基于流行排序的显著性检测改进算法研究

晁 妍，王慧玲

（阜阳师范学院 计算机与信息工程学院，安徽 阜阳 236037）

随着科技的发展，如何模拟人类视觉注意机制快速准确地提取图像中最重要、最显著的区域，是近些年人们研究的热点。1998年Itti[1]提出高斯差分法的图像显著性检测算法。目前，该算法可以分为自底向上检测模型与自顶向下检测模型。

自底向上的显著性检测模型主要利用图像的局部或全局特征来计算显著图，Achanta利用单个像素与其它像素的平均色差来计算图像的显著性[2]。Goferman等定义图像的显著性时考虑了上下文的影响，利用场景信息来进行显著性检测[3]。Cheng等将同时考虑距离与颜色直方图来计算图像的显著性区域[4]。自顶向下的显著性检测算法主要通过调整选择准则来根据外界高层信息来获得显著图，Liu等[5]提出了一种监督学习的方法来获得图像的显著图。Yang等[6]利用条件随机场与字典学习来生成显著图。

近年来图模型广泛应用于显著性检测，Jiang[7]等人利用吸收马尔可夫链进行显著性检测。Yang[8]等人通过构建正则图，建立基于边界的背景点的查询，利用流行排序思想，构造显著图，如图1所示。然而，该方法仅仅使用了一种分割尺度，没有考虑图像的复杂性及物体的特殊性。本文在利用多尺度分割的基础上，将利用多层超像素分割的结果，获得更加准确的显著图。

图1　多尺度检测结果图

1　基于图的流行排序算法

基于图的流行排序算法，构建单层图像的K正则图建立超像素块之间的关联，再利用流行排序算法计算查询点与非查询点之间的排序得分，得到最终的结果。其思想如下：

给定一个数据集：X={x1,x2,…,xn}∈Rm×n，利用向量来记录数据的标记情况。当yi=1时表示其对应的xi为查询点，当yi=0时其xi为等标记数据。其中xi的排序值由函数确定。

流行排序算法主要步骤为：

（ⅰ）构建基于数据集X的图模型G=(V,E)，其中V是点集，E是边集。

（ⅲ）计算图的度矩D=diag(d11,d12…dnn)

（ⅳ）流行排序函数可以转化为

2　本文算法

基于MR(manifold ranking)算法，本文提出一种多层线性加权图融合的显著性检测算法，其框架如图2所示。

2.1　多尺度超像素分割

超像素分割可以将图像中相似的区域聚类，获得比像素处理更快的速度与局部区域信息，本文算法采用SLIC（simple linear iterative clustering）[9]算法对图像进行三个尺度（100、200、300）的超像素分割，以期获得更加紧凑均匀的超像素块，其效果如图3所示。

图2　算法框架图

图3　多尺度超像素分割结果图

2.2　单层背景显著性计算

根据图像边界先验，分别取图像的上边界的超像素块做为背景查询点，根据公式（1）计算基于上边界的的显著性得分：

同理，分别利用图像下边界，左边界和右边界分别计算其对应的三个边界显著性得分Sd(i)、St(i)和Sr(i)，利用线性融合，根据(2)获得基于背景查询的显著性图，如图4。

图4　多尺度背景结果图

2.3　单层前景显著图计算

根据(2)获得的背景显著性，对进行阈值分割，获得二值化图像，选择图像中的白色区域为前景查询，由(3)计算三个尺度的前景显著图，单层显著结果如图5所示。

2.4　显著性图融合

将获得的三个尺度的显著图进行融合。由于不同尺度获得的检测结果不同，为了充分考虑由于超像素分割所产生的检测结果的优劣问题，采用加权平均来获得最终的融合结果，其计算公式：

其中，a,b,c系数由三种尺度的统计结果获得，通过归一化运算，使得a+b+c=1。根据(4)计算所得的显著性值，通过归一化运算获得本文算法的显著图，如图6。可以看出，本文算法的显著图优于传统基于图的流行排序算法的显著图。

图5　多尺度单层图像显著图

图6　最终显著图比较结果

3　结果与分析

为了验证本文算法的有效性，在通用数据集ASD与ECSSD上进行测试。ASD数据集包含1000幅图像，ECSSD数据集有5168幅图像，其中这两个数据集都有人工标注的真值图，有利于算法检测结果进行有效的分析。

将本文算法与FT(frequency tuned)[2]，CA(context aware)[3]，RC(region-based contrast)[4]，SF(saliency filters)[10]，SR(spectral residual)[11],BS(bayesian saliency)[12]，IM（information maximization)[13]，MR[8]等8种算法在两个公共数据集上进行对比实验，采用3个标准来评估不同算法的性能：准确率、召回率、F-measure。为了客观评估本文算法的效果，本文进行了两个实验。第一个实验是计算准确率-召回率曲线。依次选取从0到255为阈值，对各算法获得的显著图进行二值化，将二值化后的结果图与数据集提供的Ground Truth进行比对，计算相应的准确率与召回率。第二个实验：采用自适应阈值分割策略，设置二值化阈值为各显著图的均值，计算平均准确率、召回率和F-measure。其中F-measure计算公式如下：

图7（a）和（c）显示了多种方法在ASD数据集和ECSSD数据集上的PR曲线图，其结果显示本文算法要优于经典的全局显著性目标检测算法与流行排序算法。为了验证本文算法对于复杂场景下显著性目标检测的有效性，在数据集ECSSD上与多种方法进行对比，如图7（b）和（d）。本文算法结果更优，具有更高的准确率。

4　小结

本文针对传统的流行排序算法仅仅考虑单一超像素分割尺寸，而忽略多层结果之间的空间关系，提出一种基于多尺度图融合的显著性检测算法。该算法在对图像进行多尺度超像素分割的基础上，利用传统的流行排序算法计算每个尺寸的显著性，最后利用加权线性融合多尺寸显著性结果，获得更加准确的最终显著图。并在数据集ASD和ECSSD上与8种当前流行的显著性检测算法进行对比实验，实验结果表明本文算法获得更高的准确率与更完整的显著图。下一步考虑将加入图像的轮廓信息以提高算法的检测结果。

图7　两个数据集上F-measure值与PR曲线比较结果

参考文献：