基于线性融合的流行排序显著性检测算法的研究*

王慧玲 晁妍 徐正梅

(阜阳师范学院 计算机与信息工程学院,安徽阜阳 236000)

图像显著性检测的研究是通过模拟人的视觉注意机制来预测一幅图像中人的关注点,是图像预处理中的一个重要任务。Itti[1]等人最早提出显著性检测框架,即在多尺度下,计算颜色、纹理及亮度等特征在局部范围的对比度来提取显著性区域。根据显著性检测物特点,大致可以分为自底向上与自顶向下的显著性检测。

自底向上的显著性算法主要基于图像的局部与全局对比度等低层特征来进行计算,局部方法计算当前区域相对于局部邻域的稀有度从背景中分离出显著性物体。Liu[2]等人利用条件随机场来融合图像的显著性特征来计算显著性目标。Ma[3]等人提出基于局部对比度和模糊增长模型相结合的方式来进行显著性分析。全局对比度方法利用当前区域与整个图像的特征对比度来分离显著性物体,使得该类算法可以突出整个显著性目标。

近年来,基于图模型的显著性检测也被也研究的热点,基中基于流行排序[4]著性检测算法取得了较好的效果。但是该算法在检测结果的分析过程只利用单层超像素分割的结果进行显著性检测,其分割的准确率直接影响背景与前景种子点选择的正确率,本文利用多尺度计算来加强经典显著性检测算法检测准确率。

1 经典流行排序算法

基于图的流行排序算法(Manifold Ranking,MR)在建立K-正则图的基础之上,利用流行排序算法来查询点与非查询点之间的相关性。给定图像 ,构建图模型G=(V,E),其V和E分别是顶点集和边集。y = [y ,y...y]T为指示向量,如果 x1 2 ni为种子点,则 yi=+1,否则 yi= 0 。定义排序函数:来根据查询种子点,计算相对于其它区域的流行排序,最优化排序函数(1)可得到对应的排序得分:

图1 最终显著性图结果比较

2 本文算法

本文算法根据多尺度下显著性目标的检测结果,利用线性多尺度图融合,得到最终结果。

2.1 分割尺度选择

为了兼顾检测结果的细节与整体,同时考虑算法的计算效率,本文利用SLIC算法对图像进行超像素分割,在CSSD数据集上对8种分割尺度进行检测结果统计。选择三种超像素分割尺寸,分别为200,300,400.使每层分割结果在充分考虑像素之间空间组织关系的同时,局部范围内聚集具有相似属性的像素,为提取图像的中层特征信息的提供了空间支持。

2.2 生成单层显著性

本文在超像素分割的基础上,分别对每个尺度上进行超像素分割。在构建闭环图的基础上,提取相应前景与背景种子点,利用经典流行排序算法计算种子点与其它超像素块之间的相关性,得到每个尺度上图像的每个超像素块的显著性值,最后将基于超像素块的显著性值分配到每个像素点,获得三个尺度的显著性图。

2.3 线性多尺度融合

从图1看出,不同尺度下的结果图是不同的,小尺寸的超像素分割可以获得更多的细节信息,大尺度可以对于显著性区域的目标整体得到更好的突出,本文将三种尺寸分割下的图像利用基于流行排序的单层显著性计算,根据其获得的结果进行线性相加,融合多尺度图像,计算公式为:

图2 F-measure比较结果

3 实验结果

本文在ASD与CSSD两个标准显著性数据集上与5种当前流行的算法进行比较,其中比较的参数为F-measure值。其中F-measure的计算公式为:

从图2可以看出,本文算法的F-measure值是最高的,本文算法在考虑准确率与召回率的同时可以得到最高的F-measure值,整体效果更好。

4 结语

本文针对传统的流行排序算法只考虑单层超像素分割的不足,充分考虑了多层之间的空间联系,来减少单一分割带来的检测结果不准确的问题。本文将多尺度显著图进行线性计算,得到最终结果。实验结果表明,本文算法的检测效果很准确,显著性区域的突出更完整。

[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.