(fā)明進(jìn)行詳細(xì)的描述。
[0045] (1)在本發(fā)明的實(shí)施例中，從立體圖像中獲取深度圖，然后對(duì)每張深度圖進(jìn)行平滑 窗口半徑0 = 7的高斯平滑，W消除深度圖像中的噪聲。
[0046] (2)根據(jù)深度圖計(jì)算初始顯著圖，具體做法如圖3所示，對(duì)深度圖中的每個(gè)像素計(jì) 算一個(gè)ACSD值，即中屯、像素與周邊各個(gè)掃描方向上深度最小值的深度差?？紤]到遠(yuǎn)距離像 素點(diǎn)不重要，我們?yōu)槊恳桓鶔呙杈€設(shè)置最大掃描長(zhǎng)度L，L的長(zhǎng)度為圖像對(duì)角線長(zhǎng)度的1/3為 最優(yōu)值，ACSD值為八個(gè)方向掃描值得和。由像素的ACSD值得到初始顯著圖。
[0047] (3)利用先驗(yàn)知識(shí)對(duì)上一步的初始顯著性結(jié)果進(jìn)行提優(yōu)。第一，越近的區(qū)域表現(xiàn)出 更多的顯著性。如圖4所示，在深度圖上，更靠近觀察者的前50%的像素，擁有95.78%的顯 著物體召回率，因此我們保留深度分布中前50%的像素顯著性，其余部分像素作d(p)/d5〇線 性抑制，dso是前50%像素的深度闊值。第二，顯著對(duì)象趨向于居中。因此我們對(duì)顯著圖像采 用二維高斯6山7爪，(^)過濾，其中參數(shù)^，聽分別等于圖像的半高和半寬。
[004引在英特爾酷眷i7-4770CPU，主頻3.4G監(jiān)，內(nèi)存16GB機(jī)器上用C++代碼實(shí)現(xiàn)該方法。 對(duì)于一張1280*720圖像，執(zhí)行時(shí)間為0.718s。對(duì)于超像素圖像，執(zhí)行時(shí)間為0.656s，顯著性 檢測(cè)執(zhí)行時(shí)間為0.062s。
[0049]本發(fā)明提供了一種基于各向異性中屯、環(huán)繞差異的深度顯著性檢測(cè)方法，作用于深 度圖進(jìn)行顯著性檢測(cè)。我們的方法執(zhí)行效率高并且算法復(fù)雜度低。實(shí)驗(yàn)表明該方法能夠快 速有效的進(jìn)行顯著性檢測(cè)。
【主權(quán)項(xiàng)】
1. 一種基于各向異性中心環(huán)繞差異的深度顯著性檢測(cè)方法，其特征是將圖像的深度信 息加入到顯著性物體檢測(cè)中，并計(jì)算中心環(huán)繞各向異性的值，得出顯著性檢測(cè)的結(jié)果，包括 以下步驟： 1) 獲取深度圖像，并進(jìn)行歸一化處理； 2) 對(duì)具有深度圖像進(jìn)行高斯平滑處理，然后對(duì)每一個(gè)像素計(jì)算各向異性中心環(huán)繞差異 值，具體為：以每個(gè)像素為出發(fā)點(diǎn)，在其周圍的若干個(gè)方向上尋找深度最小值，計(jì)算深度最 小值與中心像素深度值的差異，并對(duì)每個(gè)方向上的差異進(jìn)行累加得到各向異性中心環(huán)繞差 異值，作為像素的顯著值，對(duì)深度圖像中的所有像素完成各向異性中心環(huán)繞差異值計(jì)算后， 得到初始顯著圖； 3) 在初始顯著圖基礎(chǔ)上，結(jié)合顯著對(duì)象的深度和中心區(qū)域分布的先驗(yàn)知識(shí)進(jìn)行結(jié)果提 優(yōu)，得到最終的顯著性檢測(cè)的結(jié)果。2. 