OpenCV显著性检测详解：Static、Motion与Objectness算法实战

1. 概念

显著性检测旨在利用图像处理技术与计算机视觉算法，精准定位图像中最为“显著”的区域。所谓显著区域，即那些在视觉上引人注目或具有较高重要性的部分，通常也是人眼在浏览图片时首先关注的对象。例如，在一幅包含草坪和内马尔的图片中，人眼会优先注意到躺在草坪上的内马尔，该区域即被视为显著性区域。这种自动识别图像或场景中关键区域的技术，被称为显著性检测，它在目标检测和机器人视觉等领域具有广泛的应用价值。

在OpenCV的saliency模块中，主要提供了三种类型的显著性检测算法：

• Static saliency（静态显著性）：此类算法主要依赖图像本身的特征和统计信息，用于定位静态图像中的显著区域。
• Motion saliency（运动显著性）：此类算法的输入通常为视频或一系列连续帧。运动显著性算法通过处理这些连续帧，跟踪其中“移动”的对象，并将这些移动对象识别为显著性区域。
• Objectness（物体可能性）：这类算法旨在计算出一系列建议区域（proposals），这些区域被认为是潜在目标可能存在的范围。

OpenCV具体提供了4种显著性检测算法的实现：

• cv2.saliency.ObjectnessBING_create()
• cv2.saliency.StaticSaliencySpectralResidual_create()
• cv2.saliency.StaticSaliencyFineGrained_create()
• cv2.saliency.MotionSaliencyBinWangApr2014_create()

2 静态显著性检测

static_saliency.py脚本演示了两种Static saliency算法的应用：cv2.saliency.StaticSaliencySpectralResidual_create()和cv2.saliency.StaticSaliencyFineGrained_create()。通过调用computeSaliency()函数计算图像的显著性区域，该函数返回一个与输入图像尺寸相同的矩阵。矩阵中每个像素的值位于[0,1]区间内，数值越大代表该像素位置越显著。最后，我们将返回的显著性矩阵进行可视化展示。

3 代码

'''
2 图像凸显
'''
import cv2
import matplotlib.pyplot as plt

# 1 read
img = cv2.imread('luna.png',1)
img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)

# 2 StaticSaliencySpectralResidual_create()
Residual = cv2.saliency.StaticSaliencySpectralResidual_create()
_,img_Residual = Residual.computeSaliency(img)
img_Residual = (img_Residual * 255).astype("uint8")

# 3 saliency.StaticSaliencyFineGrained_create()
Grained = cv2.saliency.StaticSaliencyFineGrained_create()
_,img_Grained = Grained.computeSaliency(img)
img_Grained = (img_Grained*255).astype('uint8')
thre = cv2.threshold(img_Grained, 0, 255,
                     cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]


# 4 show
plt.subplot(221)
plt.imshow(img)
plt.title('img')

plt.subplot(222)
plt.imshow(img_Residual)
plt.title('img_Residual')
#
plt.subplot(223)
plt.imshow(img_Grained)
plt.title('img_Grained')

plt.subplot(224)
plt.imshow(thre)
plt.title('thre')

plt.show()

至此，关于OpenCV显著性检测的使用介绍完毕。如需了解更多相关OpenCV显著性检测内容，请查阅本站往期文章或继续浏览后续相关文章，感谢大家的支持！