層次圖融合的顯著性檢測*

王慧玲，羅 斌

1.阜陽師范學院 計算機與信息工程學院，安徽 阜陽 236000

2.安徽大學 計算機科學與技術學院，合肥 230601

層次圖融合的顯著性檢測*

王慧玲1,2，羅 斌2+

1.阜陽師范學院 計算機與信息工程學院，安徽 阜陽 236000

2.安徽大學 計算機科學與技術學院，合肥 230601

WANG Huiling,LUO Bin.Saliency detection based on hierarchical graph integration.Journal of Frontiers of Computer Science and Technology,2016,10(12)：1752-1762.

顯著性目標檢測在物體分割、自適應壓縮和物體識別等領域有眾多應用，從自然場景中準確檢測出最重要的區域一直是個挑戰。針對現有的基于圖的流形排序算法，因忽略特征的空間信息而導致檢測準確率不高的問題，提出了一種基于流形排序的多尺度顯著性檢測算法。首先對原始圖像進行多尺度下的超像素分解。然后利用邊界先驗，根據流形排序算法計算查詢點與其余結點的相關度排序。最后通過構建圖模型，從多層結構中分析顯著性線索，對顯著圖進行融合得到最終結果。在ASD、CSSD、ECSSD和SOD數據集上，同9種流形算法進行對比實驗，結果表明該算法在保持高查全率的同時也提高了準確率。

顯著性檢測；流形排序；超像素分割；多尺度分析；圖模型

1 引言

顯著性物體檢測旨在根據人類視覺注意，從圖像中找出最突出的部分，而如何模擬人眼視覺注意機制，使計算機視覺擁有類似人眼的能力，便是顯著性檢測研究的目標。近幾十年來，顯著性檢測得到很快的發展，應用在如圖像分割[1]、圖像檢測[2]、物體識別[3-4]、視頻摘要[5]等眾多領域。從上世紀80年代開始，眾多領域的專家對顯著性進行深入的研究，在機器視覺領域也提出了各種顯著性檢測方法。

大部分低層視覺模型中很有影響力的因素是對比度。這些顯著性檢測方法利用圖像內部信息（如顏色、亮度、方向等低層特征）來計算圖像顯著性，大致可分為局部方法和全局方法兩大類。

局部對比度方法利用當前區域相對于局部鄰域的稀有度來獲取顯著性目標。Itti等人[6]定義了基于多尺度特征對比度來獲取圖像顯著性的計算模型。Liu等人[7]利用條件隨機場（conditional random field，CRF）來融合圖像的顯著性特征，并從背景中分離出顯著性物體。Ma等人[8]提出了通過模糊增長模型來擴展基于局部對比度的顯著性分析方法。Goferman等人[9]利用圖像上下文信息和高層語義信息來提高顯著性檢測的效果。但是這些局部對比度方法易于突出顯著性物體的輪廓，而不是整個目標。

全局對比度方法利用當前區域與其他所有區域的對比度來計算顯著性值，可以均勻地突出整個顯著性目標。Zhai等人[10]使用當前像素與其余所有像素的差異來定義像素級顯著性。Achanta等人[11]利用當前像素與整個圖像的平均色差來計算顯著性。Cheng等人[12]同時考慮空間關系和特征對比度，使用直方圖加速算法得到圖像顯著圖。然而，全局顯著性檢測算法在前景顯著性目標和背景特征相似時，檢測效果不理想。

一些利用先驗信息的方法也取得了明顯的進步。Xie等人[13]利用圖像關鍵點構造凸包，設置其包含的區域為前景，通過貝葉斯框架來獲取顯著性目標。Wei等人[14]將圖像邊界作為背景，通過計算先驗背景與其他區域塊的測地線距離來計算顯著性。Xu等人[15]提出了綜合采用背景和前景的層次先驗估計的顯著性檢測策略。

