图像显著性检测

今天看论文接触到一个新词—显著性检测，刚开始没想到是一个专业词汇，查了博客发现是一种极好的目标检测算法，可用于目标检测和定位，目标ROI区域粗分割，继而进行目标图像处理。
贴出原博客链接：OpenCV-python图像显著性检测算法
据说几种算法中FT算法比较好，所以只跑了C++版的代码。
**

解释：

**图像在频率域可以分成低频部分和高频部分。低频部分反映了图像的整体信息，如物体的轮廓，基本的组成区域。高频部分反映了图像的细节信息，如物体的纹理。显著性区域检测用到的更多的是低频部分的信息。在实际进行计算时，FT方法使用窗口5*5的高斯平滑来实现对最高频的舍去。

步骤：

1、对图像进行 5*5 的高斯平滑。
2、转换颜色空间。RGB颜色空间转换为CIELAB颜色空间。
3、计算整幅图片的 l、a、b的平均值。
4、按照算法中的公式，计算每个像素l、a、b值同图像三个l、a、b均值的欧氏距离。得到显著图
5、归一化。图像中每个像素的显著值除以最大的那个显著值。得到最终的显著图。

代码：

感谢博主代码分享：

/*===========================================================================
Copyright@hitzym, Harbin Institute of Technology
Date:Apr,13,2018
Contact:zhenyumei1995@163.com
blog: https://blog.csdn.net/yinhuan1649
===========================================================================*/
#include <iostream>
#include <opencv2/opencv.hpp> 
#include <fstream> 

using namespace cv;
using namespace std;

void writeMatToFile(cv::Mat& m, const char* filename)        //把矩阵写入txt文件
{
	std::ofstream fout(filename);

	if (!fout)
	{
		std::cout << "File Not Opened" << std::endl;
		return;
	}

	for (int i = 0; i<m.rows; i++)
	{
		for (int j = 0; j<m.cols; j++)
		{
			fout << m.at<double>(i, j) << "\t";
		}
		fout << std::endl;
	}

	fout.close();
}

int main() {
	Mat srcimg, grgbimg, labimg;

	srcimg = imread("D:/images/tool_3.jpg");
	int height = srcimg.rows;
	int width = srcimg.cols;
	GaussianBlur(srcimg, srcimg, Size(3, 3), 0, 0, BORDER_REFLECT);            // 高斯模糊
	cvtColor(srcimg, labimg, COLOR_BGR2Lab);                                      //转到lab空间

	cv:Scalar tempVal = cv::mean(labimg);                                      //求各通道均值

	double lmean = tempVal.val[0];
	double amean = tempVal.val[1];
	double bmean = tempVal.val[2];

	Mat salientMap = Mat::zeros(height, width, CV_64F);                        //定义显著图，因为是double类型，所以在这里初始化类型为CV_64F
	for (int i = 0; i < height; i++) {
		for (int j = 0; j < width; j++) {
			//显著值计算，对应matlab代码中sm = (l-lm).^2 + (a-am).^2 + (b-bm).^2;
			salientMap.at<double>(i, j) = ((double)labimg.at<Vec3b>(i, j)[0] - lmean)*((double)labimg.at<Vec3b>(i, j)[0] - lmean)
				+ ((double)labimg.at<Vec3b>(i, j)[1] - amean)*((double)labimg.at<Vec3b>(i, j)[1] - amean)
				+ ((double)labimg.at<Vec3b>(i, j)[2] - bmean)*((double)labimg.at<Vec3b>(i, j)[2] - bmean);

		}
	}

	//double max, min;
	//cv::Point min_loc, max_loc;
	//cv::minMaxLoc(salientMap, &min, &max, &min_loc, &max_loc);//求mat中最值
	//cout << "max:"<< max << endl;


	//for (int i = 0; i < salientMap.rows; i++)
	//{
	//  for (int j = 0; j < salientMap.cols; j++)
	//  {
	//      salientMap.at<double>(i, j) = salientMap.at<double>(i, j) / max;
	//  }
	//}


	normalize(salientMap, salientMap, 1.00, 0.00, NORM_MINMAX);                // 1值归一化
	writeMatToFile(salientMap, "F:\\test.txt");
	cout << "yes!!" << endl;
	//cout << "salientMap:" << salientMap << endl;
	imshow("src", srcimg);
	imshow("salientMap:", salientMap);
	cout << salientMap.channels() << endl;
	waitKey();

	system("pause");
	return 0;
}

结果：