包曉安,朱曉芳,張 娜,高春波,胡玲玲,桂江生

(浙江理工大學(xué) 信息學(xué)院,杭州 310018)

靈長類動物能快速處理視覺圖像中的感興趣區(qū)域,為了模仿這種視覺注意機(jī)制,圖像顯著性檢測理論得到快速發(fā)展.該理論研究廣泛應(yīng)用于很多領(lǐng)域,如圖像分割[1],目標(biāo)檢測[2]和圖像檢索[3]等.

傳統(tǒng)顯著性檢測算法都是利用目標(biāo)的稀有性特征解決問題,忽略了背景信息.例如Itti[4]計算圖像顏色和空間位置等特征獲得圖像顯著性.Achanta[5]提出基于頻率調(diào)諧(Frequency-Tuned,FT)顯著性算法.Goferman等[6]提出利用圖像上下文感知(Context-Aware,CA)檢測圖像的顯著性.Hou等人[7]從譜殘差的角度計算顯著圖.Cheng等人[8]根據(jù)區(qū)域?qū)Ρ榷刃畔碛嬎泔@著性,取得不錯的檢測效果.Yan[9]從多層次考慮顯著性檢測.Perazzi等人[10]提出Saliency filters顯著性算法.以上這些顯著性算法都有效地促進(jìn)了顯著性檢測理論的發(fā)展,但顯著目標(biāo)檢測的準(zhǔn)確率和召回率還有待提高.

近來,基于超像素[11,12]、圖模型[13]和背景先驗(yàn)[14-17]的顯著性檢測研究廣泛.例如Wei等[14]利用測地線距離來計算顯著性.Zhang等[15]基于邊界背景先驗(yàn)的思想,將圖像邊界區(qū)域作為背景,取得一定的檢測效果,但背景假設(shè)太理想.徐威等[16]提出利用層次先驗(yàn)估計的顯著性的檢測算法.Yang等[17]基于超像素構(gòu)造圖模型,提出利用背景先驗(yàn)知識和流形排序(Manifold Ranking,MR)計算顯著性.其中由于背景選取理想化和前景節(jié)點(diǎn)漏選,在顯著目標(biāo)靠近圖像邊界的情況下,MR算法會出現(xiàn)目標(biāo)檢測不準(zhǔn)確和不完整的現(xiàn)象.基于MR算法,朱征宇等人[18]通過前景和背景特征獲取了更多查詢節(jié)點(diǎn),提高了顯著目標(biāo)的準(zhǔn)確性,但目標(biāo)的完整性還待解決,還需要從根源解決該問題.周強(qiáng)強(qiáng)等人[19]基于MR算法提出結(jié)合前景和背景的檢測方法,得到了比較精細(xì)的顯著圖.鄧凝旖等人[20]利用深度學(xué)習(xí)來計算顯著性,取得不錯的檢測效果.

本文在流形排序算法的基礎(chǔ)上,提出一種基于背景感知的顯著性目標(biāo)檢測算法.針對上述基于背景先驗(yàn)的顯著性檢測算法中存在的背景假設(shè)過于理想和目標(biāo)檢測不完整的問題,本文提出以下解決方法：(1)對背景區(qū)域的真實(shí)性進(jìn)行判斷;(2)提取完整的前景節(jié)點(diǎn)區(qū)域,檢測到完整目標(biāo);(3)加強(qiáng)顯著目標(biāo)邊界.

1 基于流形排序的顯著性檢測

基于圖的流形排序顯著性(MR)檢測算法是Yang等人[17]提出的.MR算法中主要提出了用流形排序算法進(jìn)行顯著性計算,其主要過程如下：

首先,對輸入圖像進(jìn)行超像素分割.再構(gòu)造基于超像素的圖模型其中V和E分別為節(jié)點(diǎn)集與邊集.定義輸入圖像數(shù)據(jù)M的關(guān)聯(lián)矩陣為度矩陣為其中定義節(jié)點(diǎn)的指示向量為當(dāng)xi節(jié)點(diǎn)是查詢節(jié)點(diǎn)時,yi=1,否則yi=0.定義排序函數(shù)這里表示節(jié)點(diǎn)xi的排序得分.求節(jié)點(diǎn)的排序得分可通過最優(yōu)化式(1)求得.