近年來，圖模型也被應用到顯著性檢測中，而且有著很高的檢測準確率。Harel等人[16]運用馬爾可夫隨機場的特點構建二維圖像的馬爾可夫鏈，通過求其平衡分布得到顯著圖。Jiang等人[17]對圖像進行超像素分割，利用吸收馬爾可夫鏈進行顯著性檢測。Yang等人[18]將圖像邊界的超像素塊作為背景，使用K-正則圖來表示結點間的空間關系，計算基于背景種子點的流形排序，并以此為基礎計算前景種子點與其他區域的相似度排序得分，獲得最終的顯著圖。

使用文獻[18]的算法進行顯著性檢測時，由于自然圖片本身的多樣性和復雜性，不同圖像顯著性目標的大小未知，超像素分割尺寸直接影響檢測結果的準確性。

針對上述問題，多尺度的方法可以減少因單一尺度分割誤差所帶來的檢測結果不準確，保持和彌補不同尺度分割的優缺點，提出一種多層圖融合的顯著性檢測算法。算法在對原始圖像進行多尺度超像素分割的基礎上，考慮其空間特征，利用層次圖模型對多層顯著圖進行整合，進一步提高檢測結果的準確性。

2 基于圖的流形排序顯著性方法

基于圖的流形排序算法[18]manifold ranking，MR）是在構建K-正則圖的基礎上，將顯著性檢測轉化為種子點與其余結點之間的相似度流形排序。給定圖像的點集X={x1,x2,…,xn}∈Rm×n，構建基于X的圖模型G=(V,E)，其中V是關于X的頂點集，E是頂點之間的邊集合。y=[y1,y2,…,yn]T為指示向量，在流形排序算法中，如果xi為查詢，則yi=1，否則yi=0。定義排序函數：f:X→Rn來計算查詢種子點到每個頂點xi的相關性排序得分。其排序得分可通過式（1）最優化得到。

其中，W=[wij]n×n是邊加權的關聯矩陣，，xi和xj為區域i和 j在CIELab顏色空間的特征值。 D=diag(d11,d22,…,dnn)是圖G的度矩陣，其中，參數u控制平滑約束（第一項）和擬合約束（第二項）。

對式（1）求導，并使其結果等于0，得到關于排序函數的最優解，文獻[19]給出嚴格證明。其優化結果的矩陣表示為：

其中，I是單位矩陣;α=1/(1+u)；S=D-1/2WD1/2是規范化的拉普拉斯矩陣。本質上說，流形排序可以看成獲得正項實例和負項實例的二分類問題。對式（2）進行改進（文獻[18]的實驗結果證明式（3）效果更優），使用非規范化的拉普拉斯矩陣。

利用圖像邊界大多是背景的先驗信息，通過式（4）分別計算基于上、下、左、右4邊的顯著性圖，即St(i)、Sd(i)、Sl(i)、Sr(i)，計算公式為：

觀察可知，圖像的分割效果受分割尺度的約束。根據圖像本身的差異性，不同的分割尺度適用于不同的圖像。單一使用某一種分割尺寸會影響分割效果的準確性，利用多尺度圖像之間的空間信息可以改善顯著性檢測結果。

Fig.1 Multi-scale saliency maps of MR method圖1 文獻[18]MR算法不同尺度顯著圖

3 層次圖融合的顯著性檢測算法

本文算法的主要內容包括：多尺度超像素分割、層次顯著性計算、多尺度顯著圖融合。算法流程如圖2所示。

3.1 尺度的選擇

基于像素的顯著性檢測算法，以像素為單位，未考慮像素之間的空間組織關系，使算法的效率過低。超像素分割算法比較符合人類的視覺感知，并且包含較少的冗余，在很大程度上降低了圖像后續處理的復雜度[20]。本文使用SLIC（simple linear iterative cluster）[20]算法為圖像中層信息的特征提取提供了空間支持。根據不同分割數目的約束，對原始圖像進行多尺度超像素分割。根據實驗結果分析，圖像的分割尺寸對于顯著性目標檢測的效果有很大的影響。超像素分割尺度（即包含像素個數）越小，在增加計算成本的同時，一些小的顯著區域會被檢測出來，產生的分割誤差對顯著性計算結果的影響越小。當目標內部出現與邊界特征相似的區域時，會出現目標內部突出不均勻的情況。相應地，超像素尺寸越大（即包含的像素個數越多），則圖像中的有些目標區域可能被忽略，其產生的分割誤差對最終結果的影響越大，但顯著性物體內部可能保持均勻性。

