基于線性融合的流行排序顯著性檢測算法的研究*

王慧玲 晁妍 徐正梅

(阜陽師范學(xué)院 計算機與信息工程學(xué)院,安徽阜陽 236000)

圖像顯著性檢測的研究是通過模擬人的視覺注意機制來預(yù)測一幅圖像中人的關(guān)注點,是圖像預(yù)處理中的一個重要任務(wù)。Itti[1]等人最早提出顯著性檢測框架,即在多尺度下,計算顏色、紋理及亮度等特征在局部范圍的對比度來提取顯著性區(qū)域。根據(jù)顯著性檢測物特點,大致可以分為自底向上與自頂向下的顯著性檢測。

自底向上的顯著性算法主要基于圖像的局部與全局對比度等低層特征來進(jìn)行計算,局部方法計算當(dāng)前區(qū)域相對于局部鄰域的稀有度從背景中分離出顯著性物體。Liu[2]等人利用條件隨機場來融合圖像的顯著性特征來計算顯著性目標(biāo)。Ma[3]等人提出基于局部對比度和模糊增長模型相結(jié)合的方式來進(jìn)行顯著性分析。全局對比度方法利用當(dāng)前區(qū)域與整個圖像的特征對比度來分離顯著性物體,使得該類算法可以突出整個顯著性目標(biāo)。

近年來,基于圖模型的顯著性檢測也被也研究的熱點,基中基于流行排序[4]著性檢測算法取得了較好的效果。但是該算法在檢測結(jié)果的分析過程只利用單層超像素分割的結(jié)果進(jìn)行顯著性檢測,其分割的準(zhǔn)確率直接影響背景與前景種子點選擇的正確率,本文利用多尺度計算來加強經(jīng)典顯著性檢測算法檢測準(zhǔn)確率。

1 經(jīng)典流行排序算法

基于圖的流行排序算法(Manifold Ranking,MR)在建立K-正則圖的基礎(chǔ)之上,利用流行排序算法來查詢點與非查詢點之間的相關(guān)性。給定圖像 ,構(gòu)建圖模型G=(V,E),其V和E分別是頂點集和邊集。y = [y ,y...y]T為指示向量,如果 x1 2 ni為種子點,則 yi=+1,否則 yi= 0 。定義排序函數(shù):來根據(jù)查詢種子點,計算相對于其它區(qū)域的流行排序,最優(yōu)化排序函數(shù)(1)可得到對應(yīng)的排序得分:

圖1 最終顯著性圖結(jié)果比較

2 本文算法

本文算法根據(jù)多尺度下顯著性目標(biāo)的檢測結(jié)果,利用線性多尺度圖融合,得到最終結(jié)果。

2.1 分割尺度選擇

為了兼顧檢測結(jié)果的細(xì)節(jié)與整體,同時考慮算法的計算效率,本文利用SLIC算法對圖像進(jìn)行超像素分割,在CSSD數(shù)據(jù)集上對8種分割尺度進(jìn)行檢測結(jié)果統(tǒng)計。選擇三種超像素分割尺寸,分別為200,300,400.使每層分割結(jié)果在充分考慮像素之間空間組織關(guān)系的同時,局部范圍內(nèi)聚集具有相似屬性的像素,為提取圖像的中層特征信息的提供了空間支持。

2.2 生成單層顯著性

本文在超像素分割的基礎(chǔ)上,分別對每個尺度上進(jìn)行超像素分割。在構(gòu)建閉環(huán)圖的基礎(chǔ)上,提取相應(yīng)前景與背景種子點,利用經(jīng)典流行排序算法計算種子點與其它超像素塊之間的相關(guān)性,得到每個尺度上圖像的每個超像素塊的顯著性值,最后將基于超像素塊的顯著性值分配到每個像素點,獲得三個尺度的顯著性圖。

2.3 線性多尺度融合

從圖1看出,不同尺度下的結(jié)果圖是不同的,小尺寸的超像素分割可以獲得更多的細(xì)節(jié)信息,大尺度可以對于顯著性區(qū)域的目標(biāo)整體得到更好的突出,本文將三種尺寸分割下的圖像利用基于流行排序的單層顯著性計算,根據(jù)其獲得的結(jié)果進(jìn)行線性相加,融合多尺度圖像,計算公式為:

圖2 F-measure比較結(jié)果

3 實驗結(jié)果

本文在ASD與CSSD兩個標(biāo)準(zhǔn)顯著性數(shù)據(jù)集上與5種當(dāng)前流行的算法進(jìn)行比較,其中比較的參數(shù)為F-measure值。其中F-measure的計算公式為:

從圖2可以看出,本文算法的F-measure值是最高的,本文算法在考慮準(zhǔn)確率與召回率的同時可以得到最高的F-measure值,整體效果更好。

4 結(jié)語

本文針對傳統(tǒng)的流行排序算法只考慮單層超像素分割的不足,充分考慮了多層之間的空間聯(lián)系,來減少單一分割帶來的檢測結(jié)果不準(zhǔn)確的問題。本文將多尺度顯著圖進(jìn)行線性計算,得到最終結(jié)果。實驗結(jié)果表明,本文算法的檢測效果很準(zhǔn)確,顯著性區(qū)域的突出更完整。

[1]L.Itti,C.Koch,and E. Niebur. A model of saliency-based visual attention for rapid scene analysis[J], IEEE Transactions on Pattern Analysis and Machine Intelligence,1998:1254-1259,20(11).

[2]T. Liu, J. Sun, N. Zheng, X. Tang, and H.-Y.Shum.Learning to detect a salient object[C]. Proceedings of the IEEE International Conference on Computer Vision and Pattern Recognition ,2007:1-8.

[3] Y.-F.Ma and H.-J.Zhang.Contrast-based image attention analysis by using fuzzy growing[J].In ACM international Conference on Multimedia(ACM Multimedia),2003.

[4]C.Yang,L.Zhang,H.Lu,X.Ruan,and M.-H. Yang.Saliency detection via graph-based manifold ranking[C].Proceedings of the IEEE International Conference on Computer Vision and Pattern Recognition,2013:3166-3173.