成培瑞，王建立，王　斌，李正煒，吳元昊

(1.中國(guó)科學(xué)院 長(zhǎng)春光學(xué)精密機(jī)械與物理研究所，吉林 長(zhǎng)春 130033；

2.中國(guó)科學(xué)院大學(xué)，北京 100049)

?

基于多尺度區(qū)域?qū)Ρ鹊娘@著目標(biāo)識(shí)別

成培瑞1,2，王建立1*，王斌1，李正煒1，吳元昊1

(1.中國(guó)科學(xué)院 長(zhǎng)春光學(xué)精密機(jī)械與物理研究所，吉林 長(zhǎng)春 130033；

2.中國(guó)科學(xué)院大學(xué)，北京 100049)

摘要：為了對(duì)圖像中的顯著目標(biāo)進(jìn)行更精確的識(shí)別，提出一種新的基于多尺度區(qū)域?qū)Ρ鹊囊曈X(jué)顯著性計(jì)算模型。首先基于多尺度思想將圖像分別分割為不同數(shù)目的超像素，對(duì)超像素內(nèi)的像素顏色值取平均以生成抽象化圖像；然后根據(jù)顯著特征的稀少性及顯著特征的聚集性，計(jì)算單一尺度下超像素顏色特征的顯著性值；最后通過(guò)取各尺度超像素顯著度的平均值來(lái)融合多尺度顯著圖，得到最終的視覺(jué)顯著圖。實(shí)驗(yàn)表明，以MSRA圖庫(kù)中的1 000張隨機(jī)自然圖片為例，該模型較現(xiàn)有較好的區(qū)域?qū)Ρ饶Ｐ?，顯著目標(biāo)識(shí)別的精確率提高了14.8%，F(xiàn)-Measure值提高了9.2%。與現(xiàn)有的算法相比，該模型提高了算法對(duì)顯著目標(biāo)大小的適應(yīng)性，減少了背景對(duì)顯著目標(biāo)識(shí)別的干擾，具有更好的一致性，能更好地識(shí)別顯著目標(biāo)。

關(guān)鍵詞:顯著目標(biāo)識(shí)別；視覺(jué)顯著性計(jì)算模型；多尺度

Salient object detection based on multi-scale region contrast

1引言

顯著目標(biāo)識(shí)別是視覺(jué)顯著性的一個(gè)重要應(yīng)用。視覺(jué)顯著性反映了場(chǎng)景中的目標(biāo)對(duì)人類(lèi)視覺(jué)注意力的吸引能力。通過(guò)建立視覺(jué)顯著性計(jì)算模型可以對(duì)這種能力進(jìn)行量化估計(jì)，并用灰度圖像表示出來(lái)。視覺(jué)顯著性廣泛應(yīng)用于視覺(jué)計(jì)算的各種領(lǐng)域，包括顯著目標(biāo)識(shí)別[1-3]、視頻分析[4]、遙感圖像處理[5-6]、圖像壓縮[7]等。

1998年，Itti等人[8]提出了基于顏色、方向、亮度特征的多尺度側(cè)抑制計(jì)算模型，成為了視覺(jué)顯著性計(jì)算模型的通用結(jié)構(gòu)。之后的許多模型均基于這個(gè)框架結(jié)構(gòu)建立，如Harel等人[9]提出的基于馬爾科夫隨機(jī)鏈的計(jì)算模型等。上述模型都是基于局部對(duì)比的計(jì)算模型，能有效地檢測(cè)出目標(biāo)像素與周?chē)袼氐奶卣鞑町惔笮?，使得在邊緣附近的像素顯著性較大。但算法僅考慮了局部對(duì)比，未考慮全局的結(jié)構(gòu)、布局等因素，容易檢測(cè)到局部顯著區(qū)域，而不能描述完整的顯著目標(biāo)。由于基于局部對(duì)比模型的局限性，基于全局對(duì)比的計(jì)算模型被提出來(lái)，主要包括Hou等人[10]提出的光譜殘差模型和R.achanta等人[11]提出的頻率域調(diào)制模型。基于全局對(duì)比的算法參數(shù)少且計(jì)算簡(jiǎn)單，充分考慮了全局的布局等因素，但由于算法缺乏局部對(duì)比機(jī)制，導(dǎo)致得到的顯著性目標(biāo)表示的一致性較差。本文綜合考慮了局部對(duì)比與全局對(duì)比兩方面因素，采用以空間距離為權(quán)值的顏色距離來(lái)表示顯著性，并利用圖像中顏色的分布性來(lái)以全局的角度定義目標(biāo)整體，解決了片面考慮所帶來(lái)的問(wèn)題。