Fig.2 Flow chart of this paper method圖2 本文算法流程圖

因此，為了兼顧檢測結果的細節和整體，在突出顯著性區域的同時，不忽略小的目標。本文對7種分割尺寸進行統計，在利用檢測結果的基礎上，同時考慮算法計算的時間復雜度。選擇3個超像素分割尺寸，分別是100、200、400。使得單層圖像在保持相對結構的同時，局部范圍內聚焦具有類似屬性的像素。

定義X={x1,x2,…,xn}∈Rm×n，X表示原圖像，n表示超像素塊的數目。其中xi={L,a,b,x,y,num}∈Rm表示第i個元素的特征空間；L、a、b分別代表區域xi在Lab顏色空間的3個參數；x、y是超像素塊xi的中心位置坐標；num是超像素塊xi中包含的像素個數。

3.2 生成單層顯著圖

在對原始圖像進行不同尺度超像素分割的基礎上，根據基于圖的流形排序算法（MR）[18]計算單層顯著性圖。MR算法[18]將每個超像素作為一個結點，利用結點之間的連接性來構造閉環圖。首先，設置當前結點與鄰接點，以及與鄰接點有公共邊的結點連接，并將連接結點的度擴展為k。同時認為圖像的邊界是背景，位于邊界的結點也是連接的。利用K-正則圖表示結點之間的空間關系。在構圖的基礎上，利用圖像內在的流形結構將圖像標記為背景或前景。同一圖像在3種尺度下的流形排序結果如圖3所示。

Fig.3 Saliency maps of different scales圖3 不同尺度顯著圖

從圖3觀察可知，大尺度的超像素塊檢索出大尺寸的結構，反映圖像的整體結構信息；而小尺寸則易檢測出更多的局部細節。

3.3 構建層次圖模型

不同層次其檢測結果存在差異性，無法確定使用哪一層可以達到最好的結果。因此為了更合理地計算顯著性結果，在利用單層流形排序的基礎上，構建不同層次之間的圖形結構，利用層次推斷的方法，對多尺度的顯著圖進行融合，得到最終的顯著圖。

多層融合算法充分利用層次內結構信息及多層之間的結構與特征，其計算結果更符合人類視覺機制。本文利用SLIC算法在不同尺寸下對原始圖像進行超像素分割。SLIC算法基本思想是：首先生成K（超像素尺寸）個種子點，然后在每個種子點的周圍空間搜索距離該種子點最近的若干像素，將其歸為一類，直至所有像素歸類完畢[20]。根據SLIC算法的特點，不同層次之間的超像素塊并不存在嚴格的包含關系。因此，本文算法利用圖模型對多層顯著圖進行融合，如圖4所示。

Fig.4 Multi-scale integration圖4 多尺度圖融合

其中根結點為原始圖像，每層結點為其對應層次的超像素塊，當上、下層區域交集非空，則存在邊。本文融合算法通過求解式（5）的最優化問題獲得：

L項是層次項，為不同層次的相關區域分配相似的顯著性值，以便有效地糾正初始顯著性誤差，定義為：

φl強調層次之間的一致性，根據圖模型，通過置信度傳播[21]可以達到全局最優解。傳播過程包括自底而上和自頂而下的兩個步驟。自底向上步驟更新變量，即在其兩個鄰接層通過最優化式（5），產生相對于初值和其父結點的新顯著性值，直到根結點。根據上一個階段獲得的結果，再自頂向下更新每個變量直到最低層，得到最終顯著性值。其效果如圖5所示。

