简单的图像显著性区域特征提取方法-----opencv实现LC,AC,FT

四种简单的图像显著性区域特征提取方法-----> AC/HC/LC/FT。

上文讲了几种简单的方法，显著性检测就是把一幅图像中最吸引人注意的部分提取出来。
我用opencv重写了LC，AC,FT三种算法，代码和效果如下：

利用频谱来做的显著性提取的方式

1.，后面的方法其实大概都是基于这个实现的，代码样子差不多
LC思路就是利用对某个像素点累加其与全幅像素的距离(欧式距离)，然后归一化到0-255，由于是rgb信息，于是用直方图优化，提前计算好每个颜色与其他的距离和

void SalientRegionDetectionBasedonLC(Mat &src){
int HistGram[256]={0};
int row=src.rows,col=src.cols;
int gray[row][col];
//int Sal_org[row][col];
int val;
Mat Sal=Mat::zeros(src.size(),CV_8UC1 );
Point3_<uchar>* p;
for (int i=0;i<row;i++){
for (int j=0;j<col;j++){
p=src.ptr<Point3_<uchar> > (i,j);
val=(p->x + (p->y) *2 + p->z)/4;
HistGram[val]++;
gray[i][j]=val;
}
}

int Dist[256];
int Y,X;
int max_gray=0;
int min_gray=1<<28;
for (Y = 0; Y < 256; Y++)
{
val = 0;
for (X = 0; X < 256; X++)
val += abs(Y - X) * HistGram[X];                //    论文公式（9），灰度的距离只有绝对值，这里其实可以优化速度，但计算量不大，没必要了
Dist[Y] = val;
max_gray=max(max_gray,val);
min_gray=min(min_gray,val);
}

for (Y = 0; Y < row; Y++)
{
for (X = 0; X < col; X++)
{
Sal.at<uchar>(Y,X) = (Dist[gray[Y][X]] - min_gray)*255/(max_gray - min_gray);        //    计算全图每个像素的显著性
//Sal.at<uchar>(Y,X) = (Dist[gray[Y][X]])*255/(max_gray);        //    计算全图每个像素的显著性

}
}
imshow("sal",Sal);
waitKey(0);

}

效果图



2.AC算法也挺有意思，利用了类似图像金字塔算法，在不同纬度(具体实现是用大小不同的均值滤波器过滤图像)与标准图像做差并累加，然后归一化，实现如下:

void SalientRegionDetectionBasedonAC(Mat &src,int MinR2, int MaxR2,int Scale){
Mat Lab;
cvtColor(src, Lab, CV_BGR2Lab);

int row=src.rows,col=src.cols;
int Sal_org[row][col];
memset(Sal_org,0,sizeof(Sal_org));

Mat Sal=Mat::zeros(src.size(),CV_8UC1 );

Point3_<uchar>* p;
Point3_<uchar>* p1;
int val;
Mat filter;

int max_v=0;
int min_v=1<<28;
for (int k=0;k<Scale;k++){
int len=(MaxR2 - MinR2) * k / (Scale - 1) + MinR2;
blur(Lab, filter, Size(len,len ));
for (int i=0;i<row;i++){
for (int j=0;j<col;j++){
p=Lab.ptr<Point3_<uchar> > (i,j);
p1=filter.ptr<Point3_<uchar> > (i,j);
//cout<<(p->x - p1->x)*(p->x - p1->x)+ (p->y - p1->y)*(p->y-p1->y) + (p->z - p1->z)*(p->z - p1->z) <<" ";

val=sqrt( (p->x - p1->x)*(p->x - p1->x)+ (p->y - p1->y)*(p->y-p1->y) + (p->z - p1->z)*(p->z - p1->z) );
Sal_org[i][j]+=val;
if(k==Scale-1){
max_v=max(max_v,Sal_org[i][j]);
min_v=min(min_v,Sal_org[i][j]);
}
}
}
}

cout<<max_v<<" "<<min_v<<endl;
int X,Y;
for (Y = 0; Y < row; Y++)
{
for (X = 0; X < col; X++)
{
Sal.at<uchar>(Y,X) = (Sal_org[Y][X] - min_v)*255/(max_v - min_v);        //    计算全图每个像素的显著性
//Sal.at<uchar>(Y,X) = (Dist[gray[Y][X]])*255/(max_gray);        //    计算全图每个像素的显著性
}
}
imshow("sal",Sal);
waitKey(0);
}

SalientRegionDetectionBasedonAC(test,test.rows/8,test.rows/2,3);



3.FT算法
lab空间的均值减去当前像素值

void SalientRegionDetectionBasedonFT(Mat &src){
Mat Lab;
cvtColor(src, Lab, CV_BGR2Lab);

int row=src.rows,col=src.cols;

int Sal_org[row][col];
memset(Sal_org,0,sizeof(Sal_org));

Point3_<uchar>* p;

int MeanL=0,Meana=0,Meanb=0;
for (int i=0;i<row;i++){
for (int j=0;j<col;j++){
p=Lab.ptr<Point3_<uchar> > (i,j);
MeanL+=p->x;
Meana+=p->y;
Meanb+=p->z;
}
}
MeanL/=(row*col);
Meana/=(row*col);
Meanb/=(row*col);

GaussianBlur(Lab,Lab,Size(3,3),0,0);

Mat Sal=Mat::zeros(src.size(),CV_8UC1 );

int val;

int max_v=0;
int min_v=1<<28;

for (int i=0;i<row;i++){
for (int j=0;j<col;j++){
p=Lab.ptr<Point3_<uchar> > (i,j);
val=sqrt( (MeanL - p->x)*(MeanL - p->x)+ (p->y - Meana)*(p->y-Meana) + (p->z - Meanb)*(p->z - Meanb) );
Sal_org[i][j]=val;
max_v=max(max_v,val);
min_v=min(min_v,val);
}
}

cout<<max_v<<" "<<min_v<<endl;
int X,Y;
for (Y = 0; Y < row; Y++)
{
for (X = 0; X < col; X++)
{
Sal.at<uchar>(Y,X) = (Sal_org[Y][X] - min_v)*255/(max_v - min_v);        //    计算全图每个像素的显著性
//Sal.at<uchar>(Y,X) = (Dist[gray[Y][X]])*255/(max_gray);        //    计算全图每个像素的显著性
}
}
imshow("sal",Sal);
waitKey(0);
}