自動擬似物件式圖像代表性區域偵測方法與系統的製作方法
2023-05-29 01:43:11 2
專利名稱：：自動擬似物件式圖像代表性區域偵測方法與系統的製作方法
技術領域：
：本發明關於一種自動擬似物件式圖像代表性區域偵測方法與系統，特別是一種利用特徵點產生擬似物件的方法，進行自動偵測圖像的代表性區域的方法與系統。
背景技術：
：因近年來數位相機及網際網路的普及，使得數位圖像數量成指數增加，在應用層面上，對於圖像內容的分析愈來愈顯示其重要性；當前對於圖像物件偵測的研究中，大多通過圖像的低階資訊，如利用色彩變化特性，偵測圖像中的邊緣或邊界，進行圖像分割產生區塊，再對區塊抽取視覺特徵並用以代表該區塊。然而，由於圖像本身是屬於2D平面，對於各區塊而言，如何判斷哪些區塊屬於圖像中的同一物件便是一個很困難的問題，且用此種方式常常會產生很多破碎、不具意義的小區塊，有些研究試著在抽取區塊特徵時取出該區塊的紋理特徵，再將紋理相似且位置相近的區塊組成物件，但此種方式仍有許多缺點，像是同一物件在不同部位上的紋理可能會非常不相似，或是同一種物件會因為圖像拍攝時，拍攝角度與燈光明亮度不同而導致差異非常大，當應用於物件偵測時，效果往往不盡理想。另有一些研究讓使用者先框選出可能的物件區域，再對該區域像素點進行侵蝕、擴散或是利用邊緣資訊來產生圖像區塊，進而在該區域中組成物件並抽取特徵以作進一步使用，然而此種方式需使用者介入，在使用上比較沒有那麼方便。由此可見，上述現有方式仍有諸多不足，實非良好的設計，而亟待加以改良。
發明內容本發明的目的即在於提供一種對於圖像可快速且自動產生擬似物件與偵測代表性或感興趣區域的方法及系統，可使用在網際網路上大量圖像資料的影像檢索與搜尋、影像壓縮、影像縮圖、影像標註等應用。達成上述發明目的的一種自動擬似物件式圖像代表性區域偵測方法，包含步驟一利用區域性特徵點偵測方法，從圖像中選取出具特色的區域性視覺特徵點；步驟二利用區域性特徵點描述方法，根據步驟一所找出的區域性視覺特徵點，計算並記錄所有區域性視覺特徵點相對應的特徵參數以及其平面座標資訊；步驟三根據步驟二所找出所有區域性視覺特徵點的平面座標資訊，利用分群演算法進行自動化分群，自動分成N群，其中N〉二l，每一個群內特徵點所涵蓋的區域即構成一個擬似物件。—種自動擬似物件式圖像代表性區域偵測方法是利用分析圖片中訊號特性而得的特徵點，將其根據平面座標關係分群而自動估計出擬似物件的數量、位置與範圍，並通過進一步探勘擬似物件的資訊而發展出自動偵測全圖中最具代表性區域(或稱為感興趣區域)的系統，該系統可依據擬似物件的位置、大小以及涵蓋特徵點數量等資訊，自動偵測出圖像中最具代表性的區域；若是結合存在既有資料庫中其他圖像擬似物件的視覺文字頻率(TermFrequency)與反向文件頻率(InverseDocumentFrequency)等統計特性，更可以偵測出有別於存在既有資料庫中的代表性物件或區域。本發明所提供的一種自動擬似物件式圖像代表性區域偵測方法與系統，與其他現有技術相互比較時，更具備下列優點1.本發明可跳脫傳統現有影像處理方法嘗試切割出精確的物件區域，以及相鄰物件邊緣的特徵點到底歸屬於何者的難題，以特徵點座標與分群演算法即可快速找出圖像中的擬似物件範圍與數量。2.本發明可有效代表任一圖像中多個物件，增加特徵資料的代表性。3.本發明可自動產生圖像中所有可能包含物件的位置與特徵資訊，有利於使用在各種以物件為基礎的影像應用之中。