對(duì)人類(lèi)視覺(jué)系統(tǒng)的研究表明，人眼會(huì)自動(dòng)地將屬性相似且距離相近的像素點(diǎn)看做一個(gè)整體進(jìn)行處理。因此，近些年視覺(jué)顯著性計(jì)算模型的研究越來(lái)越偏向區(qū)域化，如Bruce等人[12]提出的基于區(qū)域自信息量的計(jì)算模型等。這些模型能均勻地突出物體而非突出邊緣，且能保持物體輪廓及邊緣特性，所以得到的顯著性目標(biāo)表示的一致性較好。尤其Cheng等人[13]提出了基于區(qū)域?qū)Ρ鹊挠?jì)算模型RC(Region Contrast)，是目前較好的區(qū)域?qū)Ρ饶Ｐ?，其采用GB(Graph-Based)分割算法將圖像分割成多個(gè)區(qū)域，并對(duì)每塊區(qū)域內(nèi)的像素顏色進(jìn)行直方圖統(tǒng)計(jì)，以空間距離為權(quán)值計(jì)算直方圖間的不相似性。該模型以直方圖對(duì)比計(jì)算顯著性，有效地降低了計(jì)算量，且采用空間距離作權(quán)值，結(jié)合了局部對(duì)比與全局對(duì)比的因素，提高了識(shí)別精確率，但由于該模型采用的分割算法分割出的區(qū)域較大，涉及到空間距離的表達(dá)會(huì)不精確，從而影響識(shí)別的精確率。因此本文采用SLIC(Simple Linear Iterative Clustering)算法[14]將圖像抽象為多個(gè)超像素，每個(gè)超像素大小相似且適中，并且基于多尺度的思想，選擇分割成不同的超像素個(gè)數(shù)，以實(shí)現(xiàn)多尺度分析的目的，從而更好地處理不同大小的顯著目標(biāo)的情況。實(shí)驗(yàn)證明，本文提出的顯著性計(jì)算模型相較于現(xiàn)有的一些模型，提高了顯著目標(biāo)識(shí)別的精確率，為進(jìn)一步的目標(biāo)分析提供了良好的基礎(chǔ)。

2算法描述

2.1　圖像多尺度抽象化

本文采用SLIC算法抽象化圖像，通過(guò)把具有相似顏色且距離相近的像素聚類(lèi)，形成視覺(jué)上均勻的區(qū)域，生成超像素。SLIC算法利用K-means聚類(lèi)在Lab顏色空間上分割圖像，生成緊湊且邊界清晰的超像素。設(shè)定抽象化圖像分為3個(gè)尺度，所包含的超像素個(gè)數(shù)為Nk={100,400,1000}，如圖1所示，并定義第k個(gè)尺度中的第i個(gè)超像素在Lab顏色空間上的顏色為Cik，空間位置為Pik，其中超像素的顏色由其內(nèi)部所有像素的顏色平均值表示，空間位置取超像素的中心來(lái)表示。

圖1　不同尺度下的抽象化圖像Fig.1　Multi-scales abstract images

2.2　計(jì)算單一尺度超像素顯著性

根據(jù)context-aware[15]提出的準(zhǔn)則：(1)具有不同顏色的區(qū)域?qū)?yīng)顯著性值高，均勻的區(qū)域顯著性值低；(2)經(jīng)常出現(xiàn)的特征應(yīng)當(dāng)被抑制；(3)顯著的像素應(yīng)當(dāng)聚集在一塊，而不是遍布整幅圖像。本文計(jì)算單一尺度下的超像素顯著性值，下面以圖2為例，取Nk=400，圖2為一張測(cè)試圖的原圖。