公式(1)中,u是控制比例參數(shù).兩個節(jié)點(diǎn)間的連接權(quán)重定義為下式：

式中,ci和cj分別是超像素節(jié)點(diǎn)在CIELAB顏色空間對應(yīng)的均值,是控制著權(quán)重變化力度的參數(shù).根據(jù)文獻(xiàn)[17]的實(shí)驗(yàn)結(jié)果可知,排序函數(shù)式(3)可由式(4)來代替計算結(jié)果更好.其中,是單位矩陣為規(guī)范化的拉普拉斯矩陣同文獻(xiàn)[17]一樣,本文實(shí)驗(yàn)時值取10,α取0.99.

文獻(xiàn)[17]中的MR顯著性檢測主要有2個階段.第1階段：先按式(4)和(5)分別計算節(jié)點(diǎn)xi相對邊界背景種子點(diǎn)(即背景查詢對象)的排序得分和顯著值.再根據(jù)式(6)計算第1階段的最終顯著圖.式中為歸一化的排序向量分別是節(jié)點(diǎn)xi相對于下、上、右、左邊界查詢節(jié)點(diǎn)的顯著值.是節(jié)點(diǎn)xi相對背景種子點(diǎn)的流形排序綜合得分的反值(得分越高,顯著值越低),即第1階段顯著圖的最終顯著值.

第2階段：閾值分割第1階段的顯著圖,獲得前景種子點(diǎn)(即為前景查詢對象).再根據(jù)式(4)計算各節(jié)點(diǎn)相對前景種子點(diǎn)的排序得分.最后根據(jù)(7)計算第2階段(最終的)的顯著值,實(shí)驗(yàn)結(jié)果如圖1所示是節(jié)點(diǎn)xi基于前景種子點(diǎn)的流形排序得分(得分越高,顯著值越高),即最終顯著圖的顯著值.

由圖1(c)觀察可知,在顯著目標(biāo)靠近圖片邊界的情況下,顯著圖沒完整地突顯出前景目標(biāo)且背景未被完全抑制,總體實(shí)驗(yàn)結(jié)果不理想.由圖1(d)可見,在目標(biāo)未靠近邊界情況下,圖1(f)中目標(biāo)突顯的較完整,且背景抑制程度較低.由上述可知,經(jīng)典MR方法存在對背景抑制程度不夠,且對部分靠近邊界目標(biāo)的圖片顯著性檢測較差.

圖1 基于流形排序的顯著性檢測實(shí)驗(yàn)結(jié)果

2 本文算法

2.1 基于背景感知的顯著性檢測

本文算法基于背景先驗(yàn)[14]的基礎(chǔ)上,感知到真實(shí)背景.同時根據(jù)目標(biāo)物體的封閉性特征,采用BING(Binarized Normed Gradients)[21]算法獲得完整的前景目標(biāo)區(qū)域.本文的顯著性目標(biāo)檢測算法主要步驟如下：

Step 1.將圖像分割成超像素,根據(jù)SLIC[19]方法,并構(gòu)造圖模型.本文和文獻(xiàn)[17]一樣,所有實(shí)驗(yàn)超像素的數(shù)量取200,如圖1所示.

Step 2.選擇圖像邊界處的超像素為初始背景,再運(yùn)用自適應(yīng)顏色聚類得到相應(yīng)的區(qū)域,計算這些區(qū)域的綜合差異度,篩選出真實(shí)超像素區(qū)域并標(biāo)記為真實(shí)背景種子點(diǎn).進(jìn)行流形排序,生成第1階段的顯著圖.