4.本發明通過擬似物件的資訊，可進一步自動偵測出圖像代表性(感興趣)區域，不需通過人工介入指定或畫出區域，尤其適合處理網際網路上大量的圖像資料。5.本發明將文字檢索中TF-IDF的概念，轉化到圖像視覺文字特徵為基礎的擬似物件重要性判斷的應用層面。6.本發明對於一張新輸入的圖像，可自動探勘出既有資料庫中不存在的新物件圖像，讓資料庫更富多樣化並更具代表性。請參閱以下有關本發明較佳實施例的詳細說明及其附圖，將可進一步了解本發明的技術內容及其目的功效；有關該實施例的附圖為圖1為本發明一種自動擬似物件式圖像代表性區域偵測方法的產生擬似物件的流程圖；圖2為本發明圖；圖3為本發明圖；圖4為本發明圖5為本發明圖；圖6為本發明塊產生視覺文字示意圖；圖7為本發明一種自動擬似物件式圖像代表性區域偵測方法的反轉檔案關聯索引產生模塊的反轉檔案關聯索引示意圖；圖8為本發明一種自動擬似物件式圖像代表性區域偵測方法與系統的第四實施例示意圖；附圖標記11、擬似物件產生模塊；110、擬似物件；12、代表性區域偵測模塊；13、資料庫；14、視覺文字產生模塊；141、視覺文字碼簿；141q、視覺文字；142、視覺特徵參數分群；143、區域性視覺特徵點；15、反轉檔案關聯索引產生模塊；151、反轉檔案關聯索引；201204、擬似物件；301305、擬似物件；501、最具代表性區域；801、最具代表性區域。一種自動擬似物件式圖像代表性區域偵測方法的第一實施例示意一種自動擬似物件式圖像代表性區域偵測方法的第二實施例示意一種自動擬似物件式圖像代表性區域偵測系統的架構一種自動擬似物件式圖像代表性區域偵測方法的第三實施例示意一種自動擬似物件式圖像代表性區域偵測方法的視覺文字產生模具體實施例方式本發明主要是以區域性視覺特徵點作為擬似物件生成的重要依據，首先以黑塞仿射(Hessian—Affine)或最禾急定極值區域(MaximallyStableExtremalRegions,MSER)等特徵點偵測方式來取得特徵點座標，並以上述特徵點座標進行分群，產生擬似物件的資訊，來代表一張圖片中多個物件；其中，分群方法則可使用如G平均(G-means)分群演算法，其是以K平均(K-means)為基礎，加入以高斯(Gaussian)分布檢測自動判定適當群數的機制，或是利用高斯混合模型(Gaussianmixturemodel)搭配貝氏訊息準則(Bayesianinformationcriterion)亦可達成自動化分群並決定出群數。上述產生擬似物件的方法，其步驟流程圖，請參考圖1所示，包含步驟一利用Hessian-Affine特徵點偵測方法，從圖像中選取出具特色(例如紋理、邊界或色彩等)的區域性視覺特徵點；步驟二利用加速強健特徵點(SpeededUpRobustFeatures,SURF)特徵點描述方法，根據步驟一所找出的區域性視覺特徵點，計算並記錄所有區域性視覺特徵點相對應的特徵參數以及其平面座標資訊；步驟三根據步驟二所找出所有區域性視覺特徵點的平面座標資訊，利用高斯混合模型搭配貝氏訊息準則進行自動化分群，自動分成N群，其中N〉二l，每一個群內特徵點所涵蓋的區域即構成一個擬似物件；其中擬似物件的位置為每一個群內特徵點的重心，而大小則用此群內特徵點的變異數來表示。其中，當僅產生兩個擬似物件時，擬似物件位置較靠近整張圖像中心點座標者，可視為圖像的前景，另一個則視為圖像的背景，進而達到自動區分圖像前景、背景的功能。