改進(jìn)凸包的貝葉斯模型顯著性檢測(cè)算法

李春華 秦云凡 劉玉坤

摘 要：針對(duì)傳統(tǒng)貝葉斯模型算法對(duì)圖像顯著區(qū)域檢測(cè)精度需要進(jìn)一步提高的問(wèn)題，提出一種改進(jìn)凸包的貝葉斯模型顯著性檢測(cè)算法。首先，利用流行排序算法對(duì)圖像進(jìn)行前景提取，提取的前景區(qū)域作為貝葉斯模型的先驗(yàn)概率;其次，利用顏色增強(qiáng)的Harris角點(diǎn)檢測(cè)算法檢測(cè)圖像在RGB，HSV，CIELab 3個(gè)顏色空間中的特征點(diǎn)，分別構(gòu)造RGB，HSV，CIELab空間的凸包，求取3個(gè)顏色空間下的凸包的交集;再次，通過(guò)貝葉斯模型根據(jù)先驗(yàn)概率、凸包與顏色直方圖結(jié)合得到的觀測(cè)似然概率計(jì)算獲得顯著性區(qū)域圖;最后，將新算法在兩大公開(kāi)數(shù)據(jù)集MSRA和ECSSD中進(jìn)行測(cè)試。結(jié)果表明，新算法能夠有效抑制背景噪聲，完整檢出顯著區(qū)域，F(xiàn)-measure值在MSRA和ECSSD數(shù)據(jù)庫(kù)中的測(cè)試結(jié)果分別為0.87和0.71，準(zhǔn)確率-召回率曲線在復(fù)雜圖像數(shù)據(jù)庫(kù)高于傳統(tǒng)經(jīng)典算法。新算法改進(jìn)了傳統(tǒng)經(jīng)典算法的檢測(cè)效果，進(jìn)一步提高了顯著圖檢測(cè)的準(zhǔn)確性。

關(guān)鍵詞：圖像處理;顯著性檢測(cè);凸包;超像素;流行排序;貝葉斯模型

中圖分類號(hào)：TN958.98?文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1008-1542（2021）01-0030-08

現(xiàn)代生活中各種智能設(shè)備不斷涌現(xiàn)，由此產(chǎn)生了大量圖像，從中自動(dòng)提取關(guān)鍵信息的需求日益顯著。顯著性檢測(cè)技術(shù)可以將圖像中顯著區(qū)域從復(fù)雜場(chǎng)景中分離出來(lái)，有利于提高后繼圖像信息的處理速度。圖像顯著性檢測(cè)算法通?？梢苑譃樽皂斚蛳履Ｐ秃妥缘紫蛏夏Ｐ蛢深悺Ｗ皂斚蛳碌哪Ｐ蚚1-3]是一種需要借助具體的先驗(yàn)知識(shí)進(jìn)行檢測(cè)的模型，使用預(yù)先人工標(biāo)記的真值圖，通過(guò)學(xué)習(xí)訓(xùn)練等方式檢測(cè)圖像中的顯著目標(biāo)。這種方法運(yùn)行時(shí)間長(zhǎng)、通用性差。自底向上的模型[4-5]是一種由底層數(shù)據(jù)驅(qū)動(dòng)的模型，通過(guò)全局對(duì)比以及局部對(duì)比底層特征來(lái)檢測(cè)顯著區(qū)域，處理速度較快。目前顯著性檢測(cè)算法多采用自底向上模型。ITTI等[6]最先提出自底向上的模型框架，它融合多尺度的強(qiáng)度、顏色和方向信息進(jìn)行顯著性檢測(cè)。ACHANTA等[7]通過(guò)計(jì)算每個(gè)像素的顏色與所有像素顏色的平均值之間的色差來(lái)獲得顯著性圖，該方法適用于背景簡(jiǎn)單的圖像。傳統(tǒng)算法大多從像素或區(qū)域之間的對(duì)比度入手計(jì)算顯著性，能夠檢測(cè)到圖像中的高頻信息，但是圖像顯著性區(qū)域顯示不均勻。為解決這些問(wèn)題，基于圖像先驗(yàn)信息的顯著性檢測(cè)模型不斷出現(xiàn)，例如貝葉斯先驗(yàn)?zāi)Ｐ蚚8]、前景先驗(yàn)?zāi)Ｐ蚚9]、中心先驗(yàn)?zāi)Ｐ蚚10]、背景先驗(yàn)?zāi)Ｐ蚚11]等。

