基于背景顯著性和前景顯著性相結(jié)合的紡織印染圖像顯著性檢測(cè)

尚新聞

（新鄉(xiāng)職業(yè)技術(shù)學(xué)院，河南 新鄉(xiāng) 453006）

1 相關(guān)工作

首先，通過(guò)收集紡織印染圖像邊界的超像素獲得一個(gè)邊界集，然后再移除超出圖像邊界集外具有很強(qiáng)圖像邊緣的超像素，以減少前景噪聲，從而獲得背景超像素種子，通過(guò)計(jì)算每個(gè)超像素與背景種子之間的顏色、空間及距離獲得基于背景的顯著圖[1]。其次，在基于背景的顯著圖基礎(chǔ)之上采用基于PCNN的自適應(yīng)閾值分割圖像，并選擇其中更有可能是顯著目標(biāo)的超像素作為前景種子，然后通過(guò)計(jì)算前景種子的顏色和空間相似度得到基于前景的顯著圖。接著提出一個(gè)公式來(lái)整合這兩個(gè)顯著圖，其中基于背景的顯著圖可以突出目標(biāo)，基于前景的顯著圖可以抑制背景噪音，統(tǒng)一后的顯著圖再通過(guò)顯著性擴(kuò)散和高斯衰減細(xì)化，得到的最終結(jié)果更加準(zhǔn)確。

2 實(shí)驗(yàn)評(píng)估

2.1 基于背景的顯著性檢測(cè)

為了更好地捕捉圖像的結(jié)構(gòu)信息，實(shí)驗(yàn)利用簡(jiǎn)單的線(xiàn)性迭代聚類(lèi)算法（Simple Linear Iterative Clustering，SLIC）將原始圖像分割成小區(qū)域，即超像素作為最小處理單元。包括基于背景和前景種子選擇的顯著性檢測(cè)圖、綜合顯著圖以及它的優(yōu)化[2]。

2.1.1 背景種子選擇

基于觀察的對(duì)象可能出現(xiàn)在圖像的中心或附近，首先沿著圖像邊界提取超像素作為先驗(yàn)背景的區(qū)域。由于邊界區(qū)域的一些前景噪音也可能對(duì)顯著性檢測(cè)產(chǎn)生負(fù)面影響，提出一種基于圖像邊界信息的機(jī)制，去除前景噪聲并從選擇的邊界超像素中選擇背景種子[3]。

首先文章利用邊界概率（PB）來(lái)檢測(cè)圖像邊界。第i個(gè)超像素的邊界特征通過(guò)沿著超像素i的邊緣輪廓的像素平均PB值來(lái)計(jì)算，如公式（1）所示。

其中，Bi是超像素i的邊緣像素集，|Bi|表示其基數(shù)。像素i的PB值用Ipb表示。由于邊界特征明顯的超像素更有可能是顯著目標(biāo)，那么去除那些邊界特征大于自適應(yīng)灰度閾值的超像素，剩余的超像素則被選擇為背景種子，它們包含更穩(wěn)定、更可靠的背景信息。

2.1.2 背景種子的差異性

實(shí)驗(yàn)發(fā)現(xiàn)，超像素與背景種子的顏色差異越大就越有可能是顯著目標(biāo)。另一方面，背景種子對(duì)相似的超像素更有利。因此，利用空間加權(quán)顏色對(duì)比度來(lái)構(gòu)造基于背景的顯著圖效果更好。

把背景種子設(shè)為BG，那么超像素i基于背景種子的顯著值計(jì)算如公式（2）所示。

其中，d（Ci,Cn）和d（Ii,In）分別表示背景種子集BG中的第i個(gè)和第n個(gè)超像素之間的歐式顏色和空間距離，二者的距離在[0，1]之間。權(quán)衡參數(shù)θ用于調(diào)整顏色和空間條件。此外，為了避免背景種子集中超像素自相似值為零的情況，用下列公式重新計(jì)算公式（2）中的顯著值Sb。

其中|BG|表示背景種子集BG的基數(shù)，最后通過(guò)所選的背景種子獲得基于背景的顯著圖。

2.2 基于前景的顯著性檢測(cè)

2.2.1 前景種子選擇

不同于以往的方法，它們通過(guò)計(jì)算每個(gè)紡織印染圖像區(qū)域與整體圖像的全局或局部差異來(lái)計(jì)算顯著值。首先將每個(gè)超像素與背景種子相比較以獲得基于背景的顯著圖，其次從中選擇一組前景種子用來(lái)進(jìn)一步計(jì)算基于前景的顯著圖。根據(jù)來(lái)自紡織印染圖像角點(diǎn)檢測(cè)的凸殼粗糙地定位物體，利用基于背景的顯著圖生成前景種子，然后計(jì)算基于背景的顯著圖，最后選擇其中基于背景的顯著值大于該閾值的超像素組成一個(gè)前景種子集FG。因?yàn)樵诓煌膱D像中顯著值的范圍變化很大，通過(guò)自適應(yīng)閾值生成并選擇的前景種子比使用固定的值生成的更加準(zhǔn)確和可靠[4]。

