結(jié)合相機(jī)陣列選擇性光場(chǎng)重聚焦的顯著性檢測(cè)

馮 潔，王世剛，韋 健，趙 巖

（吉林大學(xué) 通信工程學(xué)院，吉林 長(zhǎng)春 130012）

1 引 言

顯著性區(qū)域檢測(cè)研究的目的是從圖像中標(biāo)記出最容易引起人注意的目標(biāo)或最能表達(dá)圖像的內(nèi)容，常應(yīng)用于圖像檢索[1]、圖像壓縮[2]、目標(biāo)識(shí)別與跟蹤[3]、圖像融合[4]以及圖像分割[5]等領(lǐng)域。

根據(jù)人類視覺(jué)選擇注意機(jī)制，目前的顯著性檢測(cè)方法大致可分為自底向上和自頂向下兩類。自底向上的顯著性檢測(cè)模型是由數(shù)據(jù)驅(qū)動(dòng)的，利用圖像的亮度、紋理、顏色和空間位置等特征，判斷目標(biāo)區(qū)塊與周圍的差異，進(jìn)而計(jì)算出顯著性。自頂向下的顯著性檢測(cè)模型[6-8]是由具體檢測(cè)任務(wù)驅(qū)動(dòng)的，需要通過(guò)類標(biāo)簽進(jìn)行監(jiān)督學(xué)習(xí)。Yan等人[9]提出了綜合這兩種機(jī)制的顯著目標(biāo)檢測(cè)方法，由感知格式塔法則指導(dǎo)自底向上的模型，自頂向下模型則是使用計(jì)算模型描述注意力的背景連通性并生成優(yōu)先級(jí)圖。該方法的有效性雖優(yōu)于無(wú)監(jiān)督技術(shù)，但檢測(cè)結(jié)果與基于監(jiān)督的深度學(xué)習(xí)方法仍有一些差距[10]。與自頂向下的顯著性檢測(cè)模型相比，自底向上的顯著性檢測(cè)模型通常執(zhí)行速度快并且易于適應(yīng)各種情況，因此已得到廣泛應(yīng)用。Achanta等人[11]提出了一種頻率調(diào)諧方法，從整個(gè)圖像的色差得出顯著圖。Cheng等人[12]提出基于直方圖的對(duì)比度和基于區(qū)域的對(duì)比度，其考慮了空間距離，克服了色彩對(duì)比度的局限性。Goferman等人[13]提出上下文感知方法，增強(qiáng)了顯著目標(biāo)附近的其他顯著點(diǎn)。Fu等人[14]提出了結(jié)合顏色對(duì)比度和顏色空間分布的顯著性檢測(cè)算法的流程以及抑制噪聲和偽影的細(xì)化過(guò)程。Sun等人[15]提出了融合高低層多特征的顯著性檢測(cè)算法，結(jié)合高層先驗(yàn)知識(shí)和低層的4種顯著性特征，利用類間差異最大閾值對(duì)高低層特征進(jìn)行線性和非線性融合，最終得到高質(zhì)量的顯著圖。