基于貝葉斯模型的圖像檢測(cè)算法最早由RAHTU等[12]提出，在貝葉斯模型基礎(chǔ)上，利用滑動(dòng)窗口將圖像分為顯著區(qū)域和邊界區(qū)域，根據(jù)顯著區(qū)域和邊界區(qū)域的顏色信息差異計(jì)算顯著值。這種方法不僅計(jì)算復(fù)雜性高，而且只能獲取到顯著目標(biāo)的位置，不能檢測(cè)到顯著目標(biāo)的輪廓。隨后XIE等[13]提出基于凸包的貝葉斯顯著性檢測(cè)模型，首先利用顏色增強(qiáng)角點(diǎn)算法獲取的特征點(diǎn)構(gòu)造凸包，再對(duì)圖像聚類計(jì)算，得到貝葉斯模型中的先驗(yàn)概率。這種方法在很多數(shù)據(jù)集的檢測(cè)實(shí)驗(yàn)中取得了較好效果，但是在對(duì)圖像聚類過(guò)程中，由于區(qū)域被分配了相同的權(quán)重，聚類結(jié)果中含有的背景噪聲導(dǎo)致結(jié)果不準(zhǔn)確。2013年，XIE等[14]再次提出在貝葉斯模型的基礎(chǔ)上利用圖像的中低層信息進(jìn)行顯著性檢測(cè)，計(jì)算先驗(yàn)概率時(shí)采取拉普拉斯算子進(jìn)行聚類，提高了檢測(cè)性能，但是凸包內(nèi)的背景噪聲仍然存在。近年來(lái)，深度學(xué)習(xí)被應(yīng)用于顯著性檢測(cè)算法，例如文獻(xiàn)[15]利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行初步顯著圖的計(jì)算，再結(jié)合圖像的多種特征信息進(jìn)行全局和局部的對(duì)比度計(jì)算獲得顯著圖?；谏疃葘W(xué)習(xí)的方法雖然能取得較好的檢測(cè)效果，但需要經(jīng)過(guò)大量的訓(xùn)練過(guò)程，過(guò)程繁瑣，運(yùn)行速度慢。

針對(duì)以上問(wèn)題，本文提出了一種基于改進(jìn)凸包的貝葉斯模型的圖像顯著性檢測(cè)算法，使用貝葉斯模型計(jì)算顯著性圖。貝葉斯模型中的先驗(yàn)概率通過(guò)提取前景區(qū)域算法獲得，觀測(cè)似然概率借助凸包和顏色直方圖得到。前景區(qū)域在超像素分割的基礎(chǔ)上利用流行排序算法確定，凸包為RGB，CIELab，HSV 3種顏色空間下分別構(gòu)建的凸包交集。采用本文算法在公開(kāi)數(shù)據(jù)集MSRA和ECSSD數(shù)據(jù)庫(kù)中進(jìn)行了實(shí)驗(yàn)測(cè)試。

1?算法描述

算法的實(shí)現(xiàn)過(guò)程是，首先在超像素分割的基礎(chǔ)上利用流行排序算法初步獲取前景區(qū)域，將其作為貝葉斯模型的先驗(yàn)概率。傳統(tǒng)貝葉斯模型算法在單顏色空間下利用角點(diǎn)檢測(cè)算子檢測(cè)出興趣點(diǎn)進(jìn)行凸包構(gòu)建，背景噪聲也被包含進(jìn)凸包內(nèi)。為減小凸包內(nèi)的背景噪聲，本文算法在RGB，CIELab，HSV 3種顏色空間下分別檢測(cè)特征點(diǎn)、分別計(jì)算凸包，取凸包的交集作為合理凸包，再與顏色直方圖結(jié)合計(jì)算觀測(cè)似然概率，最后將觀測(cè)似然概率和先驗(yàn)概率代入貝葉斯模型計(jì)算顯著圖。本文算法的框圖如圖1所示。

1.1?超像素線性分割

目前在顯著性檢測(cè)模型中，規(guī)則的圖像塊（patch）[16]、超像素（superpixel）[17]、分割（segment）[18]是常用的3種過(guò)分割算法。圖像塊分割計(jì)算量小，包含較多的灰度和顏色信息，但是這種簡(jiǎn)單分割不能凸顯目標(biāo)邊界，使得前景區(qū)域圖像塊中包含背景噪聲。分割能夠在一定程度上貼合顯著目標(biāo)的邊界，但分割結(jié)果大小不均勻，且在復(fù)雜背景下分割效果不穩(wěn)定。和上述兩種算法相比，超像素在大小均勻的前提下，包含更多的底層和中層信息，如顏色特征、位置特征、紋理特征等，并且能夠較好地保持目標(biāo)邊界。

針對(duì)算法計(jì)算時(shí)間和分割區(qū)域大小不一的問(wèn)題，ACHANTA等[19]提出SLIC超像素分割算法，以LAB顏色空間的五維向量（x，y，l，a，b）作為距離度量工具，通過(guò)像素間的顏色相似程度以及像素間的空間位置關(guān)系進(jìn)行圖像分割。該方法通過(guò)對(duì)圖像像素的聚類，保持全局邊緣不變，把圖像分割為一系列均勻緊湊的超像素，在運(yùn)行時(shí)間、分割效果等方面與人們的預(yù)期要求一致。SLIC超像素分割算法中使用的顏色歐式距離和空間歐式距離為

式中：dc表示像素間的顏色歐式距離;ds表示像素間的空間歐氏距離;D′表示像素間的最終距離;S為控制分割緊密程度的一個(gè)常數(shù)，S=[KF（][SX（]NK[SX）][KF）]，其中N表示整幅圖像中像素點(diǎn)個(gè)數(shù)，K為分割的超像素個(gè)數(shù)。圖2為超像素分割結(jié)果。