Step 3.根據(jù)物體目標(biāo)的封閉性,計算輸入圖像的BING特征,估計出目標(biāo)的位置.再結(jié)合第1階段的顯著圖,得到完整的前景目標(biāo)區(qū)域.

Step 4.重構(gòu)前景目標(biāo)區(qū)域的圖模型并加強(qiáng)重要節(jié)點(diǎn)間的連接權(quán)值.最后利用流形排序生成第2 階段的顯著圖,即最終的顯著圖.

2.2 邊界背景感知

由第1節(jié)MR算法的實(shí)驗(yàn)結(jié)果可知,在目標(biāo)接觸圖像邊界的檢測情況下,前景目標(biāo)沒被完整地突出,甚至?xí)z測錯誤.導(dǎo)致該現(xiàn)象的根本原因是背景種子點(diǎn)的誤選,所以本文提出根據(jù)邊界區(qū)域的綜合差異度,篩選出真實(shí)背景種子點(diǎn).背景種子點(diǎn)的篩選方法具體步驟如下：

Step 1.選取圖像邊界的超像素作為初始背景種子點(diǎn)集如圖2(a).根據(jù)顏色對其進(jìn)行自適應(yīng)聚類,得到對應(yīng)一系列區(qū)域構(gòu)成環(huán)形結(jié)構(gòu),如圖2(b)所示.對每個區(qū)域?qū)⑵湎噜彽膮^(qū)域分別作為它的前驅(qū)和后繼,沿著順時針方向.

Step 2.計算每個區(qū)域rl的 顏色均值和面積根據(jù)公式(7)、(8)和(9)分別計算它與它的前驅(qū)、后繼及整個邊界區(qū)域顏色均值的差異度Dpl、Dsl和Dml.再根據(jù)式(10)計算該區(qū)域的綜合差異度Dfl.式(10)權(quán)衡了距離和面積的影響.

Step 3.選取綜合差異度較大的前m個區(qū)域(m=0,1),將其包含的超像素從初始背景種子點(diǎn)集中去除,得到真實(shí)的背景種子點(diǎn)集,如圖2(c)所示.背景種子點(diǎn)篩選后得到的實(shí)驗(yàn)結(jié)果,如圖3所示.

Step 4.選擇真實(shí)的背景種子點(diǎn)作為查詢對象,利用式(4)和式(5)計算其余節(jié)點(diǎn)相對于查詢對象的流形排序得分和顯著值,得到第1階段顯著圖,實(shí)驗(yàn)結(jié)果如圖4.

圖2 背景的自適應(yīng)顏色聚類和篩選示意圖

Step 3中區(qū)域數(shù)m的選擇是根據(jù)邊界區(qū)域歸一化來判斷,若大等于0.75,m值取1,否則m值取0.根據(jù)以上提出的步驟,我們在數(shù)據(jù)集MASR數(shù)據(jù)集上進(jìn)行測試,相比于經(jīng)典的MR算法的實(shí)驗(yàn)結(jié)果,取得了更好的檢測結(jié)果,原因是采用了圖片的真實(shí)背景種子點(diǎn),如圖3所示.

圖3 本文算法的真實(shí)背景種子點(diǎn)選取與對比

由圖3(c)和3(d)對比可知,該圖背景種子點(diǎn)主要在下邊界發(fā)生變化,所以單獨(dú)以下邊界為背景種子點(diǎn)產(chǎn)生的顯著圖有明顯改變,突出了目標(biāo)整體,如圖4(e)的右上角部分的小圖所示.

顯著性檢測2個階段的試驗(yàn)結(jié)果對比,如圖4所示.由于本文篩選出了真實(shí)背景種子點(diǎn),所以單獨(dú)用四個邊界產(chǎn)生的顯著圖與MR算法不同,見圖4(a)和圖4(b).由圖4觀察可看出,本文第1階段的顯著圖4(d)相比MR算法圖4(b),更大面積突出了目標(biāo)且目標(biāo)亮度更大、更真實(shí).由此得到的第2階段的顯著圖圖4(f),對比可看出本文算法有效地抑制了背景區(qū)域.圖4(h)和(g)是二值化后處理后的圖,對比觀察可看出,本節(jié)檢測算法突出了圖像邊界處的目標(biāo),效果明顯優(yōu)于MR算法的檢測結(jié)果.

