郭鵬飛，金 秋，劉萬(wàn)軍

(遼寧工程技術(shù)大學(xué)軟件學(xué)院,遼寧 葫蘆島 125105)

1 引言

人類視覺系統(tǒng)可以對(duì)不同場(chǎng)景基于視覺注意機(jī)制獲取感興趣區(qū)域。每幅圖像中都包含一個(gè)或多個(gè)顯著目標(biāo)，顯著性檢測(cè)[1]則是模仿視覺注意機(jī)制獲取圖像中重要信息，以提高圖像處理的效率與準(zhǔn)確性。圖像顯著性檢測(cè)在圖像標(biāo)注與檢索[2]、目標(biāo)識(shí)別[3]、圖像自動(dòng)剪裁[4]、圖像壓縮等領(lǐng)域均有廣泛的應(yīng)用，是計(jì)算機(jī)視覺研究的熱點(diǎn)之一。

從視覺注意機(jī)制出發(fā)，顯著性檢測(cè)可分為自底向上的檢測(cè)模型和自頂向下的檢測(cè)模型[5]。自底向上模型主要是由顏色、紋理、邊緣等底層特征數(shù)據(jù)驅(qū)動(dòng)的顯著檢測(cè)過(guò)程。自頂向下模型不僅涵蓋了自底向上模型的處理過(guò)程，還需要基于目標(biāo)驅(qū)動(dòng)來(lái)調(diào)整選擇準(zhǔn)則，過(guò)程更為復(fù)雜，因此基于數(shù)據(jù)驅(qū)動(dòng)的自底向上模型應(yīng)用較為廣泛。隨著顯著性研究的發(fā)展，顯著檢測(cè)模型從處理單元的選擇上可分為基于像素點(diǎn)的顯著性檢測(cè)模型和基于對(duì)象的顯著性檢測(cè)模型。早期的顯著性檢測(cè)模型多為基于像素點(diǎn)的顯著檢測(cè)。如Itti等人[6]提出一種基于生物學(xué)啟發(fā)的視覺注意機(jī)制模型，使用中心-周邊算子，在高斯金字塔結(jié)構(gòu)中計(jì)算各尺度的底層特征并實(shí)現(xiàn)跨尺度對(duì)比計(jì)算顯著性。Ma等人[7]使用局部對(duì)比度差值計(jì)算顯著圖，并利用模糊增長(zhǎng)的方式確定顯著區(qū)域。Zhai等人[8]提出使用全局對(duì)比度改善局部對(duì)比度存在的顯著區(qū)域不連續(xù)情況，利用特征直方圖對(duì)像素點(diǎn)進(jìn)行分類，再使用距離公式計(jì)算顯著性。

基于像素點(diǎn)的顯著性檢測(cè)方法往往缺少結(jié)構(gòu)化信息，導(dǎo)致區(qū)域稠密性不夠。因此，研究者從像素點(diǎn)的顯著性檢測(cè)模型出發(fā)，提出以區(qū)域塊為處理單元的檢測(cè)方法。Achanta等人[9]提出算法結(jié)合多尺度空間思想，在不同大小的像素塊下，以像素塊均值作為特征值計(jì)算局部對(duì)比度。Cheng 等人[10]提出的算法采用Grab-cut方法分割圖像，并結(jié)合空間關(guān)系以區(qū)域?yàn)閱挝挥?jì)算全局對(duì)比度。Liu等人[11]學(xué)習(xí)條件隨機(jī)場(chǎng)模型,利用模型將局部、區(qū)域和全局三個(gè)層面獲取的特征映射圖進(jìn)行融合得到顯著圖。Yan等人[12]提出在不同大小的分割圖像塊上，構(gòu)建樹形結(jié)構(gòu)，利用多尺度分析方法得到顯著圖，減少高紋理區(qū)的干擾。Jiang 等人[13]基于統(tǒng)計(jì)學(xué)習(xí)思想，先利用圖論對(duì)圖像過(guò)分割處理，并在分割區(qū)域上進(jìn)行多特征描述，再采用隨機(jī)森林方法學(xué)習(xí)特征映射，最后在多層次上融合顯著特性。Li等人[14]提出的基于密集和稀疏重構(gòu)的算法，基于邊界處的超像素構(gòu)建背景模板，結(jié)合稀疏表示與主成分分析法，由重構(gòu)誤差獲取顯著值。錢生等人[15]受Li的啟發(fā)，由背景模板進(jìn)行稀疏重構(gòu)獲取邊界信息，并與其它特征信息在條件隨機(jī)場(chǎng)框架下融合獲取粗糙顯著圖，然后利用Grab-cut實(shí)現(xiàn)顯著區(qū)域精確檢測(cè)。