近年來(lái)，基于圖的顯著目標(biāo)檢測(cè)方法[16-19]因其簡(jiǎn)單、高效等特點(diǎn)而備受關(guān)注。這些算法將圖像表示為以超像素為節(jié)點(diǎn)的圖，圖的邊為節(jié)點(diǎn)與給定種子或查詢節(jié)點(diǎn)的相關(guān)性，通過(guò)傳播模型將標(biāo)簽在圖中擴(kuò)散。傳播模型一般基于聚類假設(shè)和平滑度假設(shè)，聚類假設(shè)認(rèn)為同一集群中的節(jié)點(diǎn)應(yīng)該具有相同的標(biāo)簽，平滑度假設(shè)則認(rèn)為相同流行結(jié)構(gòu)上的節(jié)點(diǎn)應(yīng)該具有相同的標(biāo)簽。雖然這些方法的性能優(yōu)于大多數(shù)自底向上的顯著性檢測(cè)方法，但是仍存在一些缺陷。例如，Yang等人[16]提出的基于圖的流行排序算法中，用作背景查詢的4個(gè)邊界，可能會(huì)存在與前景相鄰的情況，在背景估計(jì)中使用這樣有問(wèn)題的查詢可能導(dǎo)致結(jié)果不理想或不完整。另外，采用標(biāo)準(zhǔn)平滑約束可能會(huì)遺漏區(qū)域局部信息。Wu等人[17]針對(duì)背景查詢可能不可靠的問(wèn)題，提出了邊界顯著性度量以去除邊界種子中的顯著性區(qū)域，獲得可靠的背景查詢，提高檢測(cè)精度。Li等人[18]引入正則化隨機(jī)游走排序來(lái)計(jì)算像素級(jí)的顯著圖，結(jié)果能反映出輸入圖像的更多細(xì)節(jié)。Wu等人[19]在標(biāo)簽傳播模型中使用變形平滑度約束，考慮節(jié)點(diǎn)及其相鄰節(jié)點(diǎn)平滑度，防止與背景對(duì)比度低的節(jié)點(diǎn)的錯(cuò)誤標(biāo)簽傳播。

但針對(duì)包含多個(gè)顯著性目標(biāo)和顯著性目標(biāo)的某些區(qū)域與背景區(qū)域?qū)Ρ炔幻黠@的場(chǎng)景，上述方法所得顯著圖不夠精細(xì)，甚至?xí)G失某些顯著性區(qū)域。故本文提出一種結(jié)合相機(jī)陣列選擇性光場(chǎng)重聚焦的顯著性檢測(cè)，采集同一場(chǎng)景的多幅視點(diǎn)圖像，利用場(chǎng)景的深度、聚焦等信息結(jié)合基于圖的顯著性檢測(cè)方法，同時(shí)采用結(jié)合全局和局部平滑度約束的傳播模型來(lái)解決上述問(wèn)題。本文的主要貢獻(xiàn)在于：第一，利用場(chǎng)景的多幅視點(diǎn)圖像進(jìn)行顯著性檢測(cè)，對(duì)中心視點(diǎn)圖像進(jìn)行結(jié)合bokeh渲染和超分辨的重聚焦，使得本文方法能夠結(jié)合場(chǎng)景的深度和聚焦信息進(jìn)行顯著性檢測(cè)。第二，在基于圖的顯著性檢測(cè)方法的基礎(chǔ)上提出了一種結(jié)合全局和局部平滑度約束的傳播模型來(lái)防止錯(cuò)誤標(biāo)簽的傳播。另外，在包含多個(gè)顯著目標(biāo)的場(chǎng)景中，通過(guò)選擇對(duì)場(chǎng)景的某一深度層進(jìn)行重聚焦，同時(shí)對(duì)其他深度層產(chǎn)生不同程度的模糊，可以更精確、細(xì)致地檢測(cè)出位于該深度層上的顯著目標(biāo)，一定程度上實(shí)現(xiàn)了可選擇的顯著性檢測(cè)。

2 本文方法實(shí)踐過(guò)程

本文提出的方法分為兩個(gè)主要步驟，如圖1所示。第一步，首先利用同一場(chǎng)景的多幅視點(diǎn)圖像進(jìn)行視差估計(jì)，所得視差圖用于指導(dǎo)中心視點(diǎn)圖像的重聚焦渲染[20]。重聚焦渲染過(guò)程結(jié)合了bokeh渲染和超分辨率重建，利用基于深度的各向異性濾波器對(duì)指定的聚焦深度層進(jìn)行渲染，模糊其他深度層中的非必要元素，然后通過(guò)超分辨率重建生成重聚焦后的圖像。第二步，首先對(duì)重建的結(jié)果進(jìn)行超像素處理，然后以超像素為節(jié)點(diǎn)建立圖模型，通過(guò)結(jié)合了全局和局部平滑度約束的傳播模型得到顯著性粗圖。最后，利用目標(biāo)圖進(jìn)行細(xì)化，得到最終顯著性檢測(cè)的結(jié)果。