圖4 本文算法的2個階段檢測結(jié)果對比

2.3 前景目標(biāo)檢測

由2.2節(jié)內(nèi)容可知,在獲得真實(shí)背景種子點(diǎn)之后,仍有部分圖片的前景目標(biāo)未被完整地突顯.分析得到該現(xiàn)象發(fā)生的原因是現(xiàn)有前景種子點(diǎn)的區(qū)域范圍,未能有效的覆蓋到目標(biāo)整體,漏選了重要的前景節(jié)點(diǎn).由Yang[17]的論述和實(shí)驗(yàn)結(jié)果可知,前景節(jié)點(diǎn)的誤選對實(shí)驗(yàn)結(jié)果不會產(chǎn)生太大影響,但文中沒有論述和分析前景種子節(jié)點(diǎn)的漏選對實(shí)驗(yàn)結(jié)果的影響.

BING[21]算法是一種利用物體封閉性特征快速預(yù)測目標(biāo)位置的算法.目標(biāo)物體的封閉性特征為當(dāng)物體梯度圖縮小到一定尺寸大小時,會呈現(xiàn)出完整的閉合曲線且相互獨(dú)立,與背景存在較大差異.其中主要涉及到以下3個公式：

圖5 本文BING特征訓(xùn)練得到的w模型

圖6 BING特征檢測與本文目標(biāo)檢測對比

公式(11)中的w是BING算法中用liblinear分類器離線訓(xùn)練第1階段得到的模型W,如圖5.本文這里采用VOC2007數(shù)據(jù)集作為訓(xùn)練集,MASR-1000數(shù)據(jù)集作為測試集.gl是l點(diǎn)處窗口的BING特征值.i是待檢測圖片縮放得到的尺寸大小,x,y是檢測窗口所在位置坐標(biāo).vi和ti是訓(xùn)練第2階段在不同尺寸下獲取的參數(shù)值.公式(13)是對l點(diǎn)處窗口修改后的得分.最后采用非極大值抑制(NMS)篩選出候選框,再結(jié)合檢測第1階段顯著圖的目標(biāo)位置信息,篩選得到含有完整目標(biāo)的位置,即包含完整前景節(jié)點(diǎn)的區(qū)域.BING算法的檢測準(zhǔn)確率較高,速度快,尤其對于復(fù)雜背景的過濾效果好,極大程度提高了顯著目標(biāo)檢測的準(zhǔn)確性和完整性,如圖6所示.圖6第1行的矩形框是本文第1階段顯著性檢測得到的顯著目標(biāo)所在位置;第2行矩形框是BING特征算法檢測得到的目標(biāo)位置信息.由6圖可見,在BING算法檢測出的所有目標(biāo)中,每張目標(biāo)都包含了顯著目標(biāo),所以本文根據(jù)BING特征估計來獲取顯著目標(biāo)的位置,從而獲取完整前景種子點(diǎn).

本文采用BING算法,檢測得到目標(biāo)物體的候選位置,如圖7(a)所示.對比觀察圖7的(b)圖和(c)圖,可看出本算法提取出完整的前景種子點(diǎn)且不存在漏選,最終顯著圖如圖7(d)所示.本文算法完整地突出了前景目標(biāo),并且有效地抑制了背景區(qū)域,整體檢測效果很好.