以上顯著性檢測(cè)模型在顯著特征的提取上，其處理單元或?yàn)橄袼攸c(diǎn)，或?yàn)檫^(guò)分割形成的區(qū)域塊。這些點(diǎn)和區(qū)域塊單獨(dú)存在時(shí)并沒有對(duì)象性的意義，缺少完整的對(duì)象性信息，在復(fù)雜背景下易受背景噪聲干擾，無(wú)法均勻覆蓋整個(gè)顯著區(qū)域。尤其是當(dāng)圖像中存在多個(gè)顯著目標(biāo)時(shí)，往往不能將多個(gè)對(duì)象獨(dú)立區(qū)分出來(lái)。

另一種顯著性檢測(cè)方法為基于對(duì)象性的顯著性檢測(cè)方法，即似物性檢測(cè)。這一類方法通常利用窗口，結(jié)合不同顯著特征的選擇，實(shí)現(xiàn)顯著性檢測(cè)。Lu等人[16]為每一個(gè)超像素基于其輪廓生成凹弧，為每個(gè)凹弧外接矩形，形成凹面上下文窗口，統(tǒng)計(jì)窗口包含顯著對(duì)象的概率。Alexe等人[17]以窗口為處理單元，將中心窗口與周圍窗口的局部對(duì)比度、超像素跨度、邊緣密度等特征利用貝葉斯框架融合，得到每個(gè)窗口的顯著概率。

對(duì)象性檢測(cè)方法的目標(biāo)是利用矩形框找到圖像中最有可能包含完整對(duì)象的區(qū)域并給出這個(gè)窗口包含對(duì)象的概率，即目標(biāo)得分。這種方式保證了目標(biāo)對(duì)象的完整性，但對(duì)于顯著性檢測(cè)來(lái)說(shuō)，仍存在兩個(gè)問題。其一，若窗口檢測(cè)不夠精確，包含過(guò)多背景元素會(huì)影響準(zhǔn)確度；其二，僅僅得到對(duì)象窗口無(wú)法找到目標(biāo)對(duì)象的準(zhǔn)確輪廓。

針對(duì)兩種方式各自的優(yōu)缺點(diǎn)，本文綜合利用對(duì)象性和顯著性，提出一種結(jié)合似物性與顯著特征的顯著性檢測(cè)算法OFOBP(Objectness Foreground Object and Background Prior)。該算法并不是直接利用似物性檢測(cè)得到的窗口產(chǎn)生顯著對(duì)象，而是將窗口信息作為一種對(duì)象性描述，融入到前景顯著特征的計(jì)算中，描述前景對(duì)象，并結(jié)合背景先驗(yàn)特性得到最終顯著對(duì)象。

2 OFOBP顯著性檢測(cè)算法

本文算法主要包括三個(gè)部分，分別為融合似物性與顯著性的前景對(duì)象獲取、基于背景先驗(yàn)知識(shí)的顯著計(jì)算以及顯著特征融合。OFOBP算法流程圖如圖1所示，首先從目標(biāo)對(duì)象角度，利用似物性檢測(cè)算法獲取目標(biāo)對(duì)象窗口，并結(jié)合超像素顏色空間分布特征，重新尋找窗口邊界，優(yōu)化窗口；再利用窗口特征與超像素特征的對(duì)比結(jié)果，重新計(jì)算超像素特征，完成圖像的前景對(duì)象預(yù)測(cè)；同時(shí)，從背景角度，利用改進(jìn)后的背景模板，計(jì)算超像素的稀疏重構(gòu)誤差，得到背景先驗(yàn)顯著值；最后融合兩種顯著圖，得到最終的顯著檢測(cè)結(jié)果。

Figure 1 Flow diagram of the OFOBP algorithm圖1 OFOBP算法流程圖

2.1 融合似物性和顯著性的前景對(duì)象

這一部分包括三個(gè)計(jì)算模塊，分別為超像素顏色空間分布特征計(jì)算、似物性窗口優(yōu)化以及前景對(duì)象獲取。

(1)超像素顏色空間分布。

一種顏色存在的范圍越廣，那么這種顏色屬于顯著區(qū)域的可能性越小。根據(jù)這一思想，Liu等人[18]提出一種基于中心加權(quán)的顏色空間分布模型，該模型能夠有效描述一幅圖像的顯著特征，但其處理方式是基于單個(gè)像素點(diǎn)，缺少結(jié)構(gòu)化信息，處理速度也慢。

為了保留顏色特征的同時(shí)引入結(jié)構(gòu)信息，本文首先利用SLIC(Simple Linear Iterative Clustering)[19]對(duì)原圖像進(jìn)行超像素分割，得到M個(gè)超像素。引入高斯混合模型計(jì)算每個(gè)像素點(diǎn)對(duì)應(yīng)于第c種顏色成分的概率p(c|Ix)[18]，超像素si對(duì)應(yīng)于第c種顏色的概率函數(shù)表示為：

(1)

超像素的顏色空間分布表示為:

(2)

(2)目標(biāo)候選窗口的優(yōu)化。

似物性檢測(cè)產(chǎn)生的目標(biāo)窗口數(shù)量和質(zhì)量對(duì)算法的效率都有直接影響。傳統(tǒng)的似物性評(píng)估的位置數(shù)量過(guò)多(1 000～10 000不等)且位置生成時(shí)間太長(zhǎng)。為了解決這個(gè)問題，Cheng等人[20]提出了一種二進(jìn)制梯度歸一化BING(BInarized Normed Gradients)的似物性檢測(cè)方法，引入一個(gè)64維的梯度幅值特征，以先驗(yàn)閾值進(jìn)行二值化處理。再利用二進(jìn)制的樣本圖像訓(xùn)練二級(jí)級(jí)聯(lián)的支持向量機(jī)，得到按照目標(biāo)得分從高到低排序的目標(biāo)窗口。BING僅產(chǎn)生1 000～2 000個(gè)目標(biāo)窗口，實(shí)現(xiàn)了搜索空間的縮小，從而提高了檢測(cè)效率。

(3)

(4)

(3)前景對(duì)象的獲取。

計(jì)算窗口的顯著均值Uj，作為窗口特征。

(5)

其中,c(x,y)為窗口內(nèi)像素點(diǎn)的顏色空間分布特征值，等于其所屬的超像素顏色空間分布特征值。m′×n′為優(yōu)化后窗口中像素個(gè)數(shù)。將超像素的顯著值與所有窗口的特征均值進(jìn)行對(duì)比，如果大于某個(gè)窗口均值，則表示超像素相對(duì)于當(dāng)前窗口屬于前景區(qū)域。將原窗口的目標(biāo)得分賦予對(duì)應(yīng)的新窗口，對(duì)多窗口得分疊加處理，超像素屬于目標(biāo)對(duì)象的概率越高，則得到的窗口目標(biāo)得分越多，表示其顯著值越高，由此更新超像素顯著特征，實(shí)現(xiàn)前景對(duì)象的獲取。超像素的前景對(duì)象特性定義為:

*fS(si,I)

(6)

其中,fS(si,I)由公式(2)計(jì)算，表示超像素的顏色空間分布特征，goalj為第j個(gè)窗口的目標(biāo)得分。融合似物性和顯著性特征的前景對(duì)象提取方法既考慮到了似物性檢測(cè)獲取目標(biāo)對(duì)象的完整性，又考慮到了顯著特性對(duì)區(qū)域的有效描述。

2.2 背景先驗(yàn)

前景對(duì)象模型主要考慮的是區(qū)域作為顯著對(duì)象的概率，但實(shí)際上圖片中的背景部分同樣能為顯著性檢測(cè)提供有效信息。稀疏重構(gòu)誤差利用超像素與圖像邊界特征的差異性來(lái)表示超像素的顯著性，差異越大，超像素為顯著區(qū)域的概率越高。將這種差異性作為背景先驗(yàn)結(jié)果可以有效地描述顯著區(qū)域。

這一部分包含兩個(gè)計(jì)算模塊，分別為背景模板的建立與預(yù)處理以及稀疏重構(gòu)誤差的計(jì)算。

(1)背景模板的建立與預(yù)處理。

1.2.3 出血護(hù)理患者每次進(jìn)餐前要進(jìn)行漱口,以1次/2h為宜,護(hù)理人員要指導(dǎo)患者進(jìn)行沖擊性漱口,使患者黏膜皺劈部位能夠和漱口液充分接觸。護(hù)理人員建議患者使用軟毛牙刷不要用使用牙簽剔牙,以免受到外力撞擊對(duì)皮膚粘膜進(jìn)行保護(hù),一旦牙齦口腔出血,可以使用棉棒蘸生理鹽水進(jìn)行擦拭,口腔局部涂抹止血藥。鼻出血可以給予填塞法或是局部冷敷法。拔針后注射部位加壓數(shù)分鐘,一旦出現(xiàn)滲漏現(xiàn)象或是局部紅腫應(yīng)當(dāng)立即用50%的硫酸鎂對(duì)局部濕敷,或是在血管的上方外敷新鮮馬鈴薯片,可以使局部的腫痛現(xiàn)象減輕[3]。

超像素的特征sfi描述為其所含像素的平均LAB和RGB顏色特征以及位置信息，即sfi={l,a,b,r,g,b,x,y},其中，l,a,b為L(zhǎng)AB顏色空間的顏色分量，r,g,b為RGB顏色空間的顏色分量，x,y為超像素位置。提取圖像邊界處超像素的D維特征(D=8)組建圖像的背景模板，記作BG={Bg1,…,Bgi,…,BgL},L表示背景模板中的超像素個(gè)數(shù)。

對(duì)多個(gè)公開圖像集中的圖像進(jìn)行研究分析，發(fā)現(xiàn)圖像的邊界在不同方位上有不同程度的相似性。為了使背景模板中的超像素更具代表性，本文對(duì)模板中的超像素進(jìn)行一次預(yù)處理。

(2)稀疏重構(gòu)誤差。

以BG′的特征矩陣作為稀疏字典，利用超像素si與BG′之間的差異性，計(jì)算稀疏重構(gòu)誤差。誤差計(jì)算公式為:

(7)

其中,sfi為超像素si的特征描述;αi為稀疏系數(shù)，表示為:

(8)

其中，λ為擬合約束參數(shù)。由稀疏重構(gòu)誤差得到超像素的背景先驗(yàn)特性Fb(i)=εi。

2.3 顯著融合

本文提出的似物性前景對(duì)象圖與背景先驗(yàn)顯著圖存在互補(bǔ)關(guān)系，將二者加權(quán)融合得到最終的顯著檢測(cè)結(jié)果。

Ffinal(i)=β1*Fp(i)+β2*Fb(i)

(9)

其中,β1和β2為加權(quán)系數(shù)，控制兩種顯著圖的重要程度。

圖2為OFOBP算法各部分的檢測(cè)結(jié)果。圖2a是原圖，圖2b和圖2c分別是似物性前景對(duì)象圖和背景先驗(yàn)顯著圖，圖2d是融合后的顯著檢測(cè)結(jié)果，圖2e是二值化處理后的顯著圖。背景先驗(yàn)有效抑制了背景干擾，但是對(duì)顯著對(duì)象的提取不夠完整；似物性前景對(duì)象的獲取將對(duì)象信息融入到前景顯著特征中，有效凸顯了顯著對(duì)象。二者的融合突出了各自優(yōu)勢(shì)，顯著檢測(cè)效果更好。

Figure 2 Test results of each part of the OFOBP algorithm圖2 OFOBP算法各部分檢測(cè)結(jié)果

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)數(shù)據(jù)集說(shuō)明

為了驗(yàn)證本文算法的有效性，分別從MSRA10k和VOC2007公開數(shù)據(jù)集上選取圖片進(jìn)行實(shí)驗(yàn)。在MSRA10k數(shù)據(jù)集中選取500張圖片作為實(shí)驗(yàn)測(cè)試圖片并配有相應(yīng)的地值圖。VOC2007數(shù)據(jù)集中包含的圖片更符合人類視覺對(duì)目標(biāo)對(duì)象的觀測(cè)需求。對(duì)VOC2007數(shù)據(jù)集中提供的目標(biāo)對(duì)象類分割圖進(jìn)行二值處理，得到實(shí)驗(yàn)所需的地值圖。由于BING訓(xùn)練時(shí)使用的圖片為VOC2007中的2 501幅圖片，因此在實(shí)驗(yàn)時(shí)從訓(xùn)練之外的圖片中選取1 500張，與MSRA10k中選取的500張共同組成實(shí)驗(yàn)數(shù)據(jù)集，以供算法測(cè)試使用。