圖2　原圖Fig.2　Origin image

首先，由準(zhǔn)則(2)可以看出，當(dāng)某個(gè)超像素與其他的超像素的顏色差異較大時(shí)，則該超像素的稀少性高。由準(zhǔn)則(1)可以看出，空間距離也能影響超像素顏色特征的稀少性，超像素之間的空間距離越近，則其顏色差異對(duì)稀少性的影響越大。反之，當(dāng)超像素之間的空間距離較大時(shí)，即使其顏色差異較大，對(duì)稀少性的影響也不大。

基于上述分析，本文采用以超像素間空間距離作為權(quán)值的加權(quán)顏色距離之和來(lái)表示超像素的稀少性。定義dcolor(i,j)為第i個(gè)超像素與第j個(gè)超像素在Lab顏色空間上的歐式距離，并對(duì)其歸一化。dposition(i,j)為兩個(gè)超像素的空間位置的歐式距離，并對(duì)其歸一化。定義

(1)

圖3　R值對(duì)應(yīng)的顯著圖Fig.3　Saliency map with value R

上述是通過(guò)準(zhǔn)則(1)、(2)的特征性質(zhì)推出的一種稀少性計(jì)算方法，而由準(zhǔn)則(3)可以看出，當(dāng)某種顏色遍布在整幅圖像時(shí)，則表現(xiàn)為該顏色的超像素空間分散性較高，而當(dāng)某種顏色的超像素都聚集在某個(gè)區(qū)域，在圖像的其他區(qū)域基本沒(méi)有時(shí)，則這些超像素的空間分散性較低。

基于上述分析，本文選擇超像素與其他的與其顏色相近的超像素的空間距離之和來(lái)表示空間分散性。首先要選出與第i個(gè)超像素顏色相近的超像素，采用高斯低通濾波，定義

(2)

(3)

當(dāng)超像素間顏色相近時(shí)，H(i,j)近似為1，即由超像素間的空間距離來(lái)表示空間分散性，而當(dāng)超像素間的顏色距離較大時(shí)，H(i,j)近似為0，其空間距離對(duì)超像素的空間分散性基本沒(méi)有影響。由式(3)可以看出，Dik越大，則表明第i個(gè)超像素所具有的顏色在整幅圖像中分布越廣泛，空間分散性越高，如圖4所示。

在分別計(jì)算得到每個(gè)尺度下的Rik與Dik的值后，定義Sik表示第k個(gè)尺度下第i個(gè)超像素的顯著性，如圖5所示。

圖5　融合后的顯著圖Fig.5　Fused saliency map

根據(jù)上述分析，Sik應(yīng)與Rik成正比，而與Dik成反比，且若某個(gè)超像素的Dik值較大時(shí)，即該超像素的顏色在整幅圖像中分布廣泛，則即使它在局部較為顯著，在整幅圖像上看，也是不具備高顯著性的，故定義

(4)

式中，σk為第k個(gè)尺度下的參數(shù)，不同尺度下σk也不同。當(dāng)Nk取400時(shí)，超像素面積都比較小，即超像素內(nèi)包含的像素?cái)?shù)較少，其平均顏色與其內(nèi)各個(gè)像素的顏色差異較小，故超像素的Dik值能較好地反映出像素顏色的分布廣泛性，故σk取值偏小。而當(dāng)Nk取100時(shí)，超像素面積較大，即超像素內(nèi)包含的像素?cái)?shù)較多，則其平均顏色與其內(nèi)各個(gè)像素的顏色差異較大，計(jì)算出的Dik值不能有效地反映實(shí)際像素顏色的分布情況，故σk取值應(yīng)偏大。經(jīng)過(guò)實(shí)驗(yàn)，本文分別在Nk取100、400、1 000時(shí)，σk分別取0.5、0.2、0.1。

2.3　多尺度融合計(jì)算顯著性

在單獨(dú)計(jì)算出每個(gè)尺度的所有Sik值后，將每個(gè)尺度的顯著值均歸一化到[0,255]，并將其以灰度圖形式表達(dá)，如圖3所示。圖6中(a)、(b)和(c)分別對(duì)應(yīng)圖1(a)在Nk={100,400,1 000}時(shí)的顯著圖。