圖7 本文前景種子點(diǎn)區(qū)域的選取和實(shí)驗(yàn)結(jié)果

獲取完整的前景種子點(diǎn)后,為獲得清晰的目標(biāo)邊界,加強(qiáng)這些節(jié)點(diǎn)間的相關(guān)性,削弱他們與背景節(jié)點(diǎn)的相關(guān)性.本文對該候選框區(qū)域內(nèi)的超像素重新構(gòu)造圖模型,候選框區(qū)域之外節(jié)點(diǎn)連接方式不變,如圖8所示.在構(gòu)造前景節(jié)點(diǎn)區(qū)域的圖模型時,規(guī)定每個節(jié)點(diǎn)只與直接相連的鄰居節(jié)點(diǎn)相連,并且要求這些鄰居節(jié)點(diǎn)本身至少有5個以上相鄰節(jié)點(diǎn)(減少邊緣節(jié)點(diǎn)的可能性).例如圖6中的圓型節(jié)點(diǎn)只和2個節(jié)點(diǎn)相連,矩形節(jié)點(diǎn)和菱形節(jié)點(diǎn)分別與7個節(jié)點(diǎn)相連、4個節(jié)點(diǎn)相連.

同時,本文分析發(fā)現(xiàn)圖模型中不同節(jié)點(diǎn)的重要性有較大差異且屬于目標(biāo)區(qū)域的可能性也不同.在重構(gòu)圖模型后,采用文獻(xiàn)[22]提出的加權(quán)k-殼分解法,將前景節(jié)點(diǎn)區(qū)域的節(jié)點(diǎn)層層剝?nèi)?確定出圖模型中重要節(jié)點(diǎn)的位置,主要涉及到的公式如下：

式中,ki為節(jié)點(diǎn)vi鄰居節(jié)點(diǎn)的數(shù)目為該節(jié)點(diǎn)與周圍節(jié)點(diǎn)的連接數(shù).α和β 是調(diào)節(jié)權(quán)值和局部環(huán)境的參數(shù),本實(shí)驗(yàn)取 α=β=1.如圖7,矩形節(jié)點(diǎn)為計算得到的該區(qū)域重要節(jié)點(diǎn)之一,其度值最大.利用公式(15)加強(qiáng)與這些節(jié)點(diǎn)連接的權(quán)值使得流形排序后的重要節(jié)點(diǎn)獲得較高排序得分.公式(15)是根據(jù)節(jié)點(diǎn)的重要程度來調(diào)整連接權(quán)值的大小,是基于公式(2)改進(jìn)得到.

式中,c為重要節(jié)點(diǎn)的個數(shù).

圖8 前景區(qū)域的圖模型

本文前景目標(biāo)顯著圖檢測的具體步驟如下：

1) 首先,利用物體的封閉性特征,采用BING算法檢測得到目標(biāo)位置的一些候選窗口如圖7(a)所示.

2) 對第1階段產(chǎn)生的背景顯著圖進(jìn)行閾值分割,得到分割圖Seg,利用邊緣檢測得到顯著區(qū)域的外接矩形框Boxi,如圖7(b)所示.

3) 分別計算外接矩形框和候選框面積大小和相交面積,選取相交面積最大且兩個面積大小誤差最小的再取其并集為在分割圖中標(biāo)出該區(qū)域,如圖7(c)所示.該區(qū)域即為完整的前景種子點(diǎn)區(qū)域.

4) 重構(gòu)該前景節(jié)點(diǎn)區(qū)域的圖模型,再利用加權(quán)k-殼分解法得到該區(qū)域的重要節(jié)點(diǎn).并根據(jù)公式(15)加強(qiáng)這這些節(jié)點(diǎn)間的連接權(quán)值.最后,進(jìn)行流形排序,得到最終的顯著圖,如圖7(d)所示.

由圖7觀察可知,本節(jié)算法的實(shí)驗(yàn)結(jié)果圖7(d)相比于圖4(e)和圖4(f),檢測效果提高明顯,背景幾乎完全被抑制,目標(biāo)被完整突出且目標(biāo)邊界較清晰.

3 實(shí)驗(yàn)設(shè)計及分析

本文在MRSA-1000數(shù)據(jù)集上進(jìn)行分析檢測和評價.MRSA-1000數(shù)據(jù)集含有1000張顯著對象的圖片,且提供對應(yīng)的人工標(biāo)識圖,是顯著性檢測領(lǐng)域公開的數(shù)據(jù)集.本文分別選取了多種顯著性檢測算法與本文進(jìn)行比較,其中包括：IT[4],FT[5],CA[6],RC[8],HS[9],SF[10],MR[17],FB[18],FBE[19],CP-DNN[20],BSCA[23],GraB[24].

