一種基于流行排序的顯著性目標檢測的改進方法

溫彬彬　王麗佳　李月朋　胡雪花　陳旭鳳

【摘 要】該文對現(xiàn)流行的基于圖的流行排序顯著性目標檢測算法[1]分析算法中存在的先驗背景過于理想化的缺陷，提出了一種基于全局對比度的前景特征[2]特征與背景特征進行有機結合使得查詢節(jié)點更為精準，從而使顯著性檢測更為準確有效。

【關鍵詞】排序;檢測;改進方法

中圖分類號： TP391.41 文獻標識碼： A文章編號： 2095-2457（2019）29-0186-002

DOI：10.19694/j.cnki.issn2095-2457.2019.29.088

An Improved Method of Significance Target Detection Based on Epidemic Sequencing

WEN Bin-bin WANG Li-jia LI Yue-peng HU Xue-hua CHEN Xu-feng

（Hebei institute of industrial technology， Shijiazhuang Hebei 050091， China）

【Abstract】This：paper is now popular popular sort significant target detection algorithm based on graph analysis algorithm[1]too idealistic defects existing in the prior background， proposed a based on the outlook for the global features[2]and the background characteristics of the organic combination of query node makes more accurate， making significant detection more accurate and effective.

【Key words】The sorting; Detection; Improved method

0 引言

信息高速發(fā)展的現(xiàn)代社會，圖像信息是主要的數(shù)據(jù)資源，海量的信息給圖像的高效處理帶來了巨大的挑戰(zhàn)，人們往往只關心圖像或者視頻中小區(qū)域內(nèi)容，那圖像處理的時候就需要把人們感興趣的區(qū)域找出來，圖像顯著性檢測是計算機視覺領域的關鍵技術之一。圖像顯著性檢測研究的主要內(nèi)容是如何準確快速的提取圖像中感興趣的區(qū)域。

1 基于圖的流行排序顯著性算法

基于圖的流行排序顯著性算法（MR算法）是目前研究較多、效果較為顯著的一類算法，MR 算法的過程是一個兩階段的流形排序過程，定義圖模型，選取圖像邊界處的節(jié)點作為背景種子點，以背景種子點作為查詢節(jié)點進行流行排序，構造第一階段顯著圖，然后對得到的顯著圖自適應閾值分割后選取前景種子點，以前景種子點作為查詢節(jié)點進行流行排序，構造最終顯著圖。可以看出，MR算法將第二階段的種子節(jié)點是建立在第一階段的輸出顯著圖的基礎上，最終顯著圖依賴于第一階段獲取的邊界節(jié)點特征是否明顯，當前景目標有較大部分接觸到圖像邊界時，MR效果不佳。

2 改進的算法

本文在MR算法的基礎上研究提出了一種在背景種子點篩選上的改進算法，旨在保留MR算法對大部分圖像的良好實驗效果，同時改進MR算法先驗背景過于理想化的缺陷。由于MR算法只考慮了背景特征二沒有考慮前景特征，無法得到一些參考全局對比度才能檢測到的顯著區(qū)域，本文的算法引入了基于全局對比度的前景特征，將前景和背景作為樣本點進行排序生成顯著圖[3-5]

本文方法基于MR算法中的閉環(huán)圖模型，將所有節(jié)點設為查詢節(jié)點，相當于直接利用閉環(huán)圖本身的最優(yōu)相似度矩陣 A，計算每個節(jié)點與其他節(jié)點的差異和。在公式f*=（D-？鄣W）-1y中令y=|1，1，1，…，1|T以此可以得到一個顯著圖Sfg，該顯著圖即為考慮到全局特征得到的各個節(jié)點的顯著值，計算公式為Sfg=A*|1，1，1，…，1|T， Sfg對應到每個像素構成的顯著圖就是基于前景特征的顯著圖Sfg用自適應閾值進行二值化，得到的被標記為顯著的節(jié)點的集合就是前景特征種子節(jié)點。

圖1 算法過程示意圖

算法的流程是：首先對原圖像進行超像素分割，以超像素為節(jié)點構建閉環(huán)圖模型[6]，過流行排序構建前景和背景特征顯著圖，然后二值化得到前景種子和背景種子，將兩類種子結合作為第二階段的查詢節(jié)點，再一次通過流形排序算法，即得到了最終的顯著圖。算法過程示意如圖1所示

