申请/专利权人：深圳大学

申请日：2021-07-19

公开（公告）日：2024-04-12

公开（公告）号：CN113592795B

主分类号：G06T7/00

分类号：G06T7/00;G06T17/00;G06T5/50;G06T5/30

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2021.11.19#实质审查的生效;2021.11.02#公开

摘要：本发明适用于图像处理技术领域，提供了一种立体图像的视觉显著性检测方法、立体缩略图生成方法、装置、系统、设备及存储介质，该方法包括：通过预设的空间显著性检测网络对输入的立体图像的左、右视图分别进行空间显著性预测，得到立体图像的空间显著性图，通过预设的深度显著性检测网络对输入的立体图像进行深度显著性预测，得到立体图像的深度显著性图，将空间显著性图和深度显著性图进行融合处理，得到立体图像的显著性密度图，从而在左右视图之间的空间和视差关系的驱动下，生成立体图像的显著性分布，提高了立体图像的显著性检测的准确性。

主权项：1.一种立体图像的视觉显著性检测方法，其特征在于，所述方法包括下述步骤：通过预设的空间显著性检测网络对输入的立体图像的左、右视图分别进行空间显著性预测，得到所述立体图像的空间显著性图，所述空间显著性检测网络的损失函数为：Lspatial＝PI-GI2,I∈{L,R}，其中，Lspatial为所述空间显著性检测网络的损失值，I为L或R，L表示左视图，R表示右视图，PI为预测出的空间显著性图，GI为真实的人类视点图；通过预设的深度显著性检测网络对输入的所述立体图像进行深度显著性预测，得到所述立体图像的深度显著性图，所述深度显著性检测网络的损失函数为：其中，Ldepth为所述深度显著性检测网络的损失值，N为像素的个数，PDp为预测出的深度显著性图，GIp为真实的人类视点图；将所述空间显著性图和所述深度显著性图进行融合处理，得到所述立体图像的显著性密度图；通过预设的空间显著性检测网络对输入的立体图像的左、右视图分别进行空间显著性预测的步骤，包括：提取目标视图的粗尺度特征和细尺度特征，所述目标视图为所述立体图像的左视图或右视图；将所述粗尺度特征和细尺度特征级联，得到多尺度空间显著性特征；将所述多尺度空间显著性特征转换为空间特征向量，通过所述空间特征向量学习每个通道的特征权重；基于所述特征权重对所述多尺度空间显著性特征的每个通道进行加权计算，得到加权结果图；对所述加权结果图进行缩放处理，得到所述目标视图的空间显著性图；通过预设的深度显著性检测网络对输入的所述立体图像进行深度显著性预测的步骤，包括：提取所述立体图像的左视图特征和右视图特征；对所述左视图特征和所述右视图特征进行相关性分析，得到相关特征；将所述相关特征和目标视图特征级联，得到具有隐式深度信息的显著性特征，所述目标视图特征为降维后的左视图特征或右视图特征；将所述具有隐式深度信息的显著性特征输入预设的编码器-解码器网络，得到所述深度显著性图。

全文数据：

权利要求：

百度查询： 深圳大学 立体图像的视觉显著性检测方法、缩略图生成方法和装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD