李小雨，房體育，夏英杰，李金屏*

（1.濟(jì)南大學(xué)信息科學(xué)與工程學(xué)院，濟(jì)南 250022；2.山東省網(wǎng)絡(luò)環(huán)境智能計(jì)算技術(shù)重點(diǎn)實(shí)驗(yàn)室（濟(jì)南大學(xué)），濟(jì)南 250022；3.山東省“十三五”高校信息處理與認(rèn)知計(jì)算重點(diǎn)實(shí)驗(yàn)室（濟(jì)南大學(xué)），濟(jì)南 250022）

（?通信作者電子郵箱ise_lijp@ujn.edu.cn）

0 引言

人類(lèi)的視覺(jué)注意力機(jī)制可以很好地從復(fù)雜場(chǎng)景中提取感興趣的區(qū)域并提供給大腦進(jìn)行后續(xù)分析，如何使計(jì)算機(jī)模擬此機(jī)制并準(zhǔn)確、快速地提取圖像關(guān)鍵信息，是圖像顯著性檢測(cè)的主要目標(biāo)。隨著顯著性檢測(cè)在目標(biāo)識(shí)別、圖像壓縮、圖像自動(dòng)裁剪等計(jì)算機(jī)視覺(jué)領(lǐng)域的廣泛應(yīng)用，關(guān)注它的學(xué)者逐年增多，涌現(xiàn)了大量的顯著性檢測(cè)算法。目前顯著性檢測(cè)算法大致分為傳統(tǒng)模型和深度學(xué)習(xí)模型兩類(lèi)。

基于手工提取特征的傳統(tǒng)模型［1-4］通常根據(jù)輸入圖像本身利用主成分分析、頻率分析等方法提取線索來(lái)突出目標(biāo)并抑制干擾，可以在很少的時(shí)間成本下執(zhí)行，但是檢測(cè)精度上普遍不高。例如：Achanta 等［1］利用頻域顏色特征和亮度特征來(lái)計(jì)算顯著值；Cheng等［4］將像素的顯著值定義為它與圖像中所有其他像素的顏色差異的加權(quán)和。

深度學(xué)習(xí)模型［5-10］根據(jù)人類(lèi)注釋的顯著性masks 是否用于訓(xùn)練，可以分為全監(jiān)督方法和非全監(jiān)督方法。在全監(jiān)督方面，Lee 等［6］將編碼的低級(jí)距離圖和VGG 網(wǎng)絡(luò)提取的高層特征連接起來(lái)，并將它們連接到一個(gè)全連接分類(lèi)器來(lái)評(píng)估顯著性。Hou等［7］提出了一種具有多分支短連接的深度監(jiān)督框架，它嵌入了高層次和低層次的特征來(lái)進(jìn)行精確的全監(jiān)督顯著性檢測(cè)。非全監(jiān)督方法分為弱監(jiān)督方法和無(wú)監(jiān)督方法，它們大多使用圖像級(jí)分類(lèi)標(biāo)簽或使用其他任務(wù)生成的偽像素標(biāo)簽來(lái)注釋顯著性。在弱監(jiān)督方面，Wang 等［8］開(kāi)發(fā)了一種僅使用圖像級(jí)標(biāo)記的弱監(jiān)督顯著性檢測(cè)算法，通過(guò)將前景推理網(wǎng)絡(luò)與全卷積網(wǎng)絡(luò)聯(lián)合訓(xùn)練來(lái)預(yù)測(cè)圖像級(jí)標(biāo)簽。而在無(wú)監(jiān)督方面，Zhang等［9］提出“融合監(jiān)督”，結(jié)合圖像內(nèi)融合流和圖像間融合流，從無(wú)監(jiān)督顯著性模型的融合過(guò)程中生成有用的監(jiān)督信號(hào)以監(jiān)督深度顯著目標(biāo)檢測(cè)器的訓(xùn)練。Zhang 等［10］用一個(gè)潛在的顯著性預(yù)測(cè)模塊和一個(gè)顯式的噪聲建模模型組成一種端到端的深度學(xué)習(xí)框架。

