基于显著性检测的目标图像分割算法

李锋林，李 亮

(西安艾索信息技术有限公司，陕西 西安 710065)

基于显著性检测的目标图像分割算法

李锋林，李 亮

(西安艾索信息技术有限公司，陕西 西安 710065)

针对由于显著性检测算法准确率低下导致的图像分割错误的现象，设计了一种基于改善显著性检测算法效果的图像分割算法。该算法通过输入的显著性映射图获得目标的一部分，利用这部分区域作为学习的线索点，然后提出一种基于双生图的学习方法获得其余目标。文中通过仿真的方式对结果进行了验证，实验结果表明，该方法可获得准确度更高，更适合用于图像分割的显著性检测结果。

显著性检测；目标分割；图像处理

显著性检测可以用来获得一个图像中与周围最不同的目标或者区域，且这一目标或区域可以代表这个图像，而获得的这个区域可以用来处理复杂的视觉任务，在本文中，主要用来分割目标。

显著性检测算法通常可以生成一幅灰度图，来表达一幅图像中每个像素点作为目标的可能性，这种灰度图被称为显著性映射图。早期显著性算法生成的映射图用来预测视觉注意力点，无法包含准确的目标边界，而后期的显著性算法针对这一缺陷，生成了拥有全分辨率的显著性映射图却牺牲了计算效率。针对显著行映射图的特性，提出了一种通过改善显著性映射图准确率来进行图像分割的算法[1-4]。

该算法通过大津法对灰度图像设阈值来获取一部分点，作为目标区域的一部分来作为后续学习的线索点。由于不同显著性算法的准确率并不稳定，本文选用超像素[5]来削弱个别错误像素点对后续算法准确率造成的影响。

本文采用由由D.Zhou等[6-7]首先提出应用于检索，并被C.Yang[8]等应用显著性学习中的流形的概念来构造图。C.Yang[8]等提出的图算法基于良好的线索点时，可以给出准确率很高的结果，然而在对该算法的效果图的统计中，发现当目标包含有两种及以上的颜色时，使用C.Yang[8]等提出的方法生成的映射图将会抑制其中一部分的颜色所在的区域，这一区域的特征是占有像素较为多，即面积较大的部分，这是这种算法的分类方程在建立的过程中，使用的关系矩阵顶点的值由色彩所决定，当同时有两种颜色所在的超像素被选定为线索点时，由于它们之间的色彩距离很远，导致这两种颜色互相的标记值都会很低。C.Yang[8]等提出的方法所建立的分类方程在迭代多次后，经过证明是收敛的，这就意味着这个方法最终会给出一个稳定的状态，而对于分类而言，比较大的面积或者区域往往会对应为一个不紧密的状态，也即不稳定，故而颜色所占面积较大区域的标注值会被抑制，导致最终得到的显著性映射值比另一个颜色所在区域的值低，这就会使一个色彩复杂的目标虽然被完整的检测到，但无法给出含有均匀显著性值，从而影响后续的图像分割。

针对此问题，本文提出了一种被称为双生图的方法来改进算法效果。

图1 基于显著性检测的目标分割算法流程图

1 对输入显著性映射图的预处理

在用大津法对显著性映射图进行二值化后，会获得一幅由值为“1”和“0”的亮点和暗点组成的黑白像素点图，使用白色像素点来标记超像素获得线索点。二值化后，个别错误峰刺亮点和由于模糊造成的冗余亮点会对后续方法造成不良影响。在二值化后，选择形态学闭操作来减少一些错误亮点对于结果的影响。同时一些亮点存在于边界上，所以不应该把只有少量亮点存在的位于边界外部的超像素标记为线索点。仅当一个超像素中同时存在亮点和黑点时，需要按照一个合适的比例判定它是否为一个线索点，只有当亮点所占比例超过一个阈值时，才会判定这个超像素点为线索点。

2 双生图的建立

给定的超像素集li。 令f:X→Rn代表排序方程，它会将fi赋值给相应的xi，而f可以被当做向量集f=[f1,…,fn]T。仍然需要定义一个向量y=[y1,…,yn]T，其中当xi是线索点时，yi=1，否则yi=0。用X代表矩阵，这个矩阵将记录每一对超像素xi和xj之间的距离w(xi,yj)，它定义为

(1)

其中,ei和ej代表xi和xj的平均特征，而σ来控制权值的影响,这里取σ2=1。

这个算法过程如下：

(1)构造由wij构成的关系矩阵W；

(2)构造矩阵S=D-1/2WD-1/2，其中D是一个对角阵，它对角线上的元素第(i，i)的值等于矩阵W第i行值的和;

(3)迭代方程f(t+1) =αSf(t)+(1-α)y直到收敛，其中α是值在(0，1)之间的系数；

这个迭代算法可直观地被理解，首先第一步在数据集X上建立一个关系矩阵W，它对角线上的元素为0；在第二步中，使用归一化对称的系数给W加权，后续将证明这个步骤对于算法的收敛是重要的。前两步和谱聚类相似。在第三步的迭代过程中，每个顶点在传播自己信息的同时都接收到了来自它相邻顶点中的信息。系数α可以确定最终值的信息中，初始值和排序值哪个所占比重较大。由于在第一步中，使得W中所有对角线元素为0，故而这个算法将不受自身信息的影响。除此之外由于S是一个对称矩阵，所以所有顶点中的信息都会对称传播。最终，每个未赋值的顶点将会被赋给迭代收敛时的值。