根據(jù)權(quán)利要求1所述的一種基于各向異性中心環(huán)繞差異的深度顯著性檢測(cè)方法，其 特征是步驟2)為:高斯平滑處理后，利用線性迭代聚類SLIC算法對(duì)彩色圖像進(jìn)行超像素分 害J，超像素的數(shù)量在像素上被設(shè)置為圖像對(duì)角線的長(zhǎng)度值，對(duì)每個(gè)超像素，計(jì)算其形心像素 的各向異性中心環(huán)繞差異值，完成對(duì)每個(gè)超像素的顯著值計(jì)算，將顯著值調(diào)整到[〇,255]區(qū) 間，并將超像素中心的顯著值分配給超像素內(nèi)的每個(gè)像素，形成一個(gè)初始顯著圖。3. 根據(jù)權(quán)利要求1或2所述的一種基于各向異性中心環(huán)繞差異的深度顯著性檢測(cè)方法， 其特征是計(jì)算各向異性中心環(huán)繞差異值具體為： 2.1) 對(duì)具有深度信息的圖像進(jìn)行高斯平滑處理，平滑窗口半徑根據(jù)圖像大小設(shè)定，計(jì) 算異性中心環(huán)繞差異時(shí)，沿著八個(gè)方向上執(zhí)行各向異性掃描，對(duì)于每一條掃描線，根據(jù)圖像 的深度信息，以最小深度值的像素點(diǎn)作為背景像素點(diǎn)，計(jì)算中心像素點(diǎn)與背景像素點(diǎn)之間 的深度差值，其中設(shè)置L作為掃描線的長(zhǎng)度，參數(shù)L的典型值為圖像對(duì)角線長(zhǎng)度的1/3; 2.2) 各向異性中心環(huán)繞差異值為八個(gè)方向掃描值的和，以圓形坐標(biāo)系，八個(gè)方向分別 為:0°，45°，90°，135°，180°，225°，270°，315°，各向異性中心環(huán)繞差異值數(shù)學(xué)描述為：表示像素點(diǎn)P沿著掃描線i的異性中心環(huán)繞差異的值，d(P)表示像素點(diǎn)P的深度 值，k是掃描線i上的像素編號(hào)，min(義）是掃描線i上的最小深度值，Dacsd(P)是像素點(diǎn)p在八 個(gè)方向上異性中心環(huán)繞差異值的和，即各向異性中心環(huán)繞差異值。4. 根據(jù)權(quán)利要求1或2所述的一種基于各向異性中心環(huán)繞差異的深度顯著性檢測(cè)方法， 其特征是步驟3)利用兩個(gè)普遍的先驗(yàn)知識(shí)去提純初始顯著圖： 第一，顯著對(duì)象趨向于居中，對(duì)圖像作一個(gè)以圖像中心為原點(diǎn)，半徑分別為圖像高寬的 二維高斯加權(quán)； 第二，越近的區(qū)域表現(xiàn)出更多的顯著性，因此保留深度分布中較近，即更靠近觀察者的 50%像素的顯著值不變，對(duì)剩余的像素根據(jù)深度值進(jìn)行一個(gè)線性抑制:假設(shè)d5Q是劃分較近 的50%像素的深度閾值，則將剩余像素的顯著值乘以d(p)/d 50; 完成顯著性檢測(cè)結(jié)果的提優(yōu)，得到圖像最終的顯著性檢測(cè)圖。5.根據(jù)權(quán)利要求1或2所述的一種基于各向異性中心環(huán)繞差異的深度顯著性檢測(cè)方法， 其特征是步驟1)所述具有深度信息的圖像通過TOF相機(jī)、光場(chǎng)相機(jī)、激光測(cè)距掃描儀或結(jié)構(gòu) 光掃描儀獲取。
【文檔編號(hào)】G06K9/46GK106023184SQ201610323842
【公開日】2016年10月12日
【申請(qǐng)日】2016年5月16日
【發(fā)明人】武港山, 陳杰, 居然
【申請(qǐng)人】南京大學(xué)