請參閱圖2所示，為本發明一種自動擬似物件式圖像代表性區域偵測方法的第一實施例示意圖是以貝氏訊息準則估計出適當數量的多組高斯分布建立混合模型，以此模型將特徵點作分群的圖例，首先嘗試以多組多個高斯分布所建立的高斯混合模型來模擬特徵點分布情形，例如分別以2個、3個、4個以及5個高斯分布來模擬特徵點分布，其後則以貝氏訊息準則評估每組模型的複雜度，並選擇複雜度最低的高斯混合模型作為最佳化分群數；選定高斯混合模型之後，圖片中所有特徵點可分別歸類至其最可能屬於的高斯分布之中，最後將每一組高斯分布視為一個群，便得到分群結果。在本實施例中，特徵點被分為4個群，分屬4個擬似物件201、202、203以及204，其範圍以橢圓表示，將每個擬似物件範圍內的區域性視覺特徵點取出，此範例圖片在資料庫中便以4個擬似物件特徵代表。請參閱圖3所示，為本發明一種自動擬似物件式圖像代表性區域偵測方法的第二實施例示意圖其中，擬似物件個數可預先設定分群個數，並將圖像分割為可重疊的N個固定形狀區域的圖例，其固定分割方式將圖片切割為若干格狀區域，而每一區域即視為一個擬似物件。在本實施例中，是將圖片從水平和垂直方向各均分為2份，得到左上、右上、左下及右下4個均分區域，並於圖片正中央設定另一個相等大小區域；因此，本實施例固定將圖像分成5個格狀擬似物件301、302、303、304以及305，故此範例圖片在資料庫中便以5個擬似物件特徵代表。在實際系統中，擬似物件位置可以是每一個群內特徵點的重心，或是涵蓋區域的中心點，擬似物件範圍可以圓形、橢圓形或任意多邊形等形狀表示，範圍大小判定也可以最大或最小座標值、或是座標平均值及標準差等不同方式來決定；此外，每張圖的全圖亦可視為單一個擬似物件(即N二1);另外，為了避免自動分群演算法將圖像分為過多而不具意義的小面積擬似物件，通常我們會設定上限值，例如N<=5，來避免此狀況的發生。請參閱圖4所示，為本發明一種自動擬似物件式圖像代表性區域偵測系統的架構圖，包含擬似物件產生模塊11，是利用如圖1所述自動擬似物件式圖像代表性區域偵測方法的步驟流程，將輸入的圖像產生擬似物件及其相關特徵資訊，並記錄在資料庫13中。代表性區域偵測模塊12，其是利用儲存於資料庫13中擬似物件的位置、大小、涵蓋特徵點數量或反轉檔案關聯索引等資訊，自動偵測出圖像中最具代表性的區域。其中，該代表性區域偵測模塊12可利用資料庫中擬似物件的中心位置與整張圖像中心的距離反比，計算出各擬似物件的位置比例參數值；其中，該代表性區域偵測模塊12可利用資料庫中擬似物件的大小，計算出各擬似物件的大小比例參數值；其中，該代表性區域偵測模塊12可利用資料庫中擬似物件所含的區域性視覺特徵點數量，計算出各擬似物件的數量比例參數值；其中，該代表性區域偵測模塊12可利用上述位置比例參數值、大小比例參數值以及數量比例參數值，依加權線性組合方式計算出各擬似物件的重要性參數；並將同一張圖像內的所有擬似物件重要性參數值由大至小排序，累計前k個排序後的值的總和至大於預設臨界值時，則此k個值對應到的擬似物件所涵蓋的範圍即為該圖像的代表性區域。資料庫13，其是儲存各模塊產生或使用的資料，例如所有圖像產生區域性視覺特徵點的特徵參數、平面座標資訊、相對應的視覺文字、擬似物件編號，以及所有圖像其代表性區域所對應到的擬似物件編號。