圖6　各尺度下的顯著圖及最終顯著圖Fig.6　Saliency maps of variety scale and final saliency map

在求得各尺度的顯著圖后，需將各尺度顯著圖融合以得到最終的顯著圖。由于要識(shí)別的顯著目標(biāo)大小未知，在沒(méi)有先驗(yàn)知識(shí)的情況下并不能確定哪一個(gè)尺度下的顯著值能更好地識(shí)別顯著目標(biāo)，故本文選擇求取各尺度顯著值的平均值作為最終顯著值。

首先分別將各尺度的顯著值Sik分配到超像素內(nèi)的各個(gè)像素，并歸一化到[0,1]，然后3個(gè)尺度下對(duì)應(yīng)像素的顯著值相加求平均值，最后將求得的最終顯著值重新歸一化到[0,255]，并以灰度圖像表示，如圖6(d)所示。

3實(shí)驗(yàn)分析

本文在MSRA公開(kāi)圖像庫(kù)中隨機(jī)選取1 000張自然圖片及其人工標(biāo)注圖作為圖像測(cè)試集。

3.1　主觀評(píng)價(jià)

圖7　6種算法的顯著圖及人工標(biāo)注圖1Fig.7　Saliency maps obtained by using six different algorithms and human annotated image 1

圖8　6種算法的顯著圖及人工標(biāo)注圖2Fig.8　Saliency maps obtained by using six different algorithms and human annotated image 2

圖9　6種算法的顯著圖及人工標(biāo)注圖3Fig.9　Saliency maps obtained by using six different algorithms and human annotated image 3

圖10　6種算法的顯著圖及人工標(biāo)注圖4Fig.10　Saliency maps obtained by using six different algorithms and human annotated image 4

圖11　6種算法的顯著圖及人工標(biāo)注圖5Fig.11　Saliency maps obtained by using six different algorithms and human annotated image 5

為了評(píng)價(jià)本文提出的顯著目標(biāo)識(shí)別的優(yōu)劣，比較Itti[4]算法(用IT標(biāo)識(shí))、Harel[5]算法(用GB標(biāo)識(shí))、Context-aware[11]算法(用CA標(biāo)識(shí))、頻域調(diào)制算法[7](用FT標(biāo)識(shí))、區(qū)域?qū)Ρ人惴╗9](用RC標(biāo)識(shí))與本文算法，用這些算法對(duì)圖像測(cè)試集內(nèi)的圖像進(jìn)行處理，得到顯著圖，如圖7至圖11所示。由圖7至圖11可以看出，本文算法較其它5種算法在顯著目標(biāo)識(shí)別上表現(xiàn)更加優(yōu)異。IT算法僅能標(biāo)識(shí)出顯著目標(biāo)的位置，且經(jīng)常會(huì)標(biāo)識(shí)出無(wú)意義的背景區(qū)域，甚至檢測(cè)不到顯著目標(biāo)，如圖7所示。GB算法能標(biāo)識(shí)出顯著目標(biāo)的位置，但僅標(biāo)識(shí)顯著目標(biāo)的邊緣，難以通過(guò)GB算法的顯著圖得到顯著目標(biāo)的整體信息。CA算法較GB算法有了明顯提高，但依然僅突出顯著目標(biāo)的邊緣，整體信息較少，且容易受背景干擾目標(biāo)的影響，如圖9所示。FT算法能完整的標(biāo)識(shí)出顯著目標(biāo)的整體信息，但對(duì)于背景的干擾不能有效排除，如圖8所示。RC算法能突出顯著目標(biāo)，但易將背景中的干擾目標(biāo)標(biāo)識(shí)為顯著目標(biāo)，如圖10所示。本文算法相較于其他算法表現(xiàn)更好，能完整地標(biāo)識(shí)出顯著目標(biāo)，且能有效排除背景的干擾，如圖11所示。

3.2　客觀實(shí)驗(yàn)