圖 1 結(jié)合相機(jī)陣列選擇性光場(chǎng)重聚焦的顯著性檢測(cè)算法的框架圖Fig. 1 Framework diagram of the saliency detection algorithm combined with selective light field refocusing of camera array

2.1 結(jié)合bokeh渲染和超分辨進(jìn)行重聚焦

將bokeh渲染和超分辨率重建集成到一個(gè)方案中，可在提高bokeh渲染性能的同時(shí)提高重聚焦后圖像的分辨率[21]。首先采用RGDP (Reliability Guided Disparity Propagation)算法[22]對(duì)視點(diǎn)圖像進(jìn)行視差估計(jì)，用以指導(dǎo)bokeh渲染。考慮到在實(shí)際圖像采集過(guò)程中，存在傳感器排列密度受限，光學(xué)畸變，景物與采集設(shè)備之間存在相對(duì)位移等諸多降質(zhì)因素，建立攝像機(jī)陣列的退化模型：

其中，gk表示第k個(gè)相機(jī)捕獲的視點(diǎn)圖像，F(xiàn)表示高分辨率圖像，nk表示空間域附加噪聲，D、B和Md,k分別表示下采樣、光學(xué)模糊和位移（取決于深度d和視點(diǎn)k）。超分辨率重建的主要任務(wù)就是估計(jì)F以適應(yīng)退化模型，求解以下方程：

其中，第一項(xiàng)為對(duì)觀測(cè)到的低分辨率圖像與理想高分辨率圖像的一致性度量， ωb是基于深度和空間變化的權(quán)重向量，⊙代表哈達(dá)瑪乘積(Hadamard product)，也稱逐元素乘積，Jb(F)為bokeh正則化項(xiàng)，JBTV(F)為 雙邊總變異BTV正則化項(xiàng)[23]，λb和 λBTV為正則化系數(shù)，Jb(F)可以表示為：

其中，F(xiàn)b為由bokeh渲染生成的圖像。采用梯度下降法逼近公式(2)的最優(yōu)解，步長(zhǎng)和迭代次數(shù)均可設(shè)置。

生成bokeh圖像的過(guò)程為：利用基于深度的各向異性濾波器對(duì)中心視點(diǎn)圖像進(jìn)行渲染，通過(guò)調(diào)節(jié)其參數(shù)可實(shí)現(xiàn)對(duì)場(chǎng)景中某一深度層的聚焦，而對(duì)其他深度層產(chǎn)生不同程度的模糊。下面對(duì)具體過(guò)程進(jìn)行解釋：假設(shè)圖像中的某點(diǎn)p沒(méi)有被聚焦，其在圖像中對(duì)應(yīng)的混疊圓[24]半徑為：

其中，lf和lp分別表示焦距深度和p點(diǎn)深度，f為焦距，F(xiàn)為透鏡F數(shù)，深度l可表示為l=fb/d，其中b為基線長(zhǎng)度，d為視差。那么公式(4)可表示為：

在bokeh渲染過(guò)程中，f,F,b和df是固定不變的，那么p點(diǎn)對(duì)應(yīng)的混疊圓半徑與p點(diǎn)和焦點(diǎn)之間的絕對(duì)視差成正比。K=f/2F(b?df)表示整體的模糊程度，同時(shí)反映場(chǎng)景深度，K越大表示模糊程度越強(qiáng)，景深越小。

假設(shè)q點(diǎn)周圍存在多個(gè)以pi為中心的混疊圓，由于混疊圓中強(qiáng)度是均勻分布的，計(jì)算pi對(duì)q的貢獻(xiàn)可 通 過(guò)Ipiq=Ipi/πr2pi，rpiq≤rpi表 示，其中Ipi為pi點(diǎn)渲染前的強(qiáng)度，rpi為 以pi為中心的混疊圓的半徑，rpiq為pi與q之間的距離。那么q點(diǎn)強(qiáng)度可表示為：