傳統(tǒng)的顯著性檢測(cè)模型雖然模型簡(jiǎn)單并且時(shí)間成本低，但分割精度普遍不高，而基于深度學(xué)習(xí)的模型雖然有較高的精確度，但是訓(xùn)練階段依賴(lài)于大量的手動(dòng)注釋數(shù)據(jù)或偽像素標(biāo)簽，因此，如何在無(wú)人工標(biāo)記或者少人工標(biāo)記的情況下對(duì)顯著性目標(biāo)進(jìn)行精確檢測(cè)是目前該領(lǐng)域面臨的一個(gè)核心問(wèn)題。針對(duì)該問(wèn)題，本文提出一種基于圖割精細(xì)化和可微分聚類(lèi)的無(wú)監(jiān)督顯著性目標(biāo)檢測(cè)算法。該算法采用由“粗”到“精”的思想，將顯著性目標(biāo)檢測(cè)問(wèn)題分成定位和精細(xì)化兩個(gè)部分進(jìn)行解決，在無(wú)人工標(biāo)記的情況下僅利用單張圖像便可獲取精確的目標(biāo)檢測(cè)結(jié)果。首先，利用Frequency-tuned 算法［1］根據(jù)圖像自身的顏色和亮度特征進(jìn)行對(duì)比以得到顯著粗圖；然后根據(jù)圖像的統(tǒng)計(jì)特性進(jìn)行二值化并結(jié)合中心優(yōu)先假設(shè)［11］得到顯著目標(biāo)的候選區(qū)域，進(jìn)而利用GrabCut 算法［12］對(duì)單張圖像迭代實(shí)現(xiàn)能量最小化以實(shí)現(xiàn)顯著目標(biāo)的精細(xì)化分割；最后，結(jié)合具有良好邊界分割效果的無(wú)監(jiān)督可微分聚類(lèi)算法［13］對(duì)單張顯著圖進(jìn)一步優(yōu)化，使優(yōu)化顯著圖更接近于真值圖。

1 算法原理

為了彌補(bǔ)目前顯著性檢測(cè)存在的不足，本文提出一種基于圖割精細(xì)化和可微分聚類(lèi)的無(wú)監(jiān)督顯著性目標(biāo)檢測(cè)算法。該算法整體流程如圖1 所示，接下來(lái)將以顯著性目標(biāo)粗定位、候選區(qū)域的生成、GrabCut 圖像精細(xì)化分割、可微分聚類(lèi)優(yōu)化分割結(jié)果四個(gè)部分具體介紹本文算法。

圖1 本文算法流程Fig.1 Flowchart of the proposed algorithm

1.1 顯著性目標(biāo)初定位

顯著性目標(biāo)粗定位指的是利用顯著性檢測(cè)算法對(duì)圖像進(jìn)行顯著性檢測(cè)，得到一個(gè)顯著粗圖A，用于后續(xù)的精細(xì)化分割。圖像在頻率域可以分為低頻和高頻部分：低頻反映圖像的整體部分，如基本的組成區(qū)域；高頻部分反映圖像的細(xì)節(jié)信息，如物體的紋理。顯著性目標(biāo)檢測(cè)算法更多用到的是低頻部分的信息。Frequency-tuned 算法充分考慮這個(gè)特點(diǎn)，首先利用高斯濾波排除高頻的干擾，再利用顏色和亮度特征來(lái)估計(jì)中心與周?chē)膶?duì)比度以作為顯著度，由此得到的顯著區(qū)域具有明確的邊界、完全分辨率和較高的計(jì)算效率，生成的顯著性映射可以更有效地應(yīng)用于其他領(lǐng)域。因此，本文采用Frequency-tuned 算法進(jìn)行初步顯著性檢測(cè)，具有如下的顯著性映射定義：

其中：Iμ是圖像在LAB 顏色空間的三個(gè)通道的算術(shù)平均像素值；Iwhc(x，y)是原始圖像經(jīng)過(guò)5× 5 高斯模糊后在LAB 顏色空間的像素值；‖ ‖是L2范數(shù)。

生成的顯著粗圖如圖2 所示。圖2（a）是原圖，圖2（b）是經(jīng)過(guò)Frequency-tuned 算法得到的顯著粗圖，可以發(fā)現(xiàn)顯著粗圖中一些背景區(qū)域也被突出了。

圖2 Frequency-tuned算法顯著性檢測(cè)結(jié)果Fig.2 Saliency detection results of Frequency-tuned algorithm

1.2 候選區(qū)域生成

由于顯著粗圖中部分背景區(qū)域被突出，自適應(yīng)二值化得到的候選區(qū)域不利于后續(xù)的精細(xì)化分割。本文則基于圖像像素值的統(tǒng)計(jì)結(jié)果，獲取圖像像素值的最大值，并設(shè)置參數(shù)a調(diào)節(jié)前景和背景的比例，以此獲得更加精確的目標(biāo)二值圖B，具體表示如下：

其中，a是0到1的變量。

目標(biāo)二值圖作為下一步分割的先驗(yàn)知識(shí)，以指導(dǎo)分割顯著目標(biāo)的準(zhǔn)確區(qū)域。將二值圖中包含所有白像素的相應(yīng)矩形區(qū)域定義為候選區(qū)域。部分圖像背景與目標(biāo)的相似程度較高，F(xiàn)requency-tuned 算法檢測(cè)出來(lái)的顯著粗圖不夠精確，導(dǎo)致目標(biāo)二值圖的白像素覆于整個(gè)圖像。針對(duì)此類(lèi)情況，本文引入顯著性檢測(cè)的中心優(yōu)先假設(shè)［11］：顯著對(duì)象更有可能在圖像中心附近找到，而邊界區(qū)域更有可能是背景。充分考慮目標(biāo)存在于圖像邊緣時(shí)中心優(yōu)先假設(shè)造成的一定程度上的特征丟失，利用參數(shù)b調(diào)節(jié)目標(biāo)區(qū)域的選定。目標(biāo)區(qū)域定義為：

其中：(xmin，ymin)和(xmax，ymax)表示候選區(qū)域的矩形對(duì)角坐標(biāo)；表示包含所有白像素的最大矩形區(qū)域的對(duì)角坐標(biāo)；b為0到20的變量；W表示圖像的寬度，H表示圖像的高度。

生成的候選區(qū)域如圖3 所示。圖3 中的第一組圖是選取包含所有白像素的最大矩形區(qū)域作為候選區(qū)域的效果圖；第二組圖是針對(duì)目標(biāo)二值圖的白像素覆于整個(gè)圖像的情況引入中心優(yōu)先假設(shè)后確定的候選區(qū)域效果圖。

圖3 候選區(qū)域選擇結(jié)果Fig.3 Results of candidate region selection

1.3 GrabCut 圖像精細(xì)化分割

前文已經(jīng)對(duì)目標(biāo)進(jìn)行粗定位并得到一個(gè)目標(biāo)區(qū)域，GrabCut 算法通過(guò)迭代圖形切割優(yōu)化和邊界摳圖結(jié)合硬分割來(lái)處理對(duì)象邊界上的模糊和混合像素，能夠?qū)崿F(xiàn)很好的分割效果。因此，基于前文所得到的背景區(qū)域和可能目標(biāo)區(qū)域，選擇GrabCut來(lái)實(shí)現(xiàn)對(duì)顯著目標(biāo)的準(zhǔn)確分割。

GrabCut 利用混合高斯模型背景區(qū)域和目標(biāo)區(qū)域進(jìn)行建模，對(duì)于每個(gè)像素，僅可能來(lái)自背景或目標(biāo)的某個(gè)高斯分量。每完成一次分割，便計(jì)算一次能量項(xiàng)，即像素n分配目標(biāo)或背景標(biāo)簽的懲罰與相鄰像素n和m之間不連續(xù)的懲罰的和，用Gibbs能量項(xiàng)表示：

其中：N表示輸入圖像的像素點(diǎn)集合，C表示相鄰像素對(duì)的集合；Pn表示像素n屬于目標(biāo)或者背景高斯分量的概率；In和Im分別表示像素n和像素m的RGB（Red-Green-Blue）值；an和am表示像素的類(lèi)別標(biāo)簽；參數(shù)δ指的是高斯模型的方差；γ根據(jù)經(jīng)驗(yàn)取值50。