F-Measure是分類(lèi)算法中常用的算法評(píng)價(jià)方法之一，在很多視覺(jué)顯著性研究工作中作為評(píng)價(jià)模型的目標(biāo)檢測(cè)準(zhǔn)確率的方法之一。

F-Measure是精確率P(Precision Ratio)和召回率R(Recall Ratio)的調(diào)和平均數(shù)，其計(jì)算過(guò)程如下：

(5)

(6)

(7)

式中，α是一個(gè)實(shí)數(shù)參數(shù)，其越大，表明精確率相對(duì)于召回率在評(píng)價(jià)體系中越重要；True positive表示模型檢測(cè)到的真目標(biāo)數(shù)；false positive表示模型檢測(cè)到的假目標(biāo)數(shù)；false negative表示模型未檢測(cè)到的真目標(biāo)數(shù)。精確率表明該模型進(jìn)行顯著目標(biāo)識(shí)別的準(zhǔn)確性，而召回率則表明該模型進(jìn)行顯著目標(biāo)識(shí)別的全面性。

通過(guò)對(duì)圖像測(cè)試集進(jìn)行處理計(jì)算，并與人工標(biāo)注圖對(duì)比，得到各類(lèi)算法的平均精確率P和召回率R，并根據(jù)式(5)計(jì)算F-Measure值。精確率和召回率以及F-Measure值常用來(lái)作為目標(biāo)識(shí)別效果的測(cè)量。本文取α=0.3，得到最后的結(jié)果，如表1所示。

表1　6種算法的平均精確率、召回率及F-Measure值

由表1可以看出，IT算法的精確率、召回率及F-Measure值均遠(yuǎn)小于其他幾個(gè)算法。GB、CA、FT算法的結(jié)果較為接近，但精確率僅有50%左右。RC算法的精確率、召回率及F-Measure值明顯提高。本文算法精確率相較于RC算法提高了14.8%，召回率相較于RC算法降低了8.0%，總的來(lái)說(shuō)，F(xiàn)-Measure值較RC算法提高了9.2%。分析召回率較低的原因：由圖7至圖11可以看出,在本文算法的顯著圖上，顯著目標(biāo)上的細(xì)節(jié)也有所體現(xiàn)，而給定的人工標(biāo)注圖只標(biāo)注出顯著目標(biāo)的整體，對(duì)目標(biāo)上的細(xì)節(jié)并沒(méi)有任何標(biāo)注，導(dǎo)致本文算法標(biāo)識(shí)出的顯著目標(biāo)上的細(xì)節(jié)反而降低了算法的召回率，而RC算法對(duì)細(xì)節(jié)并沒(méi)有很多體現(xiàn)，故其查全率會(huì)較高。如圖11所示，警示牌上的字和符號(hào)在本文算法的顯著圖上有所體現(xiàn)，RC算法的顯著圖中細(xì)節(jié)體現(xiàn)較少，而人工標(biāo)注圖上并沒(méi)有任何體現(xiàn)。

3.3　結(jié)果分析與對(duì)比

通過(guò)上述主觀評(píng)價(jià)和客觀實(shí)驗(yàn)可以看出，本文算法在處理視覺(jué)場(chǎng)景時(shí)，相較于其他算法有更好的效果。