3.2 評(píng)價(jià)指標(biāo)的選定與算法參數(shù)的設(shè)定

本文采用準(zhǔn)確率、召回率、F-measure和MAE(Mean Absolute Error)四個(gè)評(píng)價(jià)指標(biāo)來(lái)衡量算法檢測(cè)效果。準(zhǔn)確率和召回率之間存在相互影響，因此常常用F-measure指標(biāo)衡量算法的整體性能。F-measure的計(jì)算公式為:

(10)

其中,Precision為準(zhǔn)確率;Recall為召回率;α為準(zhǔn)確率的權(quán)重參數(shù)，該權(quán)重參數(shù)體現(xiàn)出準(zhǔn)確率在公式中的重要程度，α2取值為0.3。

MAE表示平均絕對(duì)誤差，反映顯著預(yù)測(cè)值與真實(shí)值之間的誤差情況，計(jì)算公式如下:

(11)

超像素分割的個(gè)數(shù)越多，過(guò)分割情況會(huì)越嚴(yán)重，越少則無(wú)法找到圖像全部邊界，本文將超像素分割個(gè)數(shù)設(shè)置為M=200。θ為自適應(yīng)閾值的控制參數(shù)，取值為0～1。θ越大，閾值越大，最終的窗口就會(huì)越小。本文通過(guò)反復(fù)實(shí)驗(yàn)將控制參數(shù)設(shè)置為θ=0.2，以獲取最優(yōu)窗口。β1和β2為前景對(duì)象與背景先驗(yàn)融合的加權(quán)系數(shù)，系數(shù)越大，相應(yīng)顯著特征在融合中的比重越大。本文將加權(quán)系數(shù)設(shè)置為β1=β2=0.5，表明兩顯著特征在融合時(shí)的比重相同。

3.3 像素級(jí)別和超像素級(jí)別的顏色空間分布特征對(duì)比

圖3為兩種處理單元上的顏色空間分布對(duì)比結(jié)果。圖3a為原圖，圖3c為SLIC超像素分割結(jié)果。由圖3可以看出，文獻(xiàn)[18]中像素級(jí)別的顏色空間分布圖缺少區(qū)域結(jié)構(gòu)信息，導(dǎo)致區(qū)域稠密性不夠，如圖3b所示；本文采用的基于超像素的顏色空間分布，將超像素具有的高邊界貼合度融合到顏色特征分布中，使得顏色空間分布更具結(jié)構(gòu)化特點(diǎn)，區(qū)域內(nèi)部稠密性更高，如圖3d所示。

Figure 3 Comparison of color spatial distribution between pixel level and superpixel level圖3 像素級(jí)別與超像素級(jí)別顏色空間分布對(duì)比

3.4 原BING目標(biāo)窗口與優(yōu)化后的目標(biāo)窗口對(duì)比

圖4為目標(biāo)窗口的優(yōu)化過(guò)程，展示了目標(biāo)窗口優(yōu)化前后的對(duì)比結(jié)果。圖4中第1行為選取的BING中一個(gè)窗口的優(yōu)化流程示例，第2行為選取的BING中10%～20%的有效窗口同步優(yōu)化的流程示例。圖4a為原圖，圖4c為搜索區(qū)域，圖4b和圖4d分別為BING目標(biāo)窗口和優(yōu)化后的目標(biāo)窗口。由圖4可以看出，圖4d中的窗口共同鎖定的目標(biāo)對(duì)象更準(zhǔn)確，減少了背景干擾。

Figure 4 Process of window optimization圖4 窗口優(yōu)化流程

3.5 似物性前景對(duì)象與視覺顯著特征對(duì)比

圖5展示了本文提出的似物性前景對(duì)象預(yù)測(cè)方法與僅采用顏色空間分布這一視覺顯著特征的顯著圖對(duì)比結(jié)果。圖5a為原圖，超像素顏色空間分布特征如圖5b所示，似物性前景對(duì)象如圖5c所示。

Figure 5 Comparison between objectness foreground object and salient feature 圖5 似物性前景對(duì)象與顯著特征對(duì)比

由圖5可以看出，圖5c中采用似物性特征與顯著特征的融合得到的顯著對(duì)象比圖5b中的顯著對(duì)象更加完整，能夠均勻地突出顯著區(qū)域，增強(qiáng)了顯著區(qū)域與背景區(qū)域的對(duì)比度。同時(shí)多窗口特征的加入實(shí)現(xiàn)了多個(gè)目標(biāo)對(duì)象的有效檢測(cè)。

3.6 本文算法與其它算法對(duì)比實(shí)驗(yàn)

為了驗(yàn)證本文算法的有效性，在兩個(gè)數(shù)據(jù)集上與11種算法進(jìn)行對(duì)比，11種算法分別為SR[24]、SUN[25]、FT[26]、SEG[27]、RC[10]、SWD[28]、CA[29]、COV[30]、GR[31]、DSR[14]和RBD[32]算法。SR是剩余譜算法，從圖像的幅度譜中除去代表先驗(yàn)知識(shí)的幅度譜即可得到顯著部分的幅度譜。SUN是一種自底向上的顯著檢測(cè)方法，利用了自然統(tǒng)計(jì)的顯著性貝葉斯檢測(cè)框架。FT算法利用顏色特征的中央-周邊算子計(jì)算顯著圖。SEG算法以窗口為單位，計(jì)算每個(gè)像素點(diǎn)屬于窗口中心和窗口邊界的概率，從而得到像素點(diǎn)的顯著性。RC是一種基于全局對(duì)比度的顯著檢測(cè)算法。SWD是基于空間加權(quán)向異性的，在降維空間計(jì)算區(qū)域的差異性。CA是一種基于上下文感知的顯著檢測(cè)算法。COV算法是以區(qū)域協(xié)方差計(jì)算顯著性的。GR算法同時(shí)考慮圖正則化理論、對(duì)比度及中心先驗(yàn)知識(shí)計(jì)算顯著特征。DSR算法同時(shí)計(jì)算重構(gòu)誤差和稀疏重構(gòu)誤差，并結(jié)合貝葉斯計(jì)算顯著圖。RBD是一種以背景作為參考的顯著性檢測(cè)算法。

Figure 6 Comparison of saliency maps圖6 顯著圖對(duì)比

圖6為OFOBP算法與其中近5年較流行的7種算法在視覺上的顯著圖對(duì)比。SWD與OFOBP都與窗口有關(guān)，前者是將窗口作為處理單元，計(jì)算像素點(diǎn)的顯著性，而OFOBP則是將目標(biāo)窗口作為對(duì)象信息，與顯著特征融合。SWD僅采用滑動(dòng)窗口作為處理模塊，并未考慮窗口本身具有對(duì)象性，而OFOBP充分利用了這一點(diǎn)。DSR與OFOBP均使用了重構(gòu)誤差，由于DSR同時(shí)使用了兩種重構(gòu)方式，其背景抑制效果更好，但OFOBP引入了窗口對(duì)象信息，在對(duì)象完整性上更為優(yōu)越。從圖6整體來(lái)看，前4行選取的是VOC2007數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果，后4行選取的是MSRA10k數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果。從實(shí)驗(yàn)對(duì)比結(jié)果可以看出，OFOBP可以較為完整地檢測(cè)到圖像的顯著對(duì)象，背景抑制的效果更好。同時(shí)，VOC2007數(shù)據(jù)集中的圖片存在多個(gè)顯著對(duì)象，從圖6中的第3行和第4行圖片可以看出，圖片中均存在兩個(gè)顯著對(duì)象，多數(shù)方法并未檢測(cè)出第二顯著特征，而OFOBP成功地將兩個(gè)特征檢測(cè)出來(lái)了，而且區(qū)分了每一個(gè)目標(biāo)，表明多窗口對(duì)象信息與顯著特征的融合有效提高了顯著性檢測(cè)的準(zhǔn)確性。

圖7是OFOBP算法與11種算法在MSRA10k數(shù)據(jù)集上的評(píng)價(jià)指標(biāo)結(jié)果。

Figure 7 Evaluation results on MSRA10k data set圖7 MSRA10k 數(shù)據(jù)集上評(píng)價(jià)結(jié)果

從圖7的P-R曲線以及平均準(zhǔn)確率、平均召回率和F-measure結(jié)果可以看出，OFOBP在三個(gè)評(píng)價(jià)指標(biāo)上優(yōu)于大部分其它算法。OFOBP與DSR和RBD在準(zhǔn)確率上水平相當(dāng)，但Recall和F-measure更高，其中Recall達(dá)到81.7%，F(xiàn)-measure達(dá)到87.1%。召回率代表了待測(cè)圖像的查全率情況，召回率的提高說(shuō)明OFOBP算法能夠較好地保留顯著區(qū)域的完整性。F-measure的提高表明算法整體性能優(yōu)良。從P-R曲線圖來(lái)看，OFOBP算法的曲線更加平滑，三個(gè)性能指標(biāo)均較高。