視覺文字產生模塊14，其是將資料庫13記錄的所有擬似物件區域性視覺特徵點的特徵參數，產生視覺文字碼簿141，並將其對應至視覺文字碼簿141最相似的視覺文字。反轉檔案關聯索引產生模塊15，其是將資料庫13中所記錄的所有擬似物件與視覺文字建立反轉檔案(InvertedFile)關聯索引，並計算每個視覺文字的反向文件頻率(InverseDocumentFrequency)。其中，擬似物件的位置如果愈靠近整張圖像的中心點，通常表示這個擬似物件愈為重要，因為一般人在照相時會把焦點擺在圖像的正中央，因此可依據第m個擬似物件的中心位置與整張圖像中心的距離反比計算出第m個擬似物件的位置比例參數值Lm，m=1，2，，N，L一L2+,+LN=1;此外，擬似物件的範圍大小如果愈大，通常也表示這個擬似物件愈為重要，愈容易吸引到人的注意力，因此可依據第m個擬似物件的大小也計算出第m個擬似物件的大小比例參數值Sm，m=1，2，，N，S,V.+SN=1;當然，也不是擬似物件愈大就一定愈重要，例如翱翔於天際中的飛機，背景的藍天白雲極可能會被歸類成一個大面積的擬似物件，因此我們也把特徵點數量列入考量，如果一個擬似物件所包含的區域性視覺特徵點數量愈多，通常表示這個擬似物件愈為重要，因為該擬似物件具有較多重要的視覺特徵，如邊界、紋路等等，因此我們可依據第m個擬似物件所含的區域性視覺特徵點數量計算出第m個擬似物件的數量比例參數值Pm，m=1，2，，N，&+P2+.+PN=1;將上述三個重要性比例參數值，依加權線性組合方式計算出第m個擬似物件的重要性參數Om，其中0m=a*Lm+b*Sm+c*Pm，m=1，2，...，N，a，b，c>=0且a+b+c=1;最後，將同一張圖像內的所有擬似物件重要性參數Om值由大至小排序，累計前k個排序後的Om值的總和至大於預設臨界值時，則此k個Om值對應到的擬似物件所涵蓋的範圍即為該圖像的代表性區域，此偵測機制於資料庫13中存在或不存在既有圖像的情況下皆可適用。請參閱圖2及圖5所示，為本發明一種自動擬似物件式圖像代表性區域偵測方法的第一及第三實施例示意圖在本實施例中代表性區域偵測模塊即將圖2中的擬似物件201、202、203組成該範例圖的最具代表性區域501，其中a=0.5，b=0.25，c=0.25，預設臨界值為0.75，擬似物件的範圍以橢圓表示，而最具代表性區域則以長方形表示。另外，可通過進一步引入文字檢索中TF-IDF的概念，當資料庫存在既有圖像時，本發明的代表性區域偵測模塊可有另一種偵測機制(請同時參閱圖4、圖6及圖7所示)其中，該視覺文字產生模塊14，是將資料庫13中記錄的所有擬似物件區域性視覺特徵點143利用其特徵參數，以K-means演算法進行分群(共Q群)，並產生視覺特徵參數分群142，再依所有群重心產生視覺特徵參數碼簿，即所謂視覺文字碼簿141，並將資料庫13中記錄的所有擬似物件區域性視覺特徵點143的視覺特徵參數，根據視覺文字碼簿141，將其分別對應至最相似的視覺文字141q;再利用該反轉檔案關聯索引產生模塊15，接著將資料庫13中所記錄的每個擬似物件110(P0i，j，表示第i張圖的第j個擬似物件，共R個)與每個視覺文字141q建立反轉檔案(InvertedFile)關聯索引151，並計算每個視覺文字(VW)的反向文件頻率(InverseDocumentFrequency)IDFVW，IDFVW=(totalnumberofpseudo-objects/皿mberofpseudo-objectswheretheVWappears)，對於每個視覺文字而言，IDFVW值與該視覺文字的重要性成正比。