基于流行排序的顯著性檢測改進算法研究

晁 妍，王慧玲

（阜陽師范學(xué)院 計算機與信息工程學(xué)院，安徽 阜陽 236037）

隨著科技的發(fā)展，如何模擬人類視覺注意機制快速準確地提取圖像中最重要、最顯著的區(qū)域，是近些年人們研究的熱點。1998年Itti[1]提出高斯差分法的圖像顯著性檢測算法。目前，該算法可以分為自底向上檢測模型與自頂向下檢測模型。

自底向上的顯著性檢測模型主要利用圖像的局部或全局特征來計算顯著圖，Achanta利用單個像素與其它像素的平均色差來計算圖像的顯著性[2]。Goferman等定義圖像的顯著性時考慮了上下文的影響，利用場景信息來進行顯著性檢測[3]。Cheng等將同時考慮距離與顏色直方圖來計算圖像的顯著性區(qū)域[4]。自頂向下的顯著性檢測算法主要通過調(diào)整選擇準則來根據(jù)外界高層信息來獲得顯著圖，Liu等[5]提出了一種監(jiān)督學(xué)習(xí)的方法來獲得圖像的顯著圖。Yang等[6]利用條件隨機場與字典學(xué)習(xí)來生成顯著圖。

近年來圖模型廣泛應(yīng)用于顯著性檢測，Jiang[7]等人利用吸收馬爾可夫鏈進行顯著性檢測。Yang[8]等人通過構(gòu)建正則圖，建立基于邊界的背景點的查詢，利用流行排序思想，構(gòu)造顯著圖，如圖1所示。然而，該方法僅僅使用了一種分割尺度，沒有考慮圖像的復(fù)雜性及物體的特殊性。本文在利用多尺度分割的基礎(chǔ)上，將利用多層超像素分割的結(jié)果，獲得更加準確的顯著圖。

圖1　多尺度檢測結(jié)果圖

1　基于圖的流行排序算法

基于圖的流行排序算法，構(gòu)建單層圖像的K正則圖建立超像素塊之間的關(guān)聯(lián)，再利用流行排序算法計算查詢點與非查詢點之間的排序得分，得到最終的結(jié)果。其思想如下：

給定一個數(shù)據(jù)集：X={x1,x2,…,xn}∈Rm×n，利用向量來記錄數(shù)據(jù)的標記情況。當yi=1時表示其對應(yīng)的xi為查詢點，當yi=0時其xi為等標記數(shù)據(jù)。其中xi的排序值由函數(shù)確定。

流行排序算法主要步驟為：

（?。?gòu)建基于數(shù)據(jù)集X的圖模型G=(V,E)，其中V是點集，E是邊集。

（ⅲ）計算圖的度矩D=diag(d11,d12…dnn)

（ⅳ）流行排序函數(shù)可以轉(zhuǎn)化為

2　本文算法

基于MR(manifold ranking)算法，本文提出一種多層線性加權(quán)圖融合的顯著性檢測算法，其框架如圖2所示。

2.1　多尺度超像素分割

超像素分割可以將圖像中相似的區(qū)域聚類，獲得比像素處理更快的速度與局部區(qū)域信息，本文算法采用SLIC（simple linear iterative clustering）[9]算法對圖像進行三個尺度（100、200、300）的超像素分割，以期獲得更加緊湊均勻的超像素塊，其效果如圖3所示。

圖2　算法框架圖

圖3　多尺度超像素分割結(jié)果圖

2.2　單層背景顯著性計算

根據(jù)圖像邊界先驗，分別取圖像的上邊界的超像素塊做為背景查詢點，根據(jù)公式（1）計算基于上邊界的的顯著性得分：

同理，分別利用圖像下邊界，左邊界和右邊界分別計算其對應(yīng)的三個邊界顯著性得分Sd(i)、St(i)和Sr(i)，利用線性融合，根據(jù)(2)獲得基于背景查詢的顯著性圖，如圖4。