2.2.2 前景種子的相似性

如果超像素與前景種子越相似就越有可能是顯著對(duì)象。計(jì)算每個(gè)超像素與前景種子的空間色彩相似性，來(lái)描述超像素基于前景的顯著性，類(lèi)似于與公式（2）中基于背景的顯著性計(jì)算，基于前景的顯著性計(jì)算如公式（5）所示。

其中，d（Ci,Cn）和d（Ii,In）分別為前景種子集FG中第i個(gè)超像素與第n個(gè)超像素之間的歐式顏色和空間距離，λ和?是兩個(gè)用來(lái)平衡顏色和位置距離的權(quán)重參數(shù)，在實(shí)驗(yàn)中將它們都設(shè)置為1。為了避免前景種子的超像素自相似為零的情況，在公式（5）中重新計(jì)算了顯著值，同樣，利用公式（3）和（4）將前景種子集FG取代BG。然后獲得最終的基于前景的顯著圖。

2.3 基于背景和前景相結(jié)合的顯著性檢測(cè)

2.3.1 算法思想

首先將基于背景顯著圖的正樣本概率進(jìn)行排序，計(jì)算小梯形的面積并求和得到AUC的結(jié)果。然后通過(guò)求ROC曲線(xiàn)所覆蓋的區(qū)域面積再對(duì)基于前景顯著圖的AUC值進(jìn)行計(jì)算。實(shí)驗(yàn)證明，基于前景的顯著圖比基于背景的顯著圖的效果更好。但是，通過(guò)分割基于背景顯著圖得到的前景種子對(duì)顯著性檢測(cè)有一定的負(fù)面影響，即帶來(lái)一些噪聲污染。基于背景的顯著圖可以更均勻地突出物體，而基于前景的顯著圖則可以更好地抑制背景噪聲，因此結(jié)合背景和前景信息的優(yōu)勢(shì)，即上述兩種算法的長(zhǎng)處，經(jīng)過(guò)反復(fù)試驗(yàn)，最終提出一種能夠綜合上述兩種顯著圖的，見(jiàn)公式（6）。

通過(guò)使用公式（6）綜合這兩個(gè)顯著圖，可以獲得一個(gè)統(tǒng)一的顯著圖。因此，綜合的顯著圖S可以利用這兩個(gè)顯著圖，即公式（6）中和的優(yōu)勢(shì)，進(jìn)一步證明提出公式的有效性。

2.3.2 優(yōu)化方法

2.3.2.1 顯著擴(kuò)散

即使是最好的分割算法也無(wú)法避免將一個(gè)紡織印染圖像區(qū)域分成多個(gè)小的均勻區(qū)域，所以，在相似的超像素中采用顯著性擴(kuò)散方法來(lái)增強(qiáng)顯著圖的連續(xù)性[5]。

首先利用K-means聚類(lèi)算法將圖像超像素聚類(lèi)為K個(gè)集群。假設(shè)在集群k（k=1，2，…，k）中有M個(gè)超像素。屬于集群k的超像素i（i=1，2，…，M）的顯著性用S(k)表示。

2.3.2.2 高斯衰減

通過(guò)上述步驟，得到了最終的顯著圖，經(jīng)過(guò)對(duì)顯著圖的顯著擴(kuò)散使顯著圖更為均勻地突出對(duì)象，借助高斯衰減使顯著圖去除了基于前景顯著圖帶來(lái)的背景噪聲[6]。

3 結(jié)語(yǔ)

通過(guò)集成基于背景的顯著圖和基于前景的顯著圖得到紡織印染圖像的顯著圖，并對(duì)它進(jìn)行優(yōu)化，得到一個(gè)最終的顯著圖。為了充分利用基于背景和基于前景顯著圖和各自?xún)?yōu)勢(shì)，通過(guò)提出一個(gè)統(tǒng)一的公式將兩者綜合起來(lái)，以便達(dá)到最優(yōu)的顯著圖。盡管該算法與先進(jìn)的顯著性檢測(cè)算法相比有一定的優(yōu)越性，但也有不足之處，在進(jìn)行前景種子選擇時(shí)引入了一些背景噪聲，盡管使用了顯著性擴(kuò)散和高斯衰減的方法進(jìn)行了優(yōu)化，但是最終結(jié)果還是會(huì)導(dǎo)致一些顯著區(qū)域的丟失，所以如何更好地解決這個(gè)問(wèn)題需要繼續(xù)研究。