3.4 像素級顯著性分配

根據層次模型融合的基于區域的計算結果，特征從超像素級映射到像素級。傳統上采樣對超像素塊中的每個像素賦予相同值，沒有考慮其與其他區域的特征對比度與空間距離的影響。

本文設置像素級顯著性為其所在超像素塊的顯著性值與周圍二近鄰區域顯著性值進行高斯線性加權，計算公式為：

其中，ri為第i個像素的初始顯著性值；rj為其周圍鄰域的顯著性值；pi和pj分別為當前像素與其周圍像素的位置坐標；δ1和δ2用來平衡顏色特征和位置信息的約束。

Fig.5 Saliency maps of multi-scale method圖5 多尺度算法效果圖

4 實驗結果及分析

為了客觀證明提出算法的有效性，本文在4個顯著性公用數據集上與9種流形的顯著性算法進行實驗對比。數據集包括ASD、CSSD、ECSSD和SOD，這4個數據集均提供有精確標注的Ground Truth圖像，有利于進行客觀評價。9種參與比較的顯著性算法分別是FT（基于頻率域的圖像顯著性算法）[11]、CA（基于上下文感知的顯著性算法）[9]、RC（基于全局區域對比度算法）[12]、SF（基于濾波的顯著性算法）[22]、SR（基于空間頻域分析的顯著性算法）[23]、BS（貝葉斯顯著性算法）[13]、IM（一種譜殘差的顯著性算法）[24]、MR[18]、HS（多層顯著性算法）[25]。

4.1 數據集

ASD數據集：眾多文獻中最流行的數據集，包含1 000幅自然圖像，從由5 000張圖像組成的MSRA-B數據集中選出，每張圖像僅含單個目標，且目標與背景差異較明顯。

CSSD和ECSSD數據集：來源于BSD和PASCAL VOC數據集及互聯網。有些圖像目標混雜于背景，而有些圖像包含多個目標，且目標間差異較大。CSSD數據集由200幅包含場景的圖像組成，ECSSD數據集是CSSD的擴展，其包含1 000張背景復雜的圖片。

SOD數據集：被認為是具有挑戰的顯著性數據集，由300幅背景復雜，前景多樣的圖片組成。其中有些圖片前景目標與背景的特征相似，這也增加了顯著性檢測的難度。

4.2 定量分析

為了客觀比較實驗結果，實驗選用顯著性檢測領域最常用的P-R（準確率-召回率）曲線來進行定量分析。其中P為檢測結果中正確結果的占比；R為正確檢測結果在真值圖中的占比。

首先將多種算法計算得到的顯著圖調整到[0-255]，依次選取0到255為閾值，對顯著圖進行二值化處理。將二值化后的圖像與Ground Truth進行比較，計算出準確率與召回率，畫出P-R曲線。

圖6（a）顯示了多種方法在ASD數據集上的P-R曲線效果圖。從P-R曲線可以看出，本文算法要優于經典的FT、CA、RC、SF、SR全局顯著性目標檢測算法，也優于基于邊界先驗的MR算法和多層次HS算法。

為了驗證本文算法對復雜場景下顯著性目標檢測的有效性，也進行了多種算法對比度實驗。從圖7～圖9（a）可知，本文算法在CSSD、ECSSD和SOD數據集上效果更優。

Fig.6 Precision-Recall curves and F-measure histogram of different methods onASD dataset圖6 多種算法在ASD數據集上P-R曲線與F-measure柱狀圖比較

在進行顯著性效果評價時，準確率與召回率往往互相影響，有些算法準確率提高時召回率可能下降。因此經常使用F-measure來衡量算法的整體性能。F-measure計算公式如下：

Fig.7 Precision-Recall curves and F-measure histogram of different methods on CSSD dataset圖7 多種算法在CSSD數據集上P-R曲線與F-measure柱狀圖比較

Fig.8 Precision-Recall curves and F-measure histogram of different methods on ECSSD dataset圖8 多種算法在ECSSD數據集上P-R曲線與F-measure柱狀圖比較

根據文獻[8]，本文實驗中設置β2=0.3，強調準確率所占比重。

從圖6～圖9（b）評估指標直方圖可以看出，在數據集ASD上，本文算法的準確率與MR算法相當，在數據集CSSD、ECSSD和SOD上，本文算法準確率與HS算法相當。但在4個數據集上，本文算法F-measure的值均高于CA、FT、SR、IM、SF、RC、BS、MR和HS算法，其F-measure分別達到0.900 0、0.785 3、0.703 8和0.596 7。