圖4　多尺度背景結(jié)果圖

2.3　單層前景顯著圖計算

根據(jù)(2)獲得的背景顯著性，對進行閾值分割，獲得二值化圖像，選擇圖像中的白色區(qū)域為前景查詢，由(3)計算三個尺度的前景顯著圖，單層顯著結(jié)果如圖5所示。

2.4　顯著性圖融合

將獲得的三個尺度的顯著圖進行融合。由于不同尺度獲得的檢測結(jié)果不同，為了充分考慮由于超像素分割所產(chǎn)生的檢測結(jié)果的優(yōu)劣問題，采用加權(quán)平均來獲得最終的融合結(jié)果，其計算公式：

其中，a,b,c系數(shù)由三種尺度的統(tǒng)計結(jié)果獲得，通過歸一化運算，使得a+b+c=1。根據(jù)(4)計算所得的顯著性值，通過歸一化運算獲得本文算法的顯著圖，如圖6。可以看出，本文算法的顯著圖優(yōu)于傳統(tǒng)基于圖的流行排序算法的顯著圖。

圖5　多尺度單層圖像顯著圖

圖6　最終顯著圖比較結(jié)果

3　結(jié)果與分析

為了驗證本文算法的有效性，在通用數(shù)據(jù)集ASD與ECSSD上進行測試。ASD數(shù)據(jù)集包含1000幅圖像，ECSSD數(shù)據(jù)集有5168幅圖像，其中這兩個數(shù)據(jù)集都有人工標注的真值圖，有利于算法檢測結(jié)果進行有效的分析。

將本文算法與FT(frequency tuned)[2]，CA(context aware)[3]，RC(region-based contrast)[4]，SF(saliency filters)[10]，SR(spectral residual)[11],BS(bayesian saliency)[12]，IM（information maximization)[13]，MR[8]等8種算法在兩個公共數(shù)據(jù)集上進行對比實驗，采用3個標準來評估不同算法的性能：準確率、召回率、F-measure。為了客觀評估本文算法的效果，本文進行了兩個實驗。第一個實驗是計算準確率-召回率曲線。依次選取從0到255為閾值，對各算法獲得的顯著圖進行二值化，將二值化后的結(jié)果圖與數(shù)據(jù)集提供的Ground Truth進行比對，計算相應(yīng)的準確率與召回率。第二個實驗：采用自適應(yīng)閾值分割策略，設(shè)置二值化閾值為各顯著圖的均值，計算平均準確率、召回率和F-measure。其中F-measure計算公式如下：

圖7（a）和（c）顯示了多種方法在ASD數(shù)據(jù)集和ECSSD數(shù)據(jù)集上的PR曲線圖，其結(jié)果顯示本文算法要優(yōu)于經(jīng)典的全局顯著性目標檢測算法與流行排序算法。為了驗證本文算法對于復(fù)雜場景下顯著性目標檢測的有效性，在數(shù)據(jù)集ECSSD上與多種方法進行對比，如圖7（b）和（d）。本文算法結(jié)果更優(yōu)，具有更高的準確率。

4　小結(jié)

本文針對傳統(tǒng)的流行排序算法僅僅考慮單一超像素分割尺寸，而忽略多層結(jié)果之間的空間關(guān)系，提出一種基于多尺度圖融合的顯著性檢測算法。該算法在對圖像進行多尺度超像素分割的基礎(chǔ)上，利用傳統(tǒng)的流行排序算法計算每個尺寸的顯著性，最后利用加權(quán)線性融合多尺寸顯著性結(jié)果，獲得更加準確的最終顯著圖。并在數(shù)據(jù)集ASD和ECSSD上與8種當前流行的顯著性檢測算法進行對比實驗，實驗結(jié)果表明本文算法獲得更高的準確率與更完整的顯著圖。下一步考慮將加入圖像的輪廓信息以提高算法的檢測結(jié)果。

圖7　兩個數(shù)據(jù)集上F-measure值與PR曲線比較結(jié)果

參考文獻：