為了進(jìn)一步驗(yàn)證OFOBP算法的有效性，實(shí)驗(yàn)選擇了更具挑戰(zhàn)性的數(shù)據(jù)集VOC2007。圖8為OFOBP與11種算法在VOC2007數(shù)據(jù)集上的評(píng)價(jià)指標(biāo)結(jié)果。從實(shí)驗(yàn)結(jié)果來(lái)看，OFOBP算法在準(zhǔn)確率上優(yōu)于其它算法，達(dá)到88.1%。同時(shí)，在Recall和F-measure值上有明顯的優(yōu)勢(shì)，其中Recall達(dá)到83.6%，F(xiàn)-measure達(dá)到87%。VOC2007數(shù)據(jù)集包含的圖片多數(shù)具有兩個(gè)或兩個(gè)以上的顯著對(duì)象，召回率的提高表明OFOBP采用的多窗口融合方式在多個(gè)對(duì)象檢測(cè)上有較好的效果。

Figure 8 Evaluation results on VOC2007 data set圖8 VOC2007 數(shù)據(jù)集上評(píng)價(jià)結(jié)果

表1為OFOBP算法與對(duì)比的11種算法在平均絕對(duì)誤差(MAE)這一評(píng)價(jià)指標(biāo)上的結(jié)果。從表1可以看出，本文的誤差值低于其它10種算法，只略高于DSR算法的誤差值。說(shuō)明OFOBP具有一定的有效性。

表2為OFOBP算法與其它11種算法在兩個(gè)數(shù)據(jù)集上的運(yùn)行時(shí)間對(duì)比結(jié)果。從運(yùn)行時(shí)間上來(lái)看，較早時(shí)間的顯著性檢測(cè)算法，如SR、FT，其運(yùn)行時(shí)間短，但如果結(jié)合P-R曲線和MAE評(píng)價(jià)指標(biāo)來(lái)看，可以看出這些算法的性能指標(biāo)較低；RC算法采用的編碼方式是C++，因此其運(yùn)行時(shí)間與其它算法不太有可比性；OFOBP與近幾年較為流行且效果較好的CA、COV、GR、DSR、RBD相比，OFOBP的運(yùn)行時(shí)間介于它們之間，如果結(jié)合其它評(píng)價(jià)指標(biāo)和直觀的對(duì)比圖來(lái)看，OFOBP在顯著性檢測(cè)方面具有一定優(yōu)勢(shì)。

Table 1 Mean absolute error MAE表1 平均絕對(duì)誤差MAE

Table 2 Comparison of running time表2 運(yùn)行時(shí)間對(duì)比 s

4 結(jié)束語(yǔ)

基于像素點(diǎn)或區(qū)域塊的顯著檢測(cè)方法往往僅計(jì)算點(diǎn)或塊的顯著特征，而忽略了顯著區(qū)域的對(duì)象性。本文提出一種同時(shí)結(jié)合似物性與顯著特征的顯著性檢測(cè)算法OFOBP。該算法利用似物性檢測(cè)獲取對(duì)象性信息，設(shè)計(jì)一種前景對(duì)象獲取方式，將其融合到顯著特征中，優(yōu)化前景顯著特征；同時(shí)與背景先驗(yàn)特征融合，實(shí)現(xiàn)顯著性檢測(cè)。與傳統(tǒng)基于顯著性特征的算法相比，該算法不僅保留了顯著特征對(duì)目標(biāo)對(duì)象的有效描述，同時(shí)還融入了似物性特征，解決了對(duì)象完整性問題。分別在MSRA10k數(shù)據(jù)集和VOC2007數(shù)據(jù)集上進(jìn)行評(píng)估，由實(shí)驗(yàn)結(jié)果可知，OFOBP算法在各項(xiàng)檢測(cè)指標(biāo)上均取得了良好的效果，算法有一定的有效性。

此外，OFOBP算法雖然在顯著性檢測(cè)上取得了一定的效果，但是仍然存在問題。比如對(duì)于顏色分布過(guò)于均勻、前景與背景噪聲均過(guò)大的圖片，算法的檢測(cè)效果有所下降，有待進(jìn)一步提高。