相對於不存在於資料庫13中的圖像，代表性區域偵測模塊12先利用擬似物件產生模塊11產生擬似物件相關資訊，再將該圖所有擬似物件區域性視覺特徵點的視覺特徵參數根據視覺文字產生模塊14的視覺文字碼簿141對應至最相似的視覺文字141q，並計算每個擬似物件所含視覺文字頻率(TermFrequency,TFVW)，其中TFVW=(numberofoccurrencesoftheVWincertainpseudo_object/sumofnumberofoccurrencesofallVWsincertainpseudo-object)，TFVW值與該視覺文字141q相對於擬似物件的重要性成正比；其中，TF-IDF的意義在於，某個視覺文字141q如果在某個擬似物件中出現次數愈多，表示這個視覺文字141q愈重要；但是，如果這個視覺文字141q出現在不同擬似物件愈頻繁，也表示這個視覺文字141q愈不具代表性；因此，代表性區域偵測模塊12對於新圖像9中所有出現在第m個擬似物件的視覺文字141q(共Tm個)，可利用上述的視覺文字141q的反向文件頻率與擬似物件的視覺文字頻率，將兩者以相乘並加總的方式計算出第m個擬似物件110的重要性參數0!11，^=2;(7^x/Z^/Rx《)m=L2，...，N;最後，將該圖像內的所有擬似物件重要性參數Om值由大至小排序，累計前k個排序後的Om值的總和至大於預設臨界值時，則此k個Om值對應到的擬似物件所涵蓋的範圍即為該圖像的最具代表性區域。請參閱圖2及圖8所示，為本發明一種自動擬似物件式圖像代表性區域偵測方法與系統的第一以及第四實施例示意圖在本實施例中代表性區域偵測模塊即於資料庫中已存在既有圖像的情況下，將圖2中的擬似物件204判定為該範例圖的最具代表性區域801，其中Q=IO，OOO，預設臨界值為0.5，擬似物件的範圍以橢圓表示，而最具代表性區域則以長方形表示；此機制適用於資料庫中已存在既有圖像的情況下，讓圖像代表性區域偵測系統可自動偵測出有別於既有資料庫中的代表性物件或區域，尤其適合用在資料庫量大時，將使資料庫自然具有學習與調適性；例如一開始資料庫中並沒有臺北101大樓的圖像，隨著此圖像漸漸開始增加時，偵測出以臺北101大樓為代表性區域的圖像也會愈來愈多，但隨著臺北101大樓圖像出現的次數愈來愈頻繁時，系統也會漸漸將臺北101大樓視為背景物件，而自然開始嘗試尋找出圖中有別於臺北101大樓之外的代表性區域，因此也讓資料庫更富多樣化並更具代表性。上列詳細說明是針對本發明的可行實施例的具體說明，該實施例並非用以限制本發明的專利範圍，凡未脫離本發明的等效實施或變更，均應包含於本發明的專利範圍中。權利要求一種自動擬似物件式圖像代表性區域偵測方法，是以區域性視覺特徵點產生擬似物件的方法，其特徵在於包含步驟一利用區域性特徵點偵測方法，從圖像中選取出具特色的區域性視覺特徵點；步驟二利用區域性特徵點描述方法，根據步驟一所找出的區域性視覺特徵點，計算並記錄所有區域性視覺特徵點相對應的特徵參數以及其平面座標資訊；步驟三根據步驟二所找出所有區域性視覺特徵點的平面座標資訊，利用分群演算法進行自動化分群，自動分成N群，其中N＞＝1，每一個群內特徵點所涵蓋的區域即構成一個擬似物件。2.