GrabCut 算法將一次最小割估計(jì)算法替換為一個(gè)更強(qiáng)大的迭代過(guò)程。第一步是對(duì)已知背景區(qū)域內(nèi)的每一像素n初始化類(lèi)別標(biāo)簽an=0；而對(duì)已知的可能目標(biāo)區(qū)域內(nèi)的每個(gè)像素n初始化類(lèi)別標(biāo)簽an=1，再通過(guò)k-means 將可能目標(biāo)像素和背景像素聚類(lèi)成K類(lèi)，即高斯混合模型（Gaussian Mixture Model，GMM）模型的K維高斯分量。第二步是根據(jù)RGB 值對(duì)每個(gè)像素分配GMM 的高斯分量并根據(jù)給定的圖像數(shù)據(jù)來(lái)更新GMM參數(shù)。第三步是利用Gibbs 能量項(xiàng)估計(jì)最小割。通過(guò)第二和第三步交替進(jìn)行實(shí)現(xiàn)最小割估計(jì)和參數(shù)學(xué)習(xí)，得到一種使圖像Gibbs能量項(xiàng)最小的分割方式。

利用GrabCut 算法對(duì)已注釋背景區(qū)域的圖像進(jìn)行目標(biāo)精細(xì)化分割得到的精細(xì)化分割顯著圖能較好地將顯著目標(biāo)分割并突出，如圖4 所示第一組圖所示。但當(dāng)背景和目標(biāo)相似度高的情況下存在兩種問(wèn)題：一是圖割結(jié)果中摻雜部分背景，如圖4 第二組圖；二是圖割結(jié)果無(wú)顯著目標(biāo)或者目標(biāo)區(qū)域極小，如圖4第三組圖。

圖4 精細(xì)化分割圖示Fig.4 Refined segmentation diagram

1.4 可微分聚類(lèi)優(yōu)化分割結(jié)果

為了彌補(bǔ)GrabCut 圖像精細(xì)化分割存在的兩種不足，需要尋找一種具有良好邊界分割效果的算法來(lái)進(jìn)行優(yōu)化。基于這種需求，本文引入一種可微分聚類(lèi)算法，該算法在卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）中對(duì)單張圖像進(jìn)行微分聚類(lèi)來(lái)實(shí)現(xiàn)圖像分割，分割結(jié)果保留了較好的邊緣信息，能夠有效解決前文算法的不足。

可微分聚類(lèi)是一種新的基于單圖像的端到端網(wǎng)絡(luò)的無(wú)監(jiān)督圖像分割方法，基于這種思想，設(shè)計(jì)出如圖5 所示的結(jié)構(gòu)。首先，使用CNN 進(jìn)行特征提取獲取圖像特征{xn}，接著利用q維卷積層計(jì)算q維特征圖{rn}，再使用Batch Norm 進(jìn)行歸一化得到歸一化特征圖。然后，借助argmax 函數(shù)獲取每個(gè)像素對(duì)應(yīng)特征向量中最大值的ID作為像素類(lèi)別，以此得到最終的聚類(lèi)標(biāo)簽{cn} 。最后，使用梯度下降的反向傳播方法來(lái)更新參數(shù)，以找到一個(gè)使損失函數(shù)L最小化的標(biāo)簽分配解決方案。損失函數(shù)L表示如下：

圖5 可微分聚類(lèi)算法流程Fig.5 Flowchart of differentiable clustering algorithm

其中：N表示輸入圖像的像素點(diǎn)集合；表示在映射中的第i個(gè)元素的特征值表示在映射中(ξ，η)處的特征值；μ根據(jù)經(jīng)驗(yàn)取值5，表示平衡這兩個(gè)約束的權(quán)重。

可微分聚類(lèi)結(jié)果如圖6（d）所示，針對(duì)精細(xì)化顯著圖的兩種不足，分別采用不同的方法優(yōu)化。

針對(duì)精細(xì)化分割圖中包含背景的情況，由于精細(xì)化顯著圖中包含的背景是一些雜質(zhì)，比例較小，將目標(biāo)中像素占比最小的像素值所對(duì)應(yīng)區(qū)域定義為背景得到優(yōu)化顯著圖S，映射關(guān)系見(jiàn)式（7）。

