基于背景顯著性和前景顯著性相結合的紡織印染圖像顯著性檢測

尚新聞

（新鄉(xiāng)職業(yè)技術學院，河南 新鄉(xiāng) 453006）

1 相關工作

首先，通過收集紡織印染圖像邊界的超像素獲得一個邊界集，然后再移除超出圖像邊界集外具有很強圖像邊緣的超像素，以減少前景噪聲，從而獲得背景超像素種子，通過計算每個超像素與背景種子之間的顏色、空間及距離獲得基于背景的顯著圖[1]。其次，在基于背景的顯著圖基礎之上采用基于PCNN的自適應閾值分割圖像，并選擇其中更有可能是顯著目標的超像素作為前景種子，然后通過計算前景種子的顏色和空間相似度得到基于前景的顯著圖。接著提出一個公式來整合這兩個顯著圖，其中基于背景的顯著圖可以突出目標，基于前景的顯著圖可以抑制背景噪音，統(tǒng)一后的顯著圖再通過顯著性擴散和高斯衰減細化，得到的最終結果更加準確。

2 實驗評估

2.1 基于背景的顯著性檢測

為了更好地捕捉圖像的結構信息，實驗利用簡單的線性迭代聚類算法（Simple Linear Iterative Clustering，SLIC）將原始圖像分割成小區(qū)域，即超像素作為最小處理單元。包括基于背景和前景種子選擇的顯著性檢測圖、綜合顯著圖以及它的優(yōu)化[2]。

2.1.1 背景種子選擇

基于觀察的對象可能出現(xiàn)在圖像的中心或附近，首先沿著圖像邊界提取超像素作為先驗背景的區(qū)域。由于邊界區(qū)域的一些前景噪音也可能對顯著性檢測產(chǎn)生負面影響，提出一種基于圖像邊界信息的機制，去除前景噪聲并從選擇的邊界超像素中選擇背景種子[3]。

首先文章利用邊界概率（PB）來檢測圖像邊界。第i個超像素的邊界特征通過沿著超像素i的邊緣輪廓的像素平均PB值來計算，如公式（1）所示。

其中，Bi是超像素i的邊緣像素集，|Bi|表示其基數(shù)。像素i的PB值用Ipb表示。由于邊界特征明顯的超像素更有可能是顯著目標，那么去除那些邊界特征大于自適應灰度閾值的超像素，剩余的超像素則被選擇為背景種子，它們包含更穩(wěn)定、更可靠的背景信息。

2.1.2 背景種子的差異性

實驗發(fā)現(xiàn)，超像素與背景種子的顏色差異越大就越有可能是顯著目標。另一方面，背景種子對相似的超像素更有利。因此，利用空間加權顏色對比度來構造基于背景的顯著圖效果更好。

把背景種子設為BG，那么超像素i基于背景種子的顯著值計算如公式（2）所示。

其中，d（Ci,Cn）和d（Ii,In）分別表示背景種子集BG中的第i個和第n個超像素之間的歐式顏色和空間距離，二者的距離在[0，1]之間。權衡參數(shù)θ用于調整顏色和空間條件。此外，為了避免背景種子集中超像素自相似值為零的情況，用下列公式重新計算公式（2）中的顯著值Sb。

其中|BG|表示背景種子集BG的基數(shù)，最后通過所選的背景種子獲得基于背景的顯著圖。

2.2 基于前景的顯著性檢測

2.2.1 前景種子選擇

不同于以往的方法，它們通過計算每個紡織印染圖像區(qū)域與整體圖像的全局或局部差異來計算顯著值。首先將每個超像素與背景種子相比較以獲得基于背景的顯著圖，其次從中選擇一組前景種子用來進一步計算基于前景的顯著圖。根據(jù)來自紡織印染圖像角點檢測的凸殼粗糙地定位物體，利用基于背景的顯著圖生成前景種子，然后計算基于背景的顯著圖，最后選擇其中基于背景的顯著值大于該閾值的超像素組成一個前景種子集FG。因為在不同的圖像中顯著值的范圍變化很大，通過自適應閾值生成并選擇的前景種子比使用固定的值生成的更加準確和可靠[4]。

2.2.2 前景種子的相似性

如果超像素與前景種子越相似就越有可能是顯著對象。計算每個超像素與前景種子的空間色彩相似性，來描述超像素基于前景的顯著性，類似于與公式（2）中基于背景的顯著性計算，基于前景的顯著性計算如公式（5）所示。

其中，d（Ci,Cn）和d（Ii,In）分別為前景種子集FG中第i個超像素與第n個超像素之間的歐式顏色和空間距離，λ和?是兩個用來平衡顏色和位置距離的權重參數(shù)，在實驗中將它們都設置為1。為了避免前景種子的超像素自相似為零的情況，在公式（5）中重新計算了顯著值，同樣，利用公式（3）和（4）將前景種子集FG取代BG。然后獲得最終的基于前景的顯著圖。

2.3 基于背景和前景相結合的顯著性檢測

2.3.1 算法思想

首先將基于背景顯著圖的正樣本概率進行排序，計算小梯形的面積并求和得到AUC的結果。然后通過求ROC曲線所覆蓋的區(qū)域面積再對基于前景顯著圖的AUC值進行計算。實驗證明，基于前景的顯著圖比基于背景的顯著圖的效果更好。但是，通過分割基于背景顯著圖得到的前景種子對顯著性檢測有一定的負面影響，即帶來一些噪聲污染。基于背景的顯著圖可以更均勻地突出物體，而基于前景的顯著圖則可以更好地抑制背景噪聲，因此結合背景和前景信息的優(yōu)勢，即上述兩種算法的長處，經(jīng)過反復試驗，最終提出一種能夠綜合上述兩種顯著圖的，見公式（6）。

通過使用公式（6）綜合這兩個顯著圖，可以獲得一個統(tǒng)一的顯著圖。因此，綜合的顯著圖S可以利用這兩個顯著圖，即公式（6）中和的優(yōu)勢，進一步證明提出公式的有效性。

2.3.2 優(yōu)化方法

2.3.2.1 顯著擴散

即使是最好的分割算法也無法避免將一個紡織印染圖像區(qū)域分成多個小的均勻區(qū)域，所以，在相似的超像素中采用顯著性擴散方法來增強顯著圖的連續(xù)性[5]。

首先利用K-means聚類算法將圖像超像素聚類為K個集群。假設在集群k（k=1，2，…，k）中有M個超像素。屬于集群k的超像素i（i=1，2，…，M）的顯著性用S(k)表示。

2.3.2.2 高斯衰減

通過上述步驟，得到了最終的顯著圖，經(jīng)過對顯著圖的顯著擴散使顯著圖更為均勻地突出對象，借助高斯衰減使顯著圖去除了基于前景顯著圖帶來的背景噪聲[6]。

3 結語

通過集成基于背景的顯著圖和基于前景的顯著圖得到紡織印染圖像的顯著圖，并對它進行優(yōu)化，得到一個最終的顯著圖。為了充分利用基于背景和基于前景顯著圖和各自優(yōu)勢，通過提出一個統(tǒng)一的公式將兩者綜合起來，以便達到最優(yōu)的顯著圖。盡管該算法與先進的顯著性檢測算法相比有一定的優(yōu)越性，但也有不足之處，在進行前景種子選擇時引入了一些背景噪聲，盡管使用了顯著性擴散和高斯衰減的方法進行了優(yōu)化，但是最終結果還是會導致一些顯著區(qū)域的丟失，所以如何更好地解決這個問題需要繼續(xù)研究。