如權利要求l所述的一種自動擬似物件式圖像代表性區域偵測方法，其特徵為所述擬似物件的個數可以預先指定分群的個數，並將圖像分割為N個固定形狀的可重疊區域。3.如權利要求1所述的一種自動擬似物件式圖像代表性區域偵測方法，其特徵為所述擬似物件的個數由分群演算法自動決定，並將圖像分割為N個類似橢圓任意形狀且不連續的區域。4.如權利要求1所述的一種自動擬似物件式圖像代表性區域偵測方法，其特徵為當僅產生兩個擬似物件時，其中擬似物件位置較靠近整張圖像中心點座標者為圖像的前景，另一個則視為圖像的背景，進而達到自動區分圖像前景及背景的功能。5.—種自動擬似物件式圖像代表性區域偵測系統，其特徵在於包含擬似物件產生模塊，將輸入的圖像利用擬似物件的產生方法，產生擬似物件及其相關特徵資訊，並記錄在資料庫中；代表性區域偵測模塊，其利用儲存於資料庫中擬似物件的位置、大小、涵蓋特徵點數量或反轉檔案關聯索引等資訊，自動偵測出圖像中最具代表性的區域；資料庫，其儲存各模塊產生或使用的資料；視覺文字產生模塊，其將資料庫記錄的所有擬似物件區域性視覺特徵點的特徵參數，產生視覺文字碼簿，並將其對應至視覺文字碼簿最相似的視覺文字；反轉檔案關聯索引產生模塊，其將資料庫中所記錄的所有擬似物件與視覺文字建立反向檔案關聯索引，並計算每個視覺文字的反轉文件頻率。6.如權利要求5所述的一種自動擬似物件式圖像代表性區域偵測系統，其特徵在於所述資料庫記錄所有圖像產生區域性視覺特徵點的特徵參數、平面座標資訊、相對應的視覺文字、擬似物件編號，以及所有圖像其代表性區域所對應到的擬似物件編號。7.如權利要求5所述的一種自動擬似物件式圖像代表性區域偵測系統，其特徵在於所述代表性區域偵測模塊利用資料庫中各擬似物件的位置與整張圖像中心的距離反比計算出各擬似物件的位置比例參數值。8.如權利要求5的一種自動擬似物件式圖像代表性區域偵測系統，其特徵在於所述代表性區域偵測模塊利用資料庫中各擬似物件的大小計算出各擬似物件的大小比例參數值。9.如權利要求5所述的一種自動擬似物件式圖像代表性區域偵測系統，其特徵在於所述代表性區域偵測模塊利用資料庫中各擬似物件所含的區域性視覺特徵點數量計算出各擬似物件的數量比例參數值。10.如權利要求5所述的一種自動擬似物件式圖像代表性區域偵測系統，其特徵在於所述代表性區域偵測模塊將位置比例參數值、大小比例參數值以及數量比例參數值，依加權線性組合方式計算出各擬似物件的重要性參數值。11.如權利要求5所述的一種自動擬似物件式圖像代表性區域偵測系統，其特徵在於所述代表性區域偵測模塊將圖像內容各擬似物件重要性參數值由大至小排序，累計前k個排序後的值的總和至大於預設臨界值時，則此k個值對應到的擬似物件所涵蓋的範圍即為該圖像的代表性區域。12.如權利要求5所述的一種自動擬似物件式圖像代表性區域偵測系統，其特徵在於所述代表性區域偵測模塊對於不存在於資料庫中的圖像，利用該擬似物件產生模塊產生擬似物件相關資訊，以及該視覺文字產生模塊產生所有擬似物件區域性視覺特徵點的視覺特徵參數所相對應的視覺文字，計算出每個擬似物件所含視覺文字頻率。13.如權利要求5所述的一種自動擬似物件式圖像代表性區域偵測系統，其特徵在於所述代表性區域偵測模塊對於所有出現在各擬似物件的視覺文字，利用視覺文字的反向轉文件頻率與擬似物件的視覺文字頻率，將兩者以相乘並加總的方式計算出各擬似物件的重要性參數值。14.如權利要求5所述的一種自動擬似物件式圖像代表性區域偵測系統，其特徵在於所述代表性區域偵測模塊所產生的圖像代表性區域是由一個或多個擬似物件所構成，此區域為連續或不連續的區塊，並記錄在資料庫中。