基于背景显著性和前景显著性相结合的纺织印染图像显著性检测

尚新闻

（新乡职业技术学院，河南 新乡 453006）

1 相关工作

首先，通过收集纺织印染图像边界的超像素获得一个边界集，然后再移除超出图像边界集外具有很强图像边缘的超像素，以减少前景噪声，从而获得背景超像素种子，通过计算每个超像素与背景种子之间的颜色、空间及距离获得基于背景的显著图[1]。其次，在基于背景的显著图基础之上采用基于PCNN的自适应阈值分割图像，并选择其中更有可能是显著目标的超像素作为前景种子，然后通过计算前景种子的颜色和空间相似度得到基于前景的显著图。接着提出一个公式来整合这两个显著图，其中基于背景的显著图可以突出目标，基于前景的显著图可以抑制背景噪音，统一后的显著图再通过显著性扩散和高斯衰减细化，得到的最终结果更加准确。

2 实验评估

2.1 基于背景的显著性检测

为了更好地捕捉图像的结构信息，实验利用简单的线性迭代聚类算法（Simple Linear Iterative Clustering，SLIC）将原始图像分割成小区域，即超像素作为最小处理单元。包括基于背景和前景种子选择的显著性检测图、综合显著图以及它的优化[2]。

2.1.1 背景种子选择

基于观察的对象可能出现在图像的中心或附近，首先沿着图像边界提取超像素作为先验背景的区域。由于边界区域的一些前景噪音也可能对显著性检测产生负面影响，提出一种基于图像边界信息的机制，去除前景噪声并从选择的边界超像素中选择背景种子[3]。

首先文章利用边界概率（PB）来检测图像边界。第i个超像素的边界特征通过沿着超像素i的边缘轮廓的像素平均PB值来计算，如公式（1）所示。

其中，Bi是超像素i的边缘像素集，|Bi|表示其基数。像素i的PB值用Ipb表示。由于边界特征明显的超像素更有可能是显著目标，那么去除那些边界特征大于自适应灰度阈值的超像素，剩余的超像素则被选择为背景种子，它们包含更稳定、更可靠的背景信息。

2.1.2 背景种子的差异性

实验发现，超像素与背景种子的颜色差异越大就越有可能是显著目标。另一方面，背景种子对相似的超像素更有利。因此，利用空间加权颜色对比度来构造基于背景的显著图效果更好。

把背景种子设为BG，那么超像素i基于背景种子的显著值计算如公式（2）所示。

其中，d（Ci,Cn）和d（Ii,In）分别表示背景种子集BG中的第i个和第n个超像素之间的欧式颜色和空间距离，二者的距离在[0，1]之间。权衡参数θ用于调整颜色和空间条件。此外，为了避免背景种子集中超像素自相似值为零的情况，用下列公式重新计算公式（2）中的显著值Sb。

其中|BG|表示背景种子集BG的基数，最后通过所选的背景种子获得基于背景的显著图。

2.2 基于前景的显著性检测

2.2.1 前景种子选择

不同于以往的方法，它们通过计算每个纺织印染图像区域与整体图像的全局或局部差异来计算显著值。首先将每个超像素与背景种子相比较以获得基于背景的显著图，其次从中选择一组前景种子用来进一步计算基于前景的显著图。根据来自纺织印染图像角点检测的凸壳粗糙地定位物体，利用基于背景的显著图生成前景种子，然后计算基于背景的显著图，最后选择其中基于背景的显著值大于该阈值的超像素组成一个前景种子集FG。因为在不同的图像中显著值的范围变化很大，通过自适应阈值生成并选择的前景种子比使用固定的值生成的更加准确和可靠[4]。

2.2.2 前景种子的相似性

如果超像素与前景种子越相似就越有可能是显著对象。计算每个超像素与前景种子的空间色彩相似性，来描述超像素基于前景的显著性，类似于与公式（2）中基于背景的显著性计算，基于前景的显著性计算如公式（5）所示。

其中，d（Ci,Cn）和d（Ii,In）分别为前景种子集FG中第i个超像素与第n个超像素之间的欧式颜色和空间距离，λ和∂是两个用来平衡颜色和位置距离的权重参数，在实验中将它们都设置为1。为了避免前景种子的超像素自相似为零的情况，在公式（5）中重新计算了显著值，同样，利用公式（3）和（4）将前景种子集FG取代BG。然后获得最终的基于前景的显著图。

2.3 基于背景和前景相结合的显著性检测

2.3.1 算法思想

首先将基于背景显著图的正样本概率进行排序，计算小梯形的面积并求和得到AUC的结果。然后通过求ROC曲线所覆盖的区域面积再对基于前景显著图的AUC值进行计算。实验证明，基于前景的显著图比基于背景的显著图的效果更好。但是，通过分割基于背景显著图得到的前景种子对显著性检测有一定的负面影响，即带来一些噪声污染。基于背景的显著图可以更均匀地突出物体，而基于前景的显著图则可以更好地抑制背景噪声，因此结合背景和前景信息的优势，即上述两种算法的长处，经过反复试验，最终提出一种能够综合上述两种显著图的，见公式（6）。

通过使用公式（6）综合这两个显著图，可以获得一个统一的显著图。因此，综合的显著图S可以利用这两个显著图，即公式（6）中和的优势，进一步证明提出公式的有效性。

2.3.2 优化方法

2.3.2.1 显著扩散

即使是最好的分割算法也无法避免将一个纺织印染图像区域分成多个小的均匀区域，所以，在相似的超像素中采用显著性扩散方法来增强显著图的连续性[5]。

首先利用K-means聚类算法将图像超像素聚类为K个集群。假设在集群k（k=1，2，…，k）中有M个超像素。属于集群k的超像素i（i=1，2，…，M）的显著性用S(k)表示。

2.3.2.2 高斯衰减

通过上述步骤，得到了最终的显著图，经过对显著图的显著扩散使显著图更为均匀地突出对象，借助高斯衰减使显著图去除了基于前景显著图带来的背景噪声[6]。

3 结语

通过集成基于背景的显著图和基于前景的显著图得到纺织印染图像的显著图，并对它进行优化，得到一个最终的显著图。为了充分利用基于背景和基于前景显著图和各自优势，通过提出一个统一的公式将两者综合起来，以便达到最优的显著图。尽管该算法与先进的显著性检测算法相比有一定的优越性，但也有不足之处，在进行前景种子选择时引入了一些背景噪声，尽管使用了显著性扩散和高斯衰减的方法进行了优化，但是最终结果还是会导致一些显著区域的丢失，所以如何更好地解决这个问题需要继续研究。