其中，Sq={pi|rpiq≤rmax}表 示q點(diǎn)周圍點(diǎn)的集合，rmax是圖像中混疊圓半徑的最大值。由于Sq中的某些點(diǎn)可能對(duì)q點(diǎn)沒(méi)有作用，所以將權(quán)重λpi定義為：

各向異性濾波器基于公式(6)和公式(7)，采用雙三次插值渲染中心視點(diǎn)圖像生成Fb。

另外還需要對(duì)公式(2)和公式(3)中的 ωb進(jìn)行計(jì)算， ωb是基于深度和空間變化的權(quán)重向量，未聚焦的區(qū)域應(yīng)具有較大的權(quán)重。一幅圖像的模糊程度由混疊圓半徑?jīng)Q定，通過(guò)γp=(rp?rmin)/(rmax?rmin)將 半徑歸一化至[0, 1],rmin為圖像中混疊圓半徑的最小值。使用sigmoid函數(shù)將 γp轉(zhuǎn)化為ωp，ωp=1/{1+exp[?α(γp?β)]}， 其中 α為衰減因子，β為閾值。遍歷所有像素點(diǎn)，得到權(quán)值向量ωb。

2.2 通過(guò)基于圖的顯著性檢測(cè)生成顯著圖

上述步驟中通過(guò)設(shè)置參數(shù)能夠?qū)?chǎng)景中某一深度層進(jìn)行聚焦，而對(duì)其他部分產(chǎn)生不同程度的模糊，在此基礎(chǔ)上進(jìn)行如下基于圖的顯著性檢測(cè)。首先，對(duì)重聚焦后的圖像進(jìn)行超像素處理，采用SLIC (Simple Linear Iterative Clustering)算法[25]將圖像分割為n個(gè)超像素，該算法計(jì)算速度快，能生成緊湊且近似均勻的超像素。然后，構(gòu)建圖結(jié)構(gòu)G=(V,E)， 其 中V={v1,···,vn}為 超 像 素 點(diǎn) 集，E為邊集，E=E1∪E2∪E3∪E4由V中任意兩節(jié)點(diǎn)之間通過(guò)邊權(quán)值矩陣W=[wij]n×n量化的連接構(gòu)成。通過(guò)以下4條規(guī)則對(duì)其進(jìn)行定義：

接著分兩個(gè)階段生成并細(xì)化顯著圖，第一階段采用結(jié)合全局和局部平滑度約束的傳播模型進(jìn)行標(biāo)簽傳播，計(jì)算一個(gè)關(guān)于表示向量y=[y1,···,yn]T的排序向量。 表示向量y定義為：如果vi是 種子節(jié) 點(diǎn)，則yi=1， 否則yi=0。排序向 量f用以表示節(jié)點(diǎn)與背景種子節(jié)點(diǎn)的相關(guān)性，可通過(guò)求解下式獲得排序向量f：

其中， λ1=1/(1+μ1)， λ2=μ2/(1+μ1)。分別將上、下、左、右4個(gè)邊界所含超像素節(jié)點(diǎn)作為種子，得到排序向量，分別歸一化后計(jì)算其互補(bǔ)值得到前景目標(biāo)相關(guān)性，然后將對(duì)應(yīng)元素相乘生成顯著性粗圖

在顯著性區(qū)域與背景具有明顯對(duì)比度的情況下，Mc會(huì)是良好的顯著性檢測(cè)結(jié)果，但是通過(guò)背景查詢并不能表示全部的顯著性目標(biāo)信息，特別是對(duì)于顯著性目標(biāo)具有復(fù)雜結(jié)構(gòu)或與背景相似的情況，結(jié)果受背景噪聲影響較大。第二階段，對(duì)上一階段得到的顯著性粗圖進(jìn)行細(xì)化。首先，采用邊界盒[27]生成包含目標(biāo)區(qū)域、排除背景區(qū)域的目標(biāo)圖