其中：D(x，y)表示精細(xì)化分割圖中(x，y)處的像素值；Imin表示精細(xì)化分割圖中目標(biāo)區(qū)域所對(duì)應(yīng)可微分聚類(lèi)圖的區(qū)域的統(tǒng)計(jì)灰度直方圖中占比最少的像素值；I(x，y)表示可微分聚類(lèi)圖中(x，y)處的像素值。

針對(duì)精細(xì)化分割圖無(wú)顯著目標(biāo)或者目標(biāo)區(qū)域極小的情況，以目標(biāo)二值圖的最大連通區(qū)域?yàn)檠谀?duì)可微分聚類(lèi)圖進(jìn)行感興趣區(qū)域（Region Of Interest，ROI）選擇后得到新的目標(biāo)可能區(qū)域，將該區(qū)域灰度直方圖中除0 像素值以外占比最高的像素值作為種子點(diǎn)Imax來(lái)得到優(yōu)化顯著圖S，映射關(guān)系見(jiàn)式（8）。

利用可微分聚類(lèi)優(yōu)化后的結(jié)果如圖6 所示：從第一組圖可以看出，背景噪聲被有效抑制；從第二組可以看出，顯著目標(biāo)被準(zhǔn)確突出。

圖6 可微分聚類(lèi)優(yōu)化效果Fig.6 Differentiable clustering optimization effect

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)細(xì)節(jié)

為驗(yàn)證本文提出的基于圖割精細(xì)化和可微分聚類(lèi)的無(wú)監(jiān)督顯著性目標(biāo)檢測(cè)算法的有效性，采用ECSSD［14］和SOD［15］兩個(gè)國(guó)際公開(kāi)的顯著性檢測(cè)數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，其中，ECSSD數(shù)據(jù)集由1 000 張圖像組成，圖像結(jié)構(gòu)較為復(fù)雜；SOD 數(shù)據(jù)集是一個(gè)更具挑戰(zhàn)的數(shù)據(jù)集，包含300 幅圖像，具有多個(gè)與背景或與圖像邊界形成低色彩對(duì)比度的顯著對(duì)象。實(shí)驗(yàn)運(yùn)行環(huán)境為Visual Studio 2017 和Pytorch 1.5，硬件平臺(tái)使用的GPU 為2080Ti，內(nèi)存為32 GB。

部分參數(shù)設(shè)置如下：式（2）中的參數(shù)a=0.45，式（3）中的參數(shù)b=10，GrabCut 的最小割算法迭代次數(shù)設(shè)置為10，可微分聚類(lèi)網(wǎng)絡(luò)的迭代次數(shù)設(shè)置為100。

2.2 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)

為了保證對(duì)比實(shí)驗(yàn)的客觀性，采用顯著性目標(biāo)檢測(cè)普遍使用的平均絕對(duì)誤差eMAE（Mean Absolute Error，MAE）、準(zhǔn)確率P（Precision）、召回率R（Recall）和F?measure值來(lái)進(jìn)行評(píng)價(jià)。

MAE表征真值圖GT與顯著圖之間的誤差，計(jì)算如下：

其中：S(x，y)表示優(yōu)化顯著圖在(x，y)處的像素值；GT(x，y)表示二值化的ground truth 在(x，y)處的像素真值。eMAE值越低表明真值圖與優(yōu)化顯著圖之間誤差越小，算法越好。

通過(guò)將優(yōu)化顯著圖S與真實(shí)標(biāo)簽進(jìn)行比較來(lái)計(jì)算準(zhǔn)確率P和召回率R，計(jì)算公式如下：

綜合考慮P與R，采用P與R的加權(quán)調(diào)和平均值F-measure來(lái)綜合評(píng)估顯著性圖片，計(jì)算公式為：

其中，為突出準(zhǔn)確率的重要性，根據(jù)經(jīng)驗(yàn)值設(shè)置β2為0.3。Fmeasure值越大表明顯著性目標(biāo)檢測(cè)算法的性能越好。