3.1 評價指標(biāo)

采用了4種顯著性目標(biāo)檢測的評價指標(biāo),分別是準(zhǔn)確率(Precision)、召回率(Recall)、F-measure和平均絕對誤差(MAE).F-measure指標(biāo)是對準(zhǔn)確率和召回率的權(quán)衡.平均MAE是對圖像背景區(qū)域抑制程度大小的反應(yīng),該值越小表明檢測算法性能越好.分別用式(16)和 (17)來計算.其中

S(x,y)是顯著圖中像素的顯著值,G T(x,y)是對應(yīng)人工標(biāo)識圖中像素的亮度值.M和N是圖像的行列數(shù).

本文算法在MRSA-1000數(shù)據(jù)集上的P-R曲線(Precision-Recall curve)和自適應(yīng)閾值分割后的精確度、召回率和F-measure,如圖9所示.由圖9(a)可見,從整體趨勢上看,本文算法的準(zhǔn)確率較高.FB、FBE、MR與本文算法都是基于前景與背景的思想,但它們的曲線都在本文算法曲線之下.定量分析發(fā)現(xiàn),當(dāng)召回率處于[0,0.80]區(qū)間時,本文算法的準(zhǔn)確率保持在0.96左右,略高于MR算法.當(dāng)召回率在0.75左右時,本文算法的準(zhǔn)確率最高,競爭優(yōu)勢明顯.分析圖9(b)可知,本文算法在MRSA-1000數(shù)據(jù)集上的F-measure數(shù)值是各算法中最高的.本文高F-measure值的原因是選擇了真實(shí)的背景種子點(diǎn),并通過封閉性特征得到完整前景種子節(jié)點(diǎn).FB、FBE、MR等其余算法在召回率和F-measure值上沒有本文算法優(yōu)勢大.

平均MAE值對比.各算法在MRSA-1000數(shù)據(jù)集上的平均MAE值對比,見表1.由表1觀察可知,本文算法的平均MAE值和MR算法最為接近,且是所列算法中值最小的,可見對背景的有效抑制程度最大.

運(yùn)行時間對比,見表2.本文算法采用C++語言編寫,實(shí)驗(yàn)運(yùn)行環(huán)境設(shè)置為Intel(R) Core(TM) i3-2410M CPU,4 G內(nèi)存的筆記本.表2中各算法均用C++編寫、實(shí)驗(yàn),測試數(shù)據(jù)集為MRSA-1000.由表2可知,本文算法相比于MR算法檢測時間變化不大.雖然本算法實(shí)現(xiàn)步驟增加了BING特征檢測,但BING檢測可達(dá)到300 ftps的檢測速度,所以整體時間增加不多.本文算法相比于SF、HS和FBE算法的運(yùn)行時間較少,相比于RC、IT、和FT算法運(yùn)行時間略多,但存在檢測準(zhǔn)確率、召回率高的優(yōu)勢.故綜合準(zhǔn)確率、召回率和時間三方面考慮,本文算法有較大競爭優(yōu)勢.