其中，Aj為 邊界框 ?j的 分?jǐn)?shù)，δ為指示函數(shù)，表示節(jié)點(diǎn)vi是 否在邊框內(nèi)，L用于對(duì)要檢測(cè)的邊界盒生成的邊框數(shù)量進(jìn)行限制。結(jié)合Mc和Mo細(xì)化模型，細(xì)化結(jié)果f?計(jì)算公式如下：

式(14)中，第一項(xiàng)仍為平滑約束，用以保證顯著性值連續(xù)，第二項(xiàng)為標(biāo)簽適應(yīng)度約束，用以保證細(xì)化的結(jié)果與粗圖Mc相差不大，第三項(xiàng)是通過(guò)Mo構(gòu)建的正則化約束，抑制不屬于目標(biāo)的背景區(qū)域，增強(qiáng)可能屬于目標(biāo)的區(qū)域。令式(14)導(dǎo)數(shù)為0得最優(yōu)解

3 實(shí) 驗(yàn)

3.1 參數(shù)設(shè)置

在4D光場(chǎng)數(shù)據(jù)集[28]上進(jìn)行實(shí)驗(yàn)，該數(shù)據(jù)集對(duì)于每個(gè)場(chǎng)景提供9×9×512×512×3光場(chǎng)。選擇每個(gè)場(chǎng)景3×3的子視點(diǎn)圖像序列作為輸入，輸出對(duì)該場(chǎng)景進(jìn)行顯著性檢測(cè)的顯著圖。另外，實(shí)驗(yàn)對(duì)數(shù)據(jù)集中每一場(chǎng)景都進(jìn)行了人為的顯著性標(biāo)注，使每一場(chǎng)景都帶有顯著性檢測(cè)的真值圖，用于對(duì)檢測(cè)結(jié)果進(jìn)行定量分析。算法中的參數(shù)設(shè)置如下：重聚焦過(guò)程中，兩項(xiàng)正則化系數(shù)分別設(shè)為λb=5， λBTV=0.2；bokeh渲染過(guò)程中，衰減因子α=15； 閾值 β=0.3；bokeh強(qiáng)度K= 3（可根據(jù)對(duì)模糊程度及景深的需要進(jìn)行調(diào)節(jié)）；顯著性檢測(cè)過(guò)程中，每個(gè)超像素包含的像素?cái)?shù)量設(shè)置為600；控制約束 σ2=0.1； λ1=0.99； λ2=0.5；要檢測(cè)的邊框數(shù)量L=104。

3.2 重聚焦結(jié)果

實(shí)驗(yàn)中，將場(chǎng)景深度量化為30個(gè)層次，通過(guò)設(shè)置索引i指定要聚焦的深度層，生成在該深度層聚焦，其他深度層散焦的重聚焦圖像，如圖2所示。圖2(a)為場(chǎng)景Herbs的中心視點(diǎn)圖像；圖2(b)為聚焦于第29個(gè)深度層的重聚焦圖像，圖中場(chǎng)景最前側(cè)花盆得以清晰顯示；圖2(c)為聚焦于第19個(gè)深度層的重聚焦圖像，場(chǎng)景較前側(cè)花盆得以清晰顯示；圖2(d)為聚焦于第9個(gè)深度層的重聚焦圖像，圖中場(chǎng)景較后側(cè)花盆得以清晰顯示；圖2(e)為聚焦于第2個(gè)深度層的重聚焦圖像，圖中場(chǎng)景最后側(cè)花盆得以清晰顯示。實(shí)驗(yàn)結(jié)果表明，對(duì)于輸入的多幅視點(diǎn)圖像，通過(guò)選擇對(duì)場(chǎng)景的某一深度層進(jìn)行重聚焦，能夠使位于該深度層上的物體清晰顯示，對(duì)位于其他深度層上的物體產(chǎn)生不同程度的模糊。實(shí)驗(yàn)中將中心視點(diǎn)圖像作為真值圖，使用PSNR定量評(píng)估聚焦區(qū)域（方框框出）的清晰度。

