旋极信息利用视觉显著性评价提出景物特征提取方案

【嘉勤点评】旋极信息发明的基于显著性评价的景物特征提取方案，基于显著性评价提取的景物特征，能够更可靠地标识目标景物，可以适应图像局部灰度变化、尺度差异和微小形状变化，同时抗干扰性能也更强。

，特征提取是计算机视觉和图像处理中的一个概念，它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。

特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。特征的好坏对泛化性能有至关重要的影响。常用的景物特征提取方法通常包括点、线、边缘等特征进行提取，但这些特征提取方法通常只关注于局部，抗干扰性较差。

为此，旋极信息在2020年4月7日申请了一项名为“一种景物特征提取方法和设备”的发明专利（申请号：202010265161.9），申请人为北京旋极信息技术股份有限公司。

在该专利中，提出了一种基于显著性评价的景物特征提取方法，比照人类对空间信息感知的过程，来提取目标景物的特征，以实现对景物中特定目标的准确识别。这里的显著性可以这样来理解：为了合理利用有限的视觉信息处理能力，人类需要选择整个视觉区域中特定的部分来集中关注，视觉中特定的部分称为显著性区域。

视觉的显著性区域在人类处理复杂的场景信息时起到了至关重要的作用。当面对一个复杂场景时，人类首先快速地浏览场景中的全部内容，利用全局的空间信息寻找场景中最重要的部分。然后集中注意力针对这一部分进行深度感知，实现对场景视觉结构的理解。

根据该方案目前公开的相关资料，让我们一起来看看这项技术方案吧。

如上图，为该专利中发明的景物特征提取方法的流程图，首先，系统获取目标图像并进行二值化处理，而在二值化之前，还可以使用例如均值滤波、中值滤波、高斯滤波等对目标图像进行滤波。其次，将二值图像进行形态学处理，得到形态学处理图像。形态学处理包括：图像的腐蚀运算、膨胀运算等，用来消除小物体、在纤细点处分离物体、平滑较大物体的边界的同时并不明显改变其面积。

接着，根据形态学处理图像确定激励图，即在形态学处理图像上，采用马尔科夫链的方法求取目标景物的激励图。具体来说，对于形态学处理图像中每一个点，将点的灰度值作为马尔科夫链中的状态，计算从点出发的边的权重，边的权重为状态间转换的概率。通过计算马尔科夫链的概率分布，得到需要的激励图。

最后，对激励图进行均一化处理得到显著性图，并根据显著性图确定目标图像的目标景物特征。

如上图，为该专利中展示的一种显著性图的示意图，其中，圆圈表示图中的亮色（白色，像素值为255）对应显著性区域，叉表示图中的暗色（黑色，像素值为0）对应图非显著性区域。根据显著性图和目标图像的映射关系，确定目标图像的显著性区域，进而针对目标图像的显著性区域进行后续识别处理，例如可以进一步识别该目标图像中包含的目标景物的类型、名称、状态等。

以上就是旋极信息发明的基于显著性评价的景物特征提取方案，该方案基于显著性评价提取的景物特征，能够更可靠地标识目标景物，可以适应图像局部灰度变化、尺度差异和微小形状变化，同时抗干扰性能也更强。

小姐姐的花店 #/rq/laonian/19266.html