2.3 對(duì)比現(xiàn)有算法

為驗(yàn)證本文算法的性能，與以下關(guān)注度較高的7 種算法進(jìn)行實(shí)驗(yàn)對(duì)比：文獻(xiàn)［16］中提出的基于圖論的視覺(jué)顯著性計(jì)算方法，檢測(cè)準(zhǔn)確度高，記作GBVS；文獻(xiàn)［17］中利用主成分追蹤來(lái)準(zhǔn)確地恢復(fù)低秩和稀疏分量的算法，記作RPCA；文獻(xiàn)［18］中提出的顯著性過(guò)濾算法，記作SF；文獻(xiàn)［19］中利用自底向上的先驗(yàn)知識(shí)來(lái)約束圖像特征的算法，記作SLR；文獻(xiàn)［20］中利用連續(xù)性來(lái)提高背景先驗(yàn)的魯棒性，記敘RBD；文獻(xiàn)［21］以及文獻(xiàn)［22］中的算法通過(guò)變形平滑約束的新傳播模型來(lái)優(yōu)化背景對(duì)比度低的對(duì)象區(qū)域，分別記作FBS與SC。

表1 列出了8 種算法在F-measure值和eMAE評(píng)估指標(biāo)上的評(píng)估結(jié)果，加粗?jǐn)?shù)字表示最佳性能，下劃線數(shù)字表示次優(yōu)性能。從表1 中可以看出，在ECSSD 和SOD 數(shù)據(jù)集上本文算法表現(xiàn)優(yōu)異。

ECSSD數(shù)據(jù)集包含多個(gè)獨(dú)立或者相鄰的顯著目標(biāo)且顯著目標(biāo)大小各異。從表1 可看出，本文算法實(shí)現(xiàn)了最低的eMAE值，而且F?measure值僅僅略低于SC 算法。結(jié)果表明，本文算法能夠有效地對(duì)具有多個(gè)顯著目標(biāo)的圖像進(jìn)行檢測(cè)。

表1 不同顯著性檢測(cè)算法在ECSSD和SOD數(shù)據(jù)集上的指標(biāo)得分Tab.1 Index scores of different saliency detection methods on ECSSD and SOD datasets

SOD 數(shù)據(jù)集圖像背景復(fù)雜且顯著目標(biāo)大小各異。從表1中可看出，本文算法從eMAE值和F?measure值綜合來(lái)看優(yōu)于除SC 算法以外的算法，本文算法在背景復(fù)雜的場(chǎng)景中能夠較好地檢測(cè)顯著目標(biāo)。與SC 算法相比，本文算法具有較低的eMAE值，表明本文算法檢測(cè)的顯著圖更接近于真值圖。

2.4 優(yōu)化策略有效性實(shí)驗(yàn)比較

為驗(yàn)證本文所用優(yōu)化策略的有效性，在ECSSD 數(shù)據(jù)集和SOD 數(shù)據(jù)集上生成顯著粗圖、精細(xì)化分割圖、優(yōu)化顯著圖，并計(jì)算相應(yīng)eMAE、P、R和F?measure值，結(jié)果如表2。表2 中“顯著粗圖”表示Frequency-tuned 算法檢測(cè)的顯著粗圖，“精細(xì)化分割圖”表示經(jīng)過(guò)GrabCut 精細(xì)化分割的顯著圖，“優(yōu)化顯著圖”表示在精細(xì)化分割圖經(jīng)過(guò)可微分聚類(lèi)優(yōu)化后的顯著圖。從表2 可以看出，精細(xì)化分割的顯著圖與顯著粗圖相比，在4 個(gè)指標(biāo)上均有明顯的提升，優(yōu)化后的顯著圖與精細(xì)化分割圖相比，在3個(gè)指標(biāo)上有一定的提升。

表2 顯著粗圖、精細(xì)化分割圖、優(yōu)化顯著圖的比較Tab.2 Comparison of saliency rough map，refined segmentation map and optimized saliency map

2.5 靈敏度分析

對(duì)于本文算法所涉及的顯著粗圖進(jìn)行二值化時(shí)的閾值選擇，為了盡可能多地保留圖像信息，實(shí)驗(yàn)中基于顯著圖自身的灰度統(tǒng)計(jì)特性，選擇了多種閾值進(jìn)行二值化進(jìn)行對(duì)比實(shí)驗(yàn)，eMAE值和F?measure值結(jié)果顯示見(jiàn)表3。從表3中可以看出，在ECSSD數(shù)據(jù)集上，當(dāng)a=0.45時(shí)所得優(yōu)化顯著圖的eMAE值略差于a=0.4的情況；在SOD 數(shù)據(jù)集上，當(dāng)a=0.45時(shí)所得顯著圖的eMAE值和F?measure值均優(yōu)于其他取值情況；綜合考慮，選擇a=0.45。