圖 2 聚焦于場(chǎng)景不同深度層上的重聚焦結(jié)果Fig. 2 Refocusing results focusing on different depth layers of the scene

3.3 顯著性檢測(cè)結(jié)果

將本文方法所得的最終檢測(cè)結(jié)果與4種不同類型的顯著性檢測(cè)算法以及1種最新的基于深度學(xué)習(xí)的顯著性目標(biāo)檢測(cè)算法進(jìn)行了比較，如圖3（彩圖見(jiàn)期刊電子版）所示。其中文獻(xiàn)[19]、文獻(xiàn)[18]為基于圖的顯著性檢測(cè)方法，文獻(xiàn)[9]為綜合自底向上和自頂向下兩種機(jī)制的顯著目標(biāo)檢測(cè)方法，文獻(xiàn)[13]為上下文感知的顯著性檢測(cè)方法。由圖3可知，本文方法顯著性檢測(cè)的結(jié)果最為完整、細(xì)致，圖中對(duì)用紅色和藍(lán)色方框標(biāo)注出的部分細(xì)節(jié)進(jìn)行放大展示以做視覺(jué)對(duì)比。對(duì)于第一行所展示的包含多個(gè)顯著性目標(biāo)的場(chǎng)景Table，本文方法能檢測(cè)出更多的顯著性目標(biāo)，例如，左側(cè)的盆栽、筆筒、前方的臺(tái)燈等，另外本文方法得到的顯著圖中主要顯著性目標(biāo)也更為細(xì)致，例如，收納盒和打開(kāi)的書(shū)。對(duì)于第二行所展示的顯著性區(qū)域與背景對(duì)比度不大的場(chǎng)景Boxes，本文方法檢測(cè)出的顯著性目標(biāo)最為精細(xì)，例如，收納箱的右上邊緣和收納袋。

圖 3 5種算法對(duì)場(chǎng)景Table和Boxes進(jìn)行顯著性檢測(cè)所得結(jié)果比較Fig. 3 Comparison of the saliency detection results obtained by five algorithms for the scene Table and Boxes

采用平均絕對(duì)值誤差(Mean Absolute Error,MAE)來(lái)評(píng)價(jià)檢測(cè)出的顯著圖與人工標(biāo)注的真值圖之間的差異，由下面的公式進(jìn)行計(jì)算：

其中，W和H分別代表圖像的寬度和高度，S為顯著圖，G為真值圖，MAE越小說(shuō)明檢測(cè)結(jié)果與真值圖之間的差異越小，算法的性能越好。針對(duì)Table和Boxes這兩種特殊場(chǎng)景，本文提出算法的MAE值均小于其他4種算法，檢測(cè)結(jié)果能體現(xiàn)出更豐富的顯著性目標(biāo)信息。對(duì)整個(gè)數(shù)據(jù)集中的全部場(chǎng)景進(jìn)行顯著性檢測(cè)，計(jì)算MAE值，見(jiàn)表1。結(jié)果表明本文算法較其他4種算法，平均MAE值均有所降低，所得顯著圖與真值圖之間的差距有所縮小，檢測(cè)結(jié)果更為精細(xì)。

表1 5種算法的平均MAE值Tab. 1 Average MAE values of 5 different kinds of algorithms

對(duì)本文算法所得顯著性檢測(cè)結(jié)果進(jìn)行閾值處理，用二值化的結(jié)果與文獻(xiàn)[10]中提出的基于深度學(xué)習(xí)的顯著性目標(biāo)檢測(cè)算法所得結(jié)果進(jìn)行比較，如圖4所示?？梢钥闯鲭m然對(duì)于包含多個(gè)顯著性目標(biāo)的復(fù)雜場(chǎng)景，本文結(jié)果也存在部分顯著性目標(biāo)丟失的不足，但是所包含的顯著性目標(biāo)的信息更多，對(duì)細(xì)節(jié)處理得更好，與真值圖之間的差異更小，且無(wú)需預(yù)先通過(guò)大量數(shù)據(jù)來(lái)訓(xùn)練網(wǎng)絡(luò)，也無(wú)需在測(cè)試時(shí)下載預(yù)訓(xùn)練模型。故與基于深度學(xué)習(xí)的顯著性目標(biāo)檢測(cè)算法相比，本文方法更簡(jiǎn)單、有效。

