賈 寧， 柳先輝， 陳宇飛， 趙衛(wèi)東， 邢尚文

(1. 同濟(jì)大學(xué) 電子與信息工程學(xué)院， 上海 201804; 2. 國家電網(wǎng)集團(tuán), 山東 濟(jì)南 250000)

人的眼睛具有快速、準(zhǔn)確發(fā)現(xiàn)視野中感興趣物體的能力[1].在機(jī)器視覺領(lǐng)域識(shí)別感興趣物體的過程被定義為顯著性檢測.顯著性檢測是機(jī)器視覺領(lǐng)域的基礎(chǔ)性工作，其主要目的就是讓計(jì)算設(shè)備模仿人的視覺系統(tǒng)使其具有快速發(fā)現(xiàn)圖像中需要重點(diǎn)關(guān)注區(qū)域的能力.顯著性檢測理論已經(jīng)大量應(yīng)用于圖像壓縮[2]、目標(biāo)識(shí)別[3]、圖像分割[4]等領(lǐng)域，并且取得了顯著的效果.雖然顯著性檢測理論已經(jīng)在多個(gè)領(lǐng)域內(nèi)得到廣泛應(yīng)用，但是在顯著性檢測研究中依然存在有許多難點(diǎn)，其中一個(gè)重要的難點(diǎn)就是顯著性檢測算法的準(zhǔn)確率與魯棒性問題.由于不同的顯著性檢測算法的側(cè)重點(diǎn)不同，導(dǎo)致算法在一個(gè)數(shù)據(jù)集上表現(xiàn)較好，而在其他數(shù)據(jù)集上表現(xiàn)較差.

隨著機(jī)器視覺的發(fā)展，近年來人們提出了很多視覺顯著性檢測的算法和框架來解決上述問題，這些模型和框架主要分為兩類[5]，一類是受數(shù)據(jù)驅(qū)動(dòng)的自下向上的顯著性檢測方法，一類是由任務(wù)驅(qū)動(dòng)的自上而下的顯著性檢測方法.基于數(shù)據(jù)驅(qū)動(dòng)的方法依靠數(shù)據(jù)本身的特征來進(jìn)行顯著性檢測；基于任務(wù)驅(qū)動(dòng)的方法依靠任務(wù)對(duì)象的屬性來進(jìn)行顯著性檢測.這兩類顯著性檢測方法都存在自身的優(yōu)點(diǎn)與不足:自下而上的顯著性檢測方法具有生物學(xué)以及神經(jīng)學(xué)理論的支撐,對(duì)于背景復(fù)雜的場景較為有效，缺點(diǎn)是這類方法僅僅是利用圖像的底層特征,難以刻畫圖像對(duì)象的多義性；自上而下的顯著性檢測方法根據(jù)顯著對(duì)象的語義特征來定位顯著性的區(qū)域，同時(shí)利用圖像的場景信息來提高顯著性檢測的可靠性與準(zhǔn)確性，這類算法能夠充分表達(dá)圖像內(nèi)容的對(duì)象性以及輪廓特征，但這類方法沒有生物學(xué)理論的支撐，在進(jìn)行顯著性檢測的時(shí)候需要預(yù)先給出具體的檢測任務(wù)來確定檢測目標(biāo).近年來隨著機(jī)器學(xué)習(xí)以及深度學(xué)習(xí)技術(shù)的發(fā)展，人們開始使用基于深度學(xué)習(xí)的方法對(duì)圖像進(jìn)行處理，這類方法往往可以取得常規(guī)方法難以達(dá)到的效果.但是基于深度學(xué)習(xí)的方法在前期的訓(xùn)練過程中需要大量的圖片信息，而在某些特定的環(huán)境下是無法滿足這個(gè)前提的，所以常規(guī)方法仍有其存在的價(jià)值.

本文提出了一種結(jié)合圖像的底層特征和高層特征的多尺度的顯著性檢測算法.首先對(duì)圖像進(jìn)行濾波處理,將與顯著性檢測的非相關(guān)的細(xì)節(jié)信息進(jìn)行平滑[6].其次利用像素的空間分布先驗(yàn)[7]和顏色先驗(yàn)[8]，獲得像素尺度上的顯著圖.再次，利用SLIC(simple linear iterative clustering)對(duì)圖像進(jìn)行分割[9]，抽取圖像邊界區(qū)域的超像素以及待檢測超像素的鄰接超像素和二鄰階超像素作為待檢測超像素的顯著支撐區(qū)域，計(jì)算待測超像素與顯著支撐區(qū)域在Lab顏色空間以及LM(Leung-Malik)最大響應(yīng)值上的顏色空間距離來獲取超像素尺度上的顯著圖.第四，利用圖割算法[10]對(duì)圖像進(jìn)行多次區(qū)域分割，利用先驗(yàn)信息、圖像塊在Lab顏色空間、Hue等特征進(jìn)行局部對(duì)比獲得圖像在每一分割尺度下的顯著圖，然后將不同尺度下的顯著圖進(jìn)行合并獲得圖像塊尺度上的顯著圖.第五，由于不同尺度上的顯著圖對(duì)于圖像最終的顯著性計(jì)算的貢獻(xiàn)不同，不同于文獻(xiàn)[11]中依靠經(jīng)驗(yàn)進(jìn)行加權(quán)賦值的方法，本文利用CRF(conditional random field)框架對(duì)每一部分的貢獻(xiàn)進(jìn)行加權(quán)，得到理論上更好的顯著圖.

將本文算法與多種典型算法在兩個(gè)公開數(shù)據(jù)集(ECSSD、MSRA 1000)上進(jìn)行實(shí)驗(yàn)對(duì)比，發(fā)現(xiàn)本文算法在準(zhǔn)確性和魯棒性方面都有較好的表現(xiàn).

1 相關(guān)工作

由于對(duì)于圖像中顯著對(duì)象的大小缺乏先驗(yàn)知識(shí)，所以在一個(gè)尺度上無論采用何種基于對(duì)比的顯著性檢測方法，都不可能取得令人滿意的效果.文獻(xiàn)[12-14]將圖像劃分為多個(gè)尺度，分別獲取每一個(gè)尺度上的顯著性檢測結(jié)果，最后對(duì)多個(gè)結(jié)果進(jìn)行加權(quán)融合.文獻(xiàn)[13]利用圖割算法，通過不斷調(diào)整圖割算法的參數(shù)將圖片劃分為10個(gè)不同的尺度，利用局部對(duì)比方法獲得每一尺度上的顯著圖，最后對(duì)各個(gè)顯著圖通過求均值的方式獲得最終的顯著性檢測結(jié)果.文獻(xiàn)[12]利用超像素分割方法將圖像分割為多個(gè)超像素，根據(jù)相鄰超像素特征的相似性對(duì)鄰接進(jìn)行合并，將每一張圖像劃分為四個(gè)尺度，然后根據(jù)局部對(duì)比方法獲取每一尺