由于IT算法是基于局部對(duì)比的計(jì)算模型，所以其不能排除背景中局部顯著目標(biāo)的干擾，在顯著圖中一些背景區(qū)域被標(biāo)記為顯著區(qū)域，在處理雜亂的背景時(shí)，背景中的紋理或邊緣在局部對(duì)比中甚至?xí)蕊@著目標(biāo)更加顯著，所以其準(zhǔn)確率較低。GB和CA算法同樣是基于局部對(duì)比的改進(jìn)模型，所以其僅能突出顯著目標(biāo)的邊緣，不能完整地表達(dá)顯著目標(biāo)，故其查準(zhǔn)率和查全率并不能達(dá)到要求。FT算法是基于全局對(duì)比的計(jì)算模型，其能完整地表達(dá)顯著目標(biāo)，但由于缺乏局部對(duì)比，其并不能有效地排除背景的干擾，故其查準(zhǔn)率和查全率與GB、CA算法相近。RC算法是基于FT算法提出的改進(jìn)模型,同時(shí)考慮了全局對(duì)比和局部對(duì)比，故其既能完整地表達(dá)顯著目標(biāo)，又相對(duì)能排除復(fù)雜背景的干擾，所以其查準(zhǔn)率和查全率相較于前幾個(gè)算法有明顯提高。但RC算法僅用稀少性作為顯著性的判別依據(jù)，且其采用的圖像分割的區(qū)域面積較大，并不適用于顯著目標(biāo)較小時(shí)的顯著目標(biāo)檢測(cè)。本文算法在RC算法的基礎(chǔ)上，采用超像素分割方法作為改進(jìn), 并融合多尺度對(duì)比，通過(guò)融合超像素顏色特征的稀少性與空間分散性來(lái)計(jì)算顯著值, 使本文算法更廣泛地適用于各種場(chǎng)景下的顯著目標(biāo)識(shí)別，故本文算法的顯著圖更接近于人工標(biāo)注圖，精確率及F-Measure值較RC算法也更高。

4結(jié)論

本文提出一種基于多尺度區(qū)域?qū)Ρ鹊娘@著目標(biāo)識(shí)別計(jì)算模型。本模型采用多尺度超像素抽象化圖像，在單一尺度下以超像素為單位通過(guò)融合其稀少性及空間分散性進(jìn)行顯著性計(jì)算，最后融合多尺度顯著圖得到最終的視覺(jué)顯著圖。通過(guò)與其他幾個(gè)計(jì)算模型的對(duì)比，可以看出本文的模型能夠更加準(zhǔn)確地標(biāo)識(shí)出顯著目標(biāo)，且包含更多的目標(biāo)信息，得到的顯著圖在視覺(jué)上有更好的顯示效果。其精確率較RC算法提高了14.8%，F(xiàn)-Measure值提高了9.2%。下一步會(huì)嘗試降低算法復(fù)雜度，提高算法的實(shí)時(shí)性。

參考文獻(xiàn)：

[1]敖歡歡，俞能海，李衛(wèi)海.基于區(qū)域特征的圖像顯著性建模[J].中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào),2013,43(10)：837-842.

AO H H,YU N H,LI W H. A saliency model based on region features[J].J.UniversityofScienceandTechnologyofChina,2013,43(10): 837-842.(in Chinese)

[2]CHEN D,WU C. Object-based multi-feature competitive model for visual saliency detection[C]. Proceedings of the 2nd Internation Conference on Intelligent Systems Design and Engineering Applications. Chinese Association for Artificial Intelligent,Sanya,2012:1079-1082.

[3]邵楓,姜求平,蔣剛毅,等.基于顯著性分析的立體圖像視覺(jué)舒適度預(yù)測(cè)[J].光學(xué) 精密工程,2014,22(6):1631-1638.

SHAO F,JIANG Q P,JIANG G Y,etal.. Prediction of visual discomfort of stereoscopic images based on saliency analysis[J].Opt.PrecisionEng.,2014,22(6):1631-1638.(in Chinese)

[4]趙宏偉,陳霄,劉萍萍,等.視覺(jué)顯著目標(biāo)的自適應(yīng)分割[J].光學(xué) 精密工程,2013,21(2):531-548.

ZHAO H W,CHEN X,LIU P P,etal.. Adaptive segmentation for visual salient object[J].Opt.PrecisionEng.,2013,21(2):531-548.(in Chinese)

[5]曾文靜,萬(wàn)磊,張鐵棟，等.復(fù)雜?？毡尘跋氯跣∧繕?biāo)的快速自動(dòng)檢測(cè)[J].光學(xué) 精密工程，2012,20(2):196-205.

ZHEN W J，WAN L，ZHANG T D,etal.. Fast detection of weak targets in complex sea-sky background[J].Opt.PrecisionEng.,2012,20(2):196-205.(in Chinese)

[6]賈松敏,徐濤,董政胤,等.采用脈沖耦合神經(jīng)網(wǎng)絡(luò)的改進(jìn)顯著性區(qū)域提取方法[J].光學(xué) 精密工程,2015,23(3):819-826.