4.3 直觀對比

從MR算法[18]實驗效果分析可知，圖10中的第1幅圖片其顯著性目標接觸圖像的邊界；第5幅和第7幅圖片部分邊界與顯著性目標特征相似，這兩種情況造成顯著性目標檢測不完整。圖10的第2、3、4和6行顯著性目標大小不一，在不同分割尺寸下產生最優的分割效果，使用單一尺寸的MR算法效果不理想。通過視覺效果圖10在多種方法的實驗結果可知，IM算法效果最差，該算法能大致檢測出顯著性目標，但存在檢測出的顯著性區域邊界模糊，突出不均勻的情況。FT算法能夠找出圖像中具有特殊像素的區域，但存在突出顯著性區域不夠完整的情況。HC算法能夠檢測出圖像中顏色對比度高的區域，卻會導致錯誤識別部分顏色對比度高的背景區域為前景。CA算法很好地突出了顯著性區域的邊緣，但顯著性物體內部檢測不完全。BS、SR和MR算法完整地突出整個顯著性區域，但對背景的抵制較差。本文算法在突出整個圖像顯著性區域的基礎上，也更好地抵制了圖像中非顯著性區域。從圖10多種算法視覺效果圖中也可以看出，本文算法具有更好的檢測準確度，能統一且均勻地突出整個顯著性目標，與Ground Truth更接近，最終顯著圖具有更高的準確率和完整性。

Fig.9 Precision-Recall curves and F-measure histogram of different methods on SOD dataset圖9 多種算法在SOD數據集上P-R曲線與F-measure柱狀圖比較

Fig.10 Saliency maps computed by different methods圖10 多種算法效果圖

4.4 與單層算法比較

本文算法考慮多層圖像之間的特征信息，與單尺度圖像在SOD數據集上進行了準確率-召回率的比較，其他3個數據集上的總體比較結果類似。從圖11中可以看出，不同層次的圖像其效果不同。大尺寸對于大的顯著性目標的檢測結果比較完整，小尺寸對于圖像的細節檢測得比較好?？偟膩碚f，層1包含小結構信息，容易檢測出與邊界有較大差異的細節，其平均檢測效果較層2與層3好。而層2和層3分割尺寸較大，每個超像素塊包含的像素個數多，其檢測的誤差偏大，但仍然存在與尺度相關的問題。本文算法也優于直接對多尺度顯著圖求均值的效果。

Fig.11 Precision-Recall curves of different scales on SOD database圖11 SOD數據集多層與單層P-R曲線

4.5 運行時間比較

在Intel?CoreRMi5-2410M CPU和4 GB RAM環境下進行算法的對比實驗。多種算法的平均運行時間如表1所示。其中，本文算法的SLIC分割花費了0.696 s（大約36%），利用流形排序算法得到3個尺度的顯著圖計算花費了0.618 s（32%），多尺度圖像的融合花費0.464 s（24%）。本文算法增加了3次超像素分割與顯著性計算，因此其運行時間稍微高于MR、FT、IM和RC算法，但是明顯低于BS、CA算法。結合上面的3種量化指標，本文算法仍然具有優勢。

Table 1 Comparison of average running time on different methods表1 多種算法平均運行時間比較

5 結束語

本文針對傳統基于圖的流形排序算法忽略顯著圖層次信息的問題，提出了一種多尺度的流形排序算法。利用多尺度分析，產生不同的顯著性檢測結果圖，并利用圖模型對多個顯著圖進行融合。在4種顯著性檢測數據集上與9種顯著性方法進行對比實驗，結果顯示了本文算法的有效性和優越性。

接下來的工作考慮對圖模型進行優化，利用層次信息來構建多層圖模型，提高種子點選取的正確性；其次，考慮利用圖像輪廓等高層信息來提高圖像對于復雜場景下顯著性物體檢測的完整性和準確率；另外，在本文算法中，超像素分割花費了36%的時間，接下來也從提高分割速度方面對算法進行優化。同時，考慮將本文算法應用到如目標跟蹤、物體識別等具體檢測任務中，提高現有算法的有效性與準確性。

[1]Borji A,Cheng Mingming,Jiang Huaizu,et al.Saliency object detection:a survey[J].arXiv:1411.5878,2014.

