一種基于流行排序的顯著性目標檢測的改進方法

溫彬彬　王麗佳　李月朋　胡雪花　陳旭鳳

【摘 要】該文對現流行的基于圖的流行排序顯著性目標檢測算法[1]分析算法中存在的先驗背景過于理想化的缺陷，提出了一種基于全局對比度的前景特征[2]特征與背景特征進行有機結合使得查詢節點更為精準，從而使顯著性檢測更為準確有效。

【關鍵詞】排序;檢測;改進方法

中圖分類號： TP391.41 文獻標識碼： A文章編號： 2095-2457（2019）29-0186-002

DOI：10.19694/j.cnki.issn2095-2457.2019.29.088

An Improved Method of Significance Target Detection Based on Epidemic Sequencing

WEN Bin-bin WANG Li-jia LI Yue-peng HU Xue-hua CHEN Xu-feng

（Hebei institute of industrial technology， Shijiazhuang Hebei 050091， China）

【Abstract】This：paper is now popular popular sort significant target detection algorithm based on graph analysis algorithm[1]too idealistic defects existing in the prior background， proposed a based on the outlook for the global features[2]and the background characteristics of the organic combination of query node makes more accurate， making significant detection more accurate and effective.

【Key words】The sorting; Detection; Improved method

0 引言

信息高速發展的現代社會，圖像信息是主要的數據資源，海量的信息給圖像的高效處理帶來了巨大的挑戰，人們往往只關心圖像或者視頻中小區域內容，那圖像處理的時候就需要把人們感興趣的區域找出來，圖像顯著性檢測是計算機視覺領域的關鍵技術之一。圖像顯著性檢測研究的主要內容是如何準確快速的提取圖像中感興趣的區域。

1 基于圖的流行排序顯著性算法

基于圖的流行排序顯著性算法（MR算法）是目前研究較多、效果較為顯著的一類算法，MR 算法的過程是一個兩階段的流形排序過程，定義圖模型，選取圖像邊界處的節點作為背景種子點，以背景種子點作為查詢節點進行流行排序，構造第一階段顯著圖，然后對得到的顯著圖自適應閾值分割后選取前景種子點，以前景種子點作為查詢節點進行流行排序，構造最終顯著圖。可以看出，MR算法將第二階段的種子節點是建立在第一階段的輸出顯著圖的基礎上，最終顯著圖依賴于第一階段獲取的邊界節點特征是否明顯，當前景目標有較大部分接觸到圖像邊界時，MR效果不佳。

2 改進的算法

本文在MR算法的基礎上研究提出了一種在背景種子點篩選上的改進算法，旨在保留MR算法對大部分圖像的良好實驗效果，同時改進MR算法先驗背景過于理想化的缺陷。由于MR算法只考慮了背景特征二沒有考慮前景特征，無法得到一些參考全局對比度才能檢測到的顯著區域，本文的算法引入了基于全局對比度的前景特征，將前景和背景作為樣本點進行排序生成顯著圖[3-5]

本文方法基于MR算法中的閉環圖模型，將所有節點設為查詢節點，相當于直接利用閉環圖本身的最優相似度矩陣 A，計算每個節點與其他節點的差異和。在公式f*=（D-？鄣W）-1y中令y=|1，1，1，…，1|T以此可以得到一個顯著圖Sfg，該顯著圖即為考慮到全局特征得到的各個節點的顯著值，計算公式為Sfg=A*|1，1，1，…，1|T， Sfg對應到每個像素構成的顯著圖就是基于前景特征的顯著圖Sfg用自適應閾值進行二值化，得到的被標記為顯著的節點的集合就是前景特征種子節點。

圖1 算法過程示意圖

算法的流程是：首先對原圖像進行超像素分割，以超像素為節點構建閉環圖模型[6]，過流行排序構建前景和背景特征顯著圖，然后二值化得到前景種子和背景種子，將兩類種子結合作為第二階段的查詢節點，再一次通過流形排序算法，即得到了最終的顯著圖。算法過程示意如圖1所示