15.—種自動擬似物件式圖像代表性區域偵測方法，適用於資料庫中存在既有圖像的情況，其特徵在於其步驟包含a.將輸入的圖像產生擬似物件及其相關特徵資訊，並記錄在資料庫中；b.依據該圖各擬似物件的位置及其與整張圖像中心的距離，計算出各擬似物件的位置比例參數值；C.依據該圖各擬似物件的大小，計算出各擬似物件的大小比例參數值；d.依據該圖各擬似物件所含的區域性視覺特徵點數量，計算出各擬似物件的數量比例參數值；e.將步驟a-c的三個比例參數值，依加權線性組合方式計算出各擬似物件的重要性參數值；f.將該圖像內的所有擬似物件重要性參數值由大至小排序，累計前k個排序後的重要性參數值的總和至大於預設臨界值時，則此k個重要性參數值對應到的擬似物件所涵蓋的範圍即為該圖像的代表性區域。16.—種自動擬似物件式圖像代表性區域偵測方法，適用於資料庫中不存在既有圖像的情況，其特徵在於其步驟包含a.將輸入的圖像產生擬似物件及其相關特徵資訊，並記錄在資料庫中；b.依據該圖各擬似物件的位置及其與整張圖像中心的距離，計算出各擬似物件的位置比例參數值；c.依據該圖各擬似物件的大小，計算出各擬似物件的大小比例參數值；d.依據該圖各擬似物件所含的區域性視覺特徵點數量，計算出各擬似物件的數量比例參數值；e.將步驟a-c的三個比例參數值，依加權線性組合方式計算出各擬似物件的重要性參數值；f.將該圖像內的所有擬似物件重要性參數值由大至小排序，累計前k個排序後的重要性參數值的總和至大於預設臨界值時，則此k個重要性參數值對應到的擬似物件所涵蓋的範圍即為該圖像的代表性區域。17.—種自動擬似物件式圖像代表性區域偵測方法，適用於資料庫中存在既有圖像的情況，其特徵在於其步驟包含a.將輸入的圖像產生擬似物件及其相關特徵資訊，並記錄在資料庫中；b.將資料庫中記錄的所有擬似物件區域性視覺特徵點利用其視覺特徵參數進行分群，產生視覺文字碼簿；c.將資料庫中記錄的所有擬似物件區域性視覺特徵點的視覺特徵參數根據視覺文字碼簿，對應至最相似的視覺文字；d.將資料庫中所記錄的所有擬似物件與視覺文字建立反轉檔案關聯索引，並計算每個視覺文字的反向文件頻率；e.對於不存在於資料庫中的新圖像產生擬似物件相關資訊，將該圖所有擬似物件區域性視覺特徵點的視覺特徵參數根據視覺文字碼簿對應至最相似的視覺文字，並計算每個擬似物件所含視覺文字頻率；f.將步驟d的視覺文字的反向文件頻率與步驟e的擬似物件的視覺文字頻率相乘並加總，計算出各個擬似物件的重要性參數值；g.將該圖像內的所有擬似物件重要性參數值由大至小排序，累計前k個排序後的值的總和至大於預設臨界值時，則此k個值對應到的擬似物件所涵蓋的範圍即為該圖像的最具代表性區域。全文摘要本發明公開了一種自動擬似物件式圖像代表性區域偵測方法與系統，是利用分析圖片中訊號的特性而取得特徵點，再根據特徵點的平面座標關係分群而自動估計出擬似物件，並通過進一步探勘擬似物件的資訊而自動偵測出全圖中最具代表性的區域，更可應用於網際網路上大量圖像資料的影像檢索與搜尋、影像壓縮、影像縮圖以及影像標註等方面。文檔編號G06T7/60GK101777190SQ20101000536公開日2010年7月14日申請日期2010年1月14日優先權日2010年1月14日發明者周逸凡,張國韋,徐宏民,李俊仁,李天序,林冠宏申請人:中華電信股份有限公司