[2]Ren Zhixiang,Gao Shenghua,Chia L T,et al.Region-based saliency detection and its application in object recognition [J].IEEE Transactions on Circuits&Systems for Video Technology,2014,24(5):769-779.

[3]Li W T,Chang H S,Lien K C,et al.Exploring visual and motion saliency for automatic video object extraction[J].IEEE Transactions on Image Processing,2013,22(7):2600-2610.

[4]Tan Min,Hu Zhenfang,Wang Baoyuan,et al.Robust objectrecognition via weakly supervised metric and template learning[J].Neurocomputing,2016,181:96-107.

[5]Lee Y J,Ghosh J,Grauman K.Discovering important people and objects for egocentric video summarization[C]//Proceedings of the 2012 IEEE International Conference on Computer Vision and Pattern Recognition,Providence,USA, Jun 16-21,2012.Piscataway,USA:IEEE,2012:1346-1353.

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

[7]Liu Tie,Sun Jian,Zheng nanning,et al.Learning to detect a salient object[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2011,32(2):353-367.

[8]Ma Yufei,Zhang HongJiang.Contrast-based image attention analysis by using fuzzy growing[C]//Proceedings of the 11th ACM International Conference on Multimedia, Berkeley,USA,Nov 2-8,2003.New York:ACM,2003: 374-381.

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

[10]Zhai Yun,Shah M.Visual attention detection in video sequences using spatiotemporal cues[C]//Proceedings of the 14th Annual ACM International Conference on Multimedia, Santa Barbara,USA,Oct 23-27,2006.New York:ACM, 2006:815-824.

[11]Achanta R,Hemami S,Estrada F,et al.Frequency-tuned salient region detection[C]//Proceedings of the 2009 IEEE International Conference on Computer Vision and Pattern Recognition,Miami,USA,Jun 20-25,2009.Piscataway,USA: IEEE,2009:1597-1604.

[12]Cheng Mingming,Mitra N J,Huang Xiaolei,et al.Global contrast based salient region detection[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2015, 37(3):569-582.

[13]Xie Yulin,Lu Huchuan,Yang M H.Bayesian saliency via low and mid-level cues[J].IEEE Transactions on Image Processing,2013,22(5):1689-1698.

[14]Wei Yichen,Wen Fang,Zhu Wangjiang,et al.Geodesic saliency using background priors[C]//LNCS 7574:Proceedings of the 12th European Conference on Computer Vision, Florence,Italy,Oct 7-13,2012.Berlin,Heidelberg:Springer, 2012:29-42.

[15]Xu Wei,Tang Zhenmin.Exploiting hierarchical prior estimation for salient object detection[J].Acta Automatica Sinica, 2015,41(4):799-812.

[16]Harel J,Koch C,Perona P.Graph-based visual saliency[C]// Advances in Neural Information Processing Systems 19: Proceedings of the 20th Annual Conference on Neural Information Processing Systems,Vancouver,Canada,Dec 4-7,2006.Cambridge,USA:MIT Press,2007:545-552.

[17]Jiang Bowen,Zhang Lihe,Lu Huchuan,et al.Saliency detection via absorbing Markov chain[C]//Proceedings of the 2013 IEEE International Conference on Computer Vision, Sydney,Australia,Dec 1-8,2013.Piscataway,USA:IEEE Press,2013:1665-1672.

[18]Yang Chuan,Zhang Lihe,Lu Huchuan,et al.Saliency detection via graph-based manifold ranking[C]//Proceedings of the 2013 IEEE International Conference on Computer Vision and Pattern Recognition,Portland,USA,Jun 23-28, 2013.Piscataway,USA:IEEE,2013:3166-3173.

[19]Zhou Dengyong,Weston J,Gretton A,et al.Ranking on data manifolds[C]//Advances in Neural Information Processing Systems 16:Proceedings of the 17th Annual Conference on Neural Information Processing Systems,Vancouver,Canada,Dec 8-13,2003.Cambridge,USA:MIT Press, 2004:169-176.