JIA S M,XU T,DONG ZH Y,etal.. Improved salience region extraction algorithm with PCNN[J].Opt.PrecisionEng.,2015,23(3):819-826.(in Chinese)

[7]王源源,黃大慶.無(wú)人機(jī)偵察圖像壓縮[J].光學(xué) 精密工程,2014,22(5):1363-1370.

WANG Y Y,HUANG D Q. Compression for UAV reconnaissance images[J].Opt.PrecisionEng.,2014,22(5):1363-1370.(in Chinese)

[8]ITTI L,KOCH C,NIEBUR E. A model of saliency-based visual attention for rapid scene analysis[J].IEEETransactiononPatternAnalysisandMachineIntelligence,1998,20(11):1254-1259.

[9]HAREL J,KOCH C,PERONA P. Graph-based visual saliency[C]. Proceedings of Neural Information Processing Systems. Vancouver BC:Neural Information Processing System Foundation Press,2007:545-552.

[10]HOU X,ZHANG L. Saliency detection: a spectral residual approach[C]. Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. Los Alamitos: IEEE Computer Society Press,2007:1-8.

[11]ACHANTA R,HEMAMI S,ESTRADA F,etal.. Frequency-tuned salient region detection[C]. Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. Los Alamitos: IEEE Computer Society Press,2009:1597-1604.

[12]BRUCE N,TSOTSOS J K. Saliency based on information maximization[C]. Proceedings of In Advances in Neural Information Processing Systems. Vancouver BC: Neural Information Processing System Foundation Press,2006:155-162.

[13]CHENG M,MITRA N,HUANG X,etal.. Global Contrast Based Salient Region Detection[J].IEEETransactionsonPatternAnalysisandMachineIntelligence，2015,37(3):569-582.

[14]ACHANTA R,SHAJI A,SMITH K,etal.. SLIC superpixels compared to state-of-the-art superpixel method[J].J.LatexClassFiles,2012,6(1):1-8.

[15]GOFERMAN S,ZELNIK-MANOR L,TAL A. Context-aware saliency detection[J].IEEETransactiononPatternAnalysisandMachineIntelligence,2012,34(10):1915-1926.

成培瑞(1990—)，男，山東東營(yíng)人，碩士研究生，主要從事計(jì)算機(jī)視覺(jué)方面的研究。E-mail：cpr@mail.ustc.edu.cn

王建立(1971—)，男，山東曲阜人，研究員，博士生導(dǎo)師，主要從事地基大型光電設(shè)備總體技術(shù)方面的研究。E-mail：wangjianli@ciomp.ac.cn

CHENG Pei-rui1,2, WANG Jian-li1*, WANG Bin1, LI Zheng-wei1, WU Yuan-hao1

(1.ChangchunInstituteofOptics,FineMechanicsandPhysics,

ChineseAcademyofSciences,Changchun130033,China；

2.UniversityofChineseAcademyofSciences,Beijing100049,China)

*Correspondingauthor,E-mail:wangjianli@ciomp.ac.cn

Abstract:A novel visual saliency computing model is proposed based on multi-scale region contrast to perform more accurate detection on salient object. Firstly, the image is divided into different number of super-pixels based on multi-scale method, and the values of pixels in every super-pixel are averaged to create abstract image. Secondly, based on scarcity and aggregation, both of which are the characters of saliency, the color's saliency of super-pixel is computed in single scale. By averaging the salient images in every scale, the multi-scale salient images are fused and the final visual salient image is obtained in the end. The simulation result shows that with 1 000 random nature images in the MSRA Libraries, the model improves the precision ratio of salient object detection by 14.8% and F-Measure value by 9.2%, compared with current well-performed region contrast model. The model improves the adaptability of the size of salient objects, and reduces the disturbance of background. It performs better consistency and has better ability to recognize salient object in comparison with current algorithms.

Key words:salient object detection;visual saliency computing model;multi-scale

作者簡(jiǎn)介：

中圖分類(lèi)號(hào)：TP391.41

文獻(xiàn)標(biāo)識(shí)碼:A

doi:10.3788/CO.20160901.0097