圖 4 本文算法所得結(jié)果與最新的基于深度學(xué)習(xí)的顯著性目標(biāo)檢測(cè)算法所得結(jié)果的比較Fig. 4 The comparison between the results of our algorithm and the latest salient object detection algorithm based on deep learning

另外，由于本文方法結(jié)合了光場(chǎng)重聚焦，可通過(guò)選擇聚焦于不同的深度層，將該深度層上的顯著性目標(biāo)更精確、細(xì)致地檢出。圖5展示的是聚焦于場(chǎng)景兩個(gè)不同深度層（索引i分別設(shè)置為29和9）所得顯著圖。第一行從左至右分別為中心視點(diǎn)圖像、聚焦到果盤所在深度層后所得的顯著圖以及聚焦到較后側(cè)花盆所在深度層后所得的顯著圖；第二行將兩幅顯著圖中果盤部分進(jìn)行放大展示?？梢钥闯?，當(dāng)設(shè)置聚焦于果盤所在深度層（i= 29）時(shí)，場(chǎng)景中前側(cè)的果盤能夠被更精細(xì)的檢測(cè)出；當(dāng)設(shè)置聚焦于場(chǎng)景較后側(cè)花盆所在深度層（i= 9）時(shí)，后側(cè)花盆能夠被更精細(xì)地檢測(cè)出，一定程度上實(shí)現(xiàn)了可選擇的顯著性檢測(cè)。

圖 5 聚焦于場(chǎng)景不同深度層所得顯著圖比較Fig. 5 Comparison of saliency maps obtained by focusing on different depth layers of the scene

4 結(jié) 論

本文提出了一種結(jié)合相機(jī)陣列選擇性光場(chǎng)重聚焦的顯著性檢測(cè)方法。通過(guò)同一場(chǎng)景的多幅視點(diǎn)圖像，結(jié)合場(chǎng)景的深度、聚焦等信息，利用基于圖的顯著性檢測(cè)方法，提出結(jié)合全局和局部平滑度約束的傳播模型來(lái)防止錯(cuò)誤標(biāo)簽傳播，得到的顯著性粗圖經(jīng)過(guò)目標(biāo)圖的細(xì)化最終輸出精細(xì)的結(jié)果圖。此外，通過(guò)參數(shù)設(shè)置對(duì)場(chǎng)景的某一深度層進(jìn)行重聚焦，而對(duì)其他深度層產(chǎn)生不同程度的模糊，使得對(duì)包含多個(gè)顯著目標(biāo)的場(chǎng)景中位于該深度層的顯著目標(biāo)得以更精確、細(xì)致地被檢測(cè)出，一定程度上實(shí)現(xiàn)了可選擇的顯著性檢測(cè)。在4D光場(chǎng)數(shù)據(jù)集上進(jìn)行的實(shí)驗(yàn)表明本文所提出的算法效果良好，所得的顯著圖與人為標(biāo)注的真值圖之間的平均絕對(duì)誤差的均值為0.2128，較其他方法有所降低，檢測(cè)出的顯著圖最為精細(xì)，改善了現(xiàn)有顯著性檢測(cè)方法針對(duì)包含多個(gè)顯著目標(biāo)以及顯著目標(biāo)的某些區(qū)域與背景區(qū)域?qū)Ρ炔幻黠@的場(chǎng)景所得的顯著圖不夠精細(xì)，甚至?xí)G失某些顯著性區(qū)域的不足。