技术摘要：
一种景物特征提取方法、设备和计算机可读存储介质，其中，所述方法包括：获取目标图像，进行二值化处理，得到二值图像；将所述二值图像进行形态学处理，得到形态学处理图像；根据所述形态学处理图像确定激励图；对所述激励图进行均一化处理，得到显著性图；根据所述显  全部
背景技术：
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。
技术实现要素：
本申请提供了一种景物特征提取方法、设备和计算机可读存储介质，以提高特征 提取的抗干扰能力。 本申请实施例提供了一种景物特征提取方法，包括： 获取目标图像，进行二值化处理，得到二值图像； 将所述二值图像进行形态学处理，得到形态学处理图像； 根据所述形态学处理图像确定激励图； 对所述激励图进行均一化处理，得到显著性图； 根据所述显著性图确定所述目标图像的目标景物特征。 在一实施例中，所述进行二值化处理之前，还包括： 对所述目标图像进行滤波。 在一实施例中，所述对所述目标图像进行滤波，包括： 对所述目标图像进行高斯滤波，采用的高斯函数为： 其中，x,y为所述目标图像的点坐标，σ为高斯滤波器的参数，所述σ的值为所述目 标图像的宽度和高度中较小者的1/8～1/12之间。 在一实施例中，所述进行二值化处理，包括： 对滤波后得到平滑图像中的点B(x,y)，在9*9领域内求取局部灰度标准差： 为所述9*9领域的灰度平均值； 遍历所述平滑图像进行如下运算，得到所述二值图像： 4 CN 111582034 A 说　明　书 2/7 页 若 则将二值图像中的点C(x,y)赋值为255； 若 则将二值图像中的点C(x,y)赋值为0。 在一实施例中，所述将所述二值图像进行形态学处理，得到形态学处理图像，包 括： 对所述二值图像作腐蚀运算； 将所述腐蚀运算处理后的图像进行膨胀运算，得到所述形态学处理图像。 在一实施例中，所述根据所述形态学处理图像确定激励图，包括： 对于所述形态学处理图像中每一个点，将所述点的灰度值作为马尔科夫链中的状 态，计算从所述点出发的边的权重，所述边的权重为状态间转换的概率，计算马尔科夫链的 概率分布，得到所述激励图。 在一实施例中，所述边的权重设置为： w1((i，j)，(p，q))＝d((i，j)||(p，q))·F(i-p，j-q) 其中，D(i,j)与D(p,q)为所述边的两个端点， δ为自由参数，所述δ的值为图像宽度和图像高度中较小者的1/16～1/24之间。 在一实施例中，所述根据所述显著性图确定所述目标图像的目标景物特征，包括： 根据所述显著性图确定所述目标图像的显著性区域，将所述显著性区域的区域特 征作为所述目标图像的目标景物特征。 本申请实施例还提供一种景物特征提取设备，包括：存储器、处理器及存储在存储 器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述景物特征提 取方法。 本申请实施例提供一种计算机可读存储介质，存储有计算机可执行指令，所述计 算机可执行指令用于执行所述景物特征提取方法。 与相关技术相比，本申请实施例包括：获取目标图像，进行二值化处理，得到二值 图像；将所述二值图像进行形态学处理，得到形态学处理图像；根据所述形态学处理图像确 定激励图；对所述激励图进行均一化处理，得到显著性图；根据所述显著性图确定所述目标 图像的目标景物特征。本申请实施例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，抗干扰性能更强。 本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变 得显而易见，或者通过实施本申请而了解。本申请的其他优点可通过在说明书以及附图中 所描述的方案来实现和获得。 5 CN 111582034 A 说　明　书 3/7 页 附图说明 附图用来提供对本申请技术方案的理解，并且构成说明书的一部分，与本申请的 实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。 图1为本申请实施例的景物特征提取方法的流程图； 图2为本申请实施例的一种显著性图的示意图。