圖9 各算法在MRSA-1000數(shù)據(jù)集上的P-R曲線及自適應(yīng)閾值分割后的精確度、召回率和F-measure

表1 本文算法和8種算法在MRSA-1000數(shù)據(jù)集上的平均絕對誤差

表2 本文算法和7種算法在MRSA-1000數(shù)據(jù)集上的平均運(yùn)行時間

圖10 本文算法和5種算法實(shí)驗(yàn)的顯著圖

實(shí)驗(yàn)結(jié)果對比.本文算法分別與5種顯著性檢測算法的實(shí)驗(yàn)結(jié)果見圖10,這5種算法分別是CA[6],HS[10],FT[5],SR[7],MR[17].圖10中的6幅輸入圖像都取自MRSA-1000數(shù)據(jù)集,從整體實(shí)驗(yàn)結(jié)果來看,本文算法的實(shí)驗(yàn)檢測效果最好,目標(biāo)邊界清晰.觀察第1、第5張輸入圖像,在目標(biāo)靠近圖像邊界時,本文算法完整地突出了目標(biāo)且與Ground Truth圖中標(biāo)注的顯著目標(biāo)最為接近,較好地抑制了背景.觀察第2和第3張圖片的檢測結(jié)果,發(fā)現(xiàn)本文算法檢測獲得的目標(biāo)內(nèi)部亮度較均一,明顯優(yōu)于其余算法的結(jié)果.觀察第4張輸入圖像的檢測結(jié)果,MR算法和其余算法的檢測效果都沒過濾掉目標(biāo)的影子.本文算法對該圖的檢測效果最好,因?yàn)樘崛×送暾那熬胺N子點(diǎn)并加強(qiáng)了它們的連接權(quán)值,準(zhǔn)確完整地突出了前景目標(biāo),很好地消除了目標(biāo)的影子,最接近Ground Truth圖標(biāo)注中的顯著目標(biāo).觀察第6張輸入圖片的檢測結(jié)果,本文算法檢測有效抑制了目標(biāo)的背景區(qū)域,且準(zhǔn)確地突出了目標(biāo),優(yōu)于其余算法.其余算法的背景抑制程度較差,導(dǎo)致目標(biāo)檢測準(zhǔn)確率不高.綜上所述,本文實(shí)驗(yàn)結(jié)果相比于其余算法檢測效果最優(yōu).

4 結(jié)論

本文提出了一種基于背景感知的顯著性目標(biāo)檢測算法,重點(diǎn)研究了背景判斷和前景節(jié)點(diǎn)的選取問題.與經(jīng)典的流形排序顯著性檢測算法相比,本文算法解決了背景假設(shè)不準(zhǔn)確和目標(biāo)檢測不完整的問題,同時獲得輪廓清晰的目標(biāo).實(shí)驗(yàn)結(jié)果表明,同幾種顯著性檢測算法相比,本文算法在MRSA-1000數(shù)據(jù)集上,取得了較好的實(shí)驗(yàn)結(jié)果,優(yōu)于經(jīng)典的MR和部分算法.由于本文研究是基于超像素分割基礎(chǔ)之上,下一步的研究工作將專注于研究高效的超像素分割方法,降低它的時間復(fù)雜度.

1 白雪飛,王文劍,梁吉業(yè).基于區(qū)域顯著性的活動輪廓分割模型.計算機(jī)研究與發(fā)展,2012,49(12)：2686-2695.

2 曲延云,鄭南寧,李翠華,等.基于支持向量機(jī)的顯著性建筑物檢測.計算機(jī)研究與發(fā)展,2007,44(1)：141-147.

3 馮松鶴,郎叢妍,須德.一種融合圖學(xué)習(xí)與區(qū)域顯著性分析的圖像檢索算法.電子學(xué)報,2011,39(10)：2288-2294.

4 Itti L,Koch C,Niebur E.A model of saliency-based visual attention for rapid scene analysis.IEEE Transactions on Pattern Analysis and Machine Intelligence,1998,20(11)：1254-1259.[doi：10.1109/34.730558]

5 Achanta R,Hemami S,Estrada F,et al.Frequency-tuned salient region detection.Proceedings of 2009 IEEE Conference on Computer Vision and Pattern Recognition.Miami,FL,USA.2009.1597-1604.

6 Goferman S,Zelnik-Manor L,Tal A.Context-aware saliency detection.IEEE Transactions on Pattern Analysis and Machine Intelligence,2012,34(10)：1915-1926.[doi：10.1109/TPAMI.2011.272]

7 Hou XD,Zhang LQ.Saliency detection：A spectral residual approach.Proceedings of 2007 IEEE Conference on Computer Vision and Pattern Recognition.Minneapolis,MN,USA.2007.1-8.