具體步驟如下：

Input：圖像Image

Output：圖像超像素分割節點圖，圖像最終的顯著圖

1）將圖像利用SLIC的方法進行超像素分割，以每一個超像素的節點建立閉環圖G，計算度矩陣D和權值矩陣W。

2）計算矩陣（D-αW）-1，將對角線元素置為0。

3）基于前景特征的流行排序：依據公式Sfg=A*|1，1，1，…，1|T，將所有節點作為查詢節點進行流行排序計算，得到前景特征顯著圖Sfg，以自適應與之二值化后得到前景種子。

4）基于背景特征，依次采用上、下、左、右邊界的結點作為樣本，生成指示向量y，計算出對應邊界的第一階段顯著性圖，將第一階段的顯著圖二值化的結果作為查詢節點在進行一次流行排序計算，最后整合成顯著性圖像Sbq，再將其進行二值化得到背景種子。

5）將前景種子和背景種子進行結合得到最終的查詢節點。

具體結合方法為：

（1）計算初始前景fgQuery種子和背景種子的交集，即兩次被標記為顯著區域的節點集合）初始背景bgQuery（前景種子和背景種子的非，即兩次被標記為非顯著區域的節點集合）候選查詢節點candidate（剩余的種子點，即待判定為前景或背景的點）[7]。

（2）判斷圖像的前景種子和背景種子的相似性，若相似性較大則命為場景1，若前景種子和背景種子存在部分差異，則命為場景2，若前景種子和背景種子存在顯著差異，則命為場景3，若符合場景1或者場景3，令最終查詢節點fianl Query=背景種子，直接進行最終的計算;否則，繼續下列步驟。

（3）最終查詢節點初始化為初始前景mapfinal=fg Query，對于每個候選節點candidate與初始前景平均特征的歐幾里得距離，最為候選節點與初始前景的相似度。

6）由fianl Query得到矩陣y，利用公式f*=（D-？鄣W）-1y計算各個節點的排序值，得到的排序值即為各個超像素的顯著值。將超像素節點的顯著值對應到圖像中的每個像素，求得圖像的顯著圖saliencymap。

3 結果分析及總結

圖2? ? ? ? ? ? ? ? ? ? ? ? 圖3

圖2是利用經典的MR算法檢測后結果，圖3是改進算法后的檢測結果，由圖分析可以看出，改進的算法效果較為好。

文章針對現在流行的MR算法中僅使用圖像四個方向邊界處的節點作為查詢節點的問題，提出了基于全局對比度的前景特征，并將前景特征與背景特征進行有機結合，使得查詢節點更為精準，從而使顯著性檢測更為準確有效。

【參考文獻】

[1]Yang C，Zhang L，Lu H，? et? al.? Saliency? Detection? via? Graph- Based? Manifold? Ranking[C].2013? IEEE? Conference? on? Computer? Vis ion? and? Pattern? Recognition IEEE? Computer? Society， 2013：3166-3173.

[2]L.Wang， J.Xue， N.Zheng， and G.Hua. Automatic salient object extraction with contextual cue. In ICCV， 2011.1.

[3]Y. Lu， W.Zhang，H.Lu， and X.Y. Xue.Salient object detection using concavity context. In ICCV， 2011.1.

[4]M.M.Cheng，G.X.Zhang，N.J.Mitra，X.Huang，and S.M.Hu.Global contrast based salient region detection.In CVPR， 2011.1， 4，6.

[5]Y.L.Xie， H.C.Lu，and M.H.Yang. Bayesian saliency via low and mid level cues.IEEE TIP， 2013.1，6.

[6]J.Sun，H.C.Lu，and S.F.Li.Saliency detection based on integration of boundary and soft-segmentation. In ICIP，2012.1.

[7]汪梅.基于流行排序和結合前景背景特征的顯著性檢測[J].計算機應用，2016（2）.