表3 二值化閾值的靈敏度分析（b=10）Tab.3 Sensitivity analysis of binarization threshold(b=10)

對(duì)于本文候選區(qū)域生成時(shí)候選區(qū)域選擇所涉及的參數(shù)b，選擇了多種取值進(jìn)行對(duì)比實(shí)驗(yàn)，結(jié)果見(jiàn)表4。從表4中可以看出，在ECSSD數(shù)據(jù)集和SOD數(shù)據(jù)集上，當(dāng)b=10時(shí)所得優(yōu)化顯著圖的eMAE值略差于b=15 的情況，但F?measure值均優(yōu)于其他取值情況，綜合看來(lái)，當(dāng)b=10時(shí)實(shí)驗(yàn)結(jié)果最好。

表4 候選區(qū)域選擇的靈敏度分析（a=0.45）Tab.4 Sensitivity analysis of candidate area selection(a=0.45)

2.6 可視化實(shí)驗(yàn)

從主觀視覺(jué)上，圖7 顯示了本文優(yōu)化過(guò)程在ECSSD 數(shù)據(jù)集和SOD 的數(shù)據(jù)集上的視覺(jué)顯著圖。從上到下依次是：原始輸入圖像、人工標(biāo)注真值圖、Frequency-tuned 算法檢測(cè)的顯著粗圖、經(jīng)GrabCut 精細(xì)化分割的精細(xì)化分割圖、經(jīng)可微分聚類(lèi)優(yōu)化精細(xì)化分割圖后的優(yōu)化顯著圖。通過(guò)對(duì)比可看出，顯著粗圖能夠檢測(cè)出目標(biāo)的大致輪廓；經(jīng)過(guò)精細(xì)化分割以后，可以將目標(biāo)從背景中分割出來(lái)，但是在精細(xì)化分割圖中依然存在一部分的背景噪聲；可微分聚類(lèi)可以有效地過(guò)濾這些背景噪聲，得到一個(gè)更接近真值圖的優(yōu)化顯著圖；針對(duì)顯著粗圖不準(zhǔn)確導(dǎo)致精細(xì)化分割圖不包含任何目標(biāo)或者僅存在部分小區(qū)域的情況，經(jīng)過(guò)優(yōu)化后顯著目標(biāo)也可以比較準(zhǔn)確地檢測(cè)出來(lái)。

圖7 本文優(yōu)化算法在ECSSD、SOD數(shù)據(jù)集上的視覺(jué)顯著圖對(duì)比Fig.7 Comparison of visual saliency maps on ECSSD and SOD datasets

3 結(jié)語(yǔ)

近年來(lái)，隨著深度學(xué)習(xí)的迅速發(fā)展，顯著性目標(biāo)檢測(cè)算法大部分都是依賴(lài)于大量數(shù)據(jù)或像素級(jí)標(biāo)簽的，而本文將圖割和可微分聚類(lèi)引入顯著性檢測(cè)，由“粗”到“精”地優(yōu)化傳統(tǒng)顯著性檢測(cè)算法，僅通過(guò)提取單張圖像的信息特征便能夠在無(wú)人工標(biāo)記的情況下獲取精確的顯著性目標(biāo)檢測(cè)結(jié)果。本文提出的算法與7 種現(xiàn)有算法在ECSSD、SOD 數(shù)據(jù)集上進(jìn)行對(duì)比，本文算法在對(duì)背景復(fù)雜和多目標(biāo)的圖像進(jìn)行顯著性目標(biāo)檢測(cè)時(shí)具有一定的優(yōu)勢(shì)。在未來(lái)的工作中，一方面可以從顯著粗圖生成方面入手，采用一種更為準(zhǔn)確的無(wú)監(jiān)督算法來(lái)粗定位目標(biāo)；另一方面由于本文算法是完全基于圖像本身特征進(jìn)行的無(wú)監(jiān)督的顯著性目標(biāo)檢測(cè)，后續(xù)可以結(jié)合有監(jiān)督的顯著性目標(biāo)檢測(cè)算法，進(jìn)一步提高精度。