可以证明序列{f(t)}收敛于[6]

f*=β(I-αS)-1y[6]

(2)

在C.Yang[8]的算法中，每个顶点的特征值取值为这个顶点的色彩平均，边界存在与否取决于两个顶点之间是否边界相邻，将用这种方法建立的图称为C2P图。由于C2P图的这些缺陷，本文提出一种相对于C2P对称存在的P2C图，这个图中将作为C2P的辅助图，称其为双生图，在这个图中ei和ej代表了相应位置的位置平均值，对两个点是否相邻进行重新定义，本文定义两个颜色平均值较为接近的顶点为相邻。

将双生图的结果相加得到强化的显著性映射图，采用大津法再次进行二值化，用得到的二值图对输入图像进行分割即可得到结果。

3 实验仿真与结果分析

此次实验中，采用了SWD[9]，AIM[10]，IT[11]算法生成的显著性映射图作为输入，分别在MSRA-1K[12]、juddDB[13]和ECSSD[14]图库中进行分割。

在图2～图4中，从左到右，分别为待检测的图片、输入的显著性映射图、双生图生成的显著性映射图以及经过二值化后对输入图片的分割结果。从图中可以看出，尽管输入的显著性映射图的效果差异很大，但是都可以获得全分辨率的显著性映射图，然后对得到的映射图进行二值化，即可将待检测图中的目标检测出来。

图2 图库MSRA-1K中，以IT算法的显著性映射图为输入的图像分割效果图

图3 图库juddDB中，以SWD算法的显著性映射图为输入的图像分割效果图

图4 图库ECSSD中，以AIM算法的显著性映射图为输入的图像分割效果图

如图5所示，尽管输入的显著性映射图表现不佳，但经过本文算法改进后都能在大津法二值化得到的分割图中取得较高的准确率，从而说明本文中所提出的方法对于分割图像而言具有较为重要的意义。

图5 3种不同输入算法在3种图库中的准确率、召回率和F-measure值

4 结束语

本文对已有流形学习中使用的图进行了改善，提出了一种基于双生图的显著性检测方法，从而大幅改善了显著性映射图的准确性，提高了图像分割的准确性。从结果可以看出，某些目标中仍然包含了一些背景像素，造成这种错误的，一部分原因是由于输入映射图的不准确性，另一部分原因则是学习算法仍不够优秀。后续工作需要研究如何更大限度的抑制背景像素点对目标的干扰。

[1] 张丹.基于视觉注意力点的显著性目标检测 [D].西安：西安电子科技大学，2015.

[2] Li Y, Hou X, Koch C, et al. The secrets of salient object segmentation[C].Columbus, OH,OR:CVPR Computer Vision and Pattern Recognition,IEEE, 2014.

[3] Borji A, Sihite D N, Itti L. What stands out in a scene? A study of human explicit saliency judgment[J]. Vision Research, 2013, 91(15):62-77.

[4] Juan X, Ming J, Shuo W, et al. Predicting human gaze beyond pixels [J]. Journal of Vision, 2014, 14(1):97-97.

[5] Radhakrishna A, Appu S, Kevin S, et al. SLIC superpixels compared to state-of-the-art superpixel methods[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2012, 34(11):2274-2282.

[6] Zhou D, Weston J, Gretton A,et al.Ranking on data manifolds[J]. Advances in Neural Information Processing Systems, 2003(7):169-176.

[7] Zhou D, Bousquet O, Lal T N, et al. Learning with local and global consistency[J]. Advances in Neural Information Processing Systems, 2004, 17(4):321-328.

[8] Yang C, Zhang L, Lu H, et al. Saliency detection via graph-based manifold ranking[C]. Portland, OR:IEEE Conference on Computer Vision & Pattern Recognition,2013.

[9] Duan L, Wu C, Miao J, et al. Visual saliency detection by spatially weighted dissimilarity[C]. Providence, RI:Computer Vision and Pattern Recognition , 2011.

[10] Bruce N D B, Tsotsos J K. Saliency, attention, and visual search: an information theoretic approach [J]. Journal of Vision, 2009, 9(3):5-24.

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

[12] Achanta R, Hemami S, Estrada F, et al. Frequency-tuned salient region detection[C].Miami, FL:IEEE International Conference on Computer Vision and Pattern Recognition, 2009.

[13] Yan Q, Xu L, Shi J,et al. Hierarchical saliency detection[C].Portland, OR: IEEE Conference on Computer Vision and PatPattern Recognition, 2013.

[14] Ali B. What is a salient object? A dataset and a baseline model for salient object detection[J]. IEEE Transactions on Image Processing A Publication,2015, 24(2):742-756.

AnObject Segmentation Method Using Saliency Detection

LI Fenglin，LI Liang

( R&D, Xi’an iTHOR Information Technology CO.,LTD, Xi’an 710065, China)

The low accuracy of saliency detection algorithm will lead to some errors in image segmentation, and an image segmentation method based on improved saliency detection algorithm is proposed in this paper. This method can obtain some regions belong to the object, then put forward a learning method based on a twin-graph which can use these queries to find out the rest of the object.. The experimental results validate our proposed method can obtain a better saliency map for image segmentation.

saliency detectiong；object detection；image processing

2016- 03- 16

李亮(1982-)，男，硕士，高级工程师。研究方向：雷达电子对抗。

10.16180/j.cnki.issn1007-7820.2017.01.019

TP391.41

A

1007-7820(2017)01-069-04