具體步驟如下：

Input：圖像Image

Output：圖像超像素分割節(jié)點圖，圖像最終的顯著圖

1）將圖像利用SLIC的方法進行超像素分割，以每一個超像素的節(jié)點建立閉環(huán)圖G，計算度矩陣D和權值矩陣W。

2）計算矩陣（D-αW）-1，將對角線元素置為0。

3）基于前景特征的流行排序：依據(jù)公式Sfg=A*|1，1，1，…，1|T，將所有節(jié)點作為查詢節(jié)點進行流行排序計算，得到前景特征顯著圖Sfg，以自適應與之二值化后得到前景種子。

4）基于背景特征，依次采用上、下、左、右邊界的結點作為樣本，生成指示向量y，計算出對應邊界的第一階段顯著性圖，將第一階段的顯著圖二值化的結果作為查詢節(jié)點在進行一次流行排序計算，最后整合成顯著性圖像Sbq，再將其進行二值化得到背景種子。

5）將前景種子和背景種子進行結合得到最終的查詢節(jié)點。

具體結合方法為：

（1）計算初始前景fgQuery種子和背景種子的交集，即兩次被標記為顯著區(qū)域的節(jié)點集合）初始背景bgQuery（前景種子和背景種子的非，即兩次被標記為非顯著區(qū)域的節(jié)點集合）候選查詢節(jié)點candidate（剩余的種子點，即待判定為前景或背景的點）[7]。

（2）判斷圖像的前景種子和背景種子的相似性，若相似性較大則命為場景1，若前景種子和背景種子存在部分差異，則命為場景2，若前景種子和背景種子存在顯著差異，則命為場景3，若符合場景1或者場景3，令最終查詢節(jié)點fianl Query=背景種子，直接進行最終的計算;否則，繼續(xù)下列步驟。

（3）最終查詢節(jié)點初始化為初始前景mapfinal=fg Query，對于每個候選節(jié)點candidate與初始前景平均特征的歐幾里得距離，最為候選節(jié)點與初始前景的相似度。

6）由fianl Query得到矩陣y，利用公式f*=（D-？鄣W）-1y計算各個節(jié)點的排序值，得到的排序值即為各個超像素的顯著值。將超像素節(jié)點的顯著值對應到圖像中的每個像素，求得圖像的顯著圖saliencymap。

3 結果分析及總結

圖2? ? ? ? ? ? ? ? ? ? ? ? 圖3

圖2是利用經(jīng)典的MR算法檢測后結果，圖3是改進算法后的檢測結果，由圖分析可以看出，改進的算法效果較為好。

文章針對現(xiàn)在流行的MR算法中僅使用圖像四個方向邊界處的節(jié)點作為查詢節(jié)點的問題，提出了基于全局對比度的前景特征，并將前景特征與背景特征進行有機結合，使得查詢節(jié)點更為精準，從而使顯著性檢測更為準確有效。

【參考文獻】

[1]Yang C，Zhang L，Lu H，? et? al.? Saliency? Detection? via? Graph- Based? Manifold? Ranking[C].2013? IEEE? Conference? on? Computer? Vis ion? and? Pattern? Recognition IEEE? Computer? Society， 2013：3166-3173.

[2]L.Wang， J.Xue， N.Zheng， and G.Hua. Automatic salient object extraction with contextual cue. In ICCV， 2011.1.

[3]Y. Lu， W.Zhang，H.Lu， and X.Y. Xue.Salient object detection using concavity context. In ICCV， 2011.1.

[4]M.M.Cheng，G.X.Zhang，N.J.Mitra，X.Huang，and S.M.Hu.Global contrast based salient region detection.In CVPR， 2011.1， 4，6.

[5]Y.L.Xie， H.C.Lu，and M.H.Yang. Bayesian saliency via low and mid level cues.IEEE TIP， 2013.1，6.

[6]J.Sun，H.C.Lu，and S.F.Li.Saliency detection based on integration of boundary and soft-segmentation. In ICIP，2012.1.

[7]汪梅.基于流行排序和結合前景背景特征的顯著性檢測[J].計算機應用，2016（2）.