[20]Achanta R,Shaji A,Smith K,et al.SLIC superpixles compared to state-of-the-art Superpixel methods[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2012, 34(11):2274-2282.

[21]Chang F R K,Frey B J,Loeliger A.Factor graphs and the sum-product algorithm[J].IEEE Transactions on Information Theory,2001,47(2):498-519.

[22]Perazzi F,Krahenbuhl P,Pritch Y,et al.Saliency filters:contrast based filtering for salient region detection[C]//Proceedings of the 2012 IEEE International Conference on Computer Vision and Pattern Recognition,Providence,USA,Jun 16-21, 2012.Piscataway,USA:IEEE,2012:733-740.

[23]Hou Xiaodi,Zhang Liqing.Saliency detection:a spectral residual approach[C]//Proceedings of the 2007 IEEE International Conference on Computer Vision and Pattern Recognition,Minneapolis,USA,Jun 18-23,2007.Piscataway,USA: IEEE,2007:1-8.

[24]Murray N,Vanrell M,Otazu X,et al.Saliency estimation using a non-parametric low-level vision model[C]//Proceedings of the 2011 IEEE International Conference on Computer Vision and Pattern Recognition,Colorado Springs,USA,Jun 20-25,2011.Piscataway,USA:IEEE,2011:433-440.

[25]Yan Qiong,Xu Li,Shi Jianping,et al.Hierarchical saliency detection[C]//Proceedings of the 2013 IEEE International Conference on Computer Vision and Pattern Recognition, Portland,USA,Jun 23-28,2013.Piscataway,USA:IEEE, 2013:1155-1162.

附中文參考文獻：

[15]徐威,唐振民.利用層次先驗估計的顯著性目標檢測[J].自動化學報,2015,41(4):799-812.

WANG Huiling was born in 1982.She received the M.S.degree at School of Computer Science and Technology,Harbin University of Science and Technology.Her research interest is digital image processing.

王慧玲（1982—），女，安徽阜陽人，于哈爾濱理工大學獲得碩士學位，主要研究領域為數字圖像處理。

LUO Bin was born in 1963.He received the Ph.D.degree in computer science from York University in 2002.Now he is a professor and Ph.D.supervisor at Anhui University,and the member of CCF.His research interests include large image database retrieval,image and graph matching,etc.

羅斌（1963—），男，安徽合肥人，2002年于英國約克大學計算機科學專業獲得博士學位，現為安徽大學教授、博士生導師，CCF會員，主要研究領域為大規模圖像數據庫檢索，圖和圖像匹配等。

Saliency Detection Based on Hierarchical Graph Integration*

WANG Huiling1,2,LUO Bin2+
1.School of Computer and Information Engineering,Fuyang Normal College,Fuyang,Anhui 236000,China
2.School of Computer Science and Technology,Anhui University,Hefei 230601,China
+Corresponding author:E-mail:wangsheng0417@sina.com

Visual saliency detection has many applications in object segmentation,adaptive compression,object recognition and so on.It has a challenge to accurately detect the most important regions from the nature images.This paper proposes a hierarchical saliency detection algorithm based on manifold ranking for the problem of low detection accuracy with the ignorance of the spatial layout information in the existing graph-based manifold ranking algorithms. Firstly,the super pixels by multi-scale analysis are done for the decomposition of the input image.Secondly,the boundary prior is used to compute the relevance ranking score between nodes by manifold ranking.Finally,by analyzing saliency cues from the multiple level graph model,the final saliency map is generated by combining the saliency maps.The experimental results on ASD,CSSD,ECSSD and SOD image datasets,demonstrate that the detection precision outperforms the nine state-of-the-art algorithms while still preserving high recall.

saliency detection;manifold ranking;super-pixel segmentation;multi-scale analysis;graph model

10.3778/j.issn.1673-9418.1607044

A

TP391.4

*The National High Technology Research and Development Program of China under Grant No.2014AA015104(國家高技術研究發展計劃(863計劃)).

Received 2016-07,Accepted 2016-09.

CNKI網絡優先出版:2016-09-08,http://www.cnki.net/kcms/detail/11.5602.TP.20160908.1047.022.html