8 Cheng MM,Zhang GX,Mitra NJ,et al.Global contrast based salient region detection.Proceedings of 2011 IEEE Conference on Computer Vision and Pattern Recognition.Colorado Springs,USA.2015.409-416.

9 Yan Q,Xu L,Shi JP,et al.Hierarchical saliency detection.Proceedings of 2013 IEEE Conference on Computer Vision and Pattern Recognition.Portland,OR,USA.2013.1155-1162.

10 Perazzi F,Kr?henbühl P,Pritch Y,et al.Saliency filters：Contrast based filtering for salient region detection.Proceedings of 2012 IEEE Conference on Computer Vision and Pattern Recognition.Providence,RI,USA.2012.733-740.

11 Zhu WJ,Liang S,Wei YC,et al.Saliency optimization from robust background detection.Proceedings of 2014 IEEE Conference on Computer Vision and Pattern Recognition.Columbus,OH,USA.2014.2814-2821.

12 呂建勇,唐振民.一種基于圖的流形排序的顯著性目標(biāo)檢測改進(jìn)方法.電子與信息學(xué)報,2015,37(11)：2555-2563.[doi：10.11999/JEIT150619]

13 Jiang BW,Zhang LH,Lu HC,et al.Saliency detection via absorbing Markov chain.Proceedings of 2013 IEEE International Conference on Computer Vision.Sydney,NSW,Australia.2013.1665-1672.

14 Wei YC,Wen F,Zhu WJ,et al.Geodesic saliency using background priors.Proceedings of the 12th European Conference on Computer Vision.Florence,Italy.2012.29-42.

15 張巧榮.利用背景先驗(yàn)的顯著性檢測算法.中國圖象圖形學(xué)報,2016,21(2)：165-173.[doi：10.11834/jig.20160205]

16 徐威,唐振民.利用層次先驗(yàn)估計的顯著性目標(biāo)檢測.自動化學(xué)報,2015,41(4)：799-812.

17 Yang C,Zhang LH,Lu HC,et al.Saliency detection via graph-based manifold ranking.Proceedings of 2013 IEEE Conference on Computer Vision and Pattern Recognition.Portland,OR,USA.2013.3166-3173.

18 朱征宇,汪梅.基于Manifold Ranking和結(jié)合前景背景特征的顯著性檢測.計算機(jī)應(yīng)用,2016,36(9)：2560-2565.[doi：10.11772/j.issn.1001-9081.2016.09.2560]

19 周強(qiáng)強(qiáng),趙衛(wèi)東,柳先輝,等.一種前景和背景提取相結(jié)合的圖像顯著性檢測.計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報,2017,29(8)：1396-1407.

20 鄧凝旖,沈志強(qiáng),郭躍飛.基于類別先驗(yàn)與深度神經(jīng)網(wǎng)絡(luò)特征的顯著性檢測.計算機(jī)工程,2017,43(6)：225-229.

21 Cheng MM,Zhang ZM,Lin WY,et al.BING：Binarized normed gradients for objectness estimation at 300 fps.Proceedings of 2014 IEEE Conference on Computer Vision and Pattern Recognition.Columbus,OH,USA.2014.3286-3293.

22 Garas A,Schweitzer F,Havlin S.A k-shell decomposition method for weighted networks.New Journal of Physics,2012,14(8)：083030.[doi：10.1088/1367-2630/14/8/083030]

23 Qin Y,Lu HC,Xu YQ,et al.Saliency detection via cellular automata.Proceedings of 2015 IEEE Conference on Computer Vision and Pattern Recognition.Boston,MA,USA.2015.110-119.

24 Wang QS,Zheng W,Piramuthu R.GraB：Visual saliency via novel graph model and background priors.Proceedings of 2016 IEEE Conference on Computer Vision and Pattern Recognition.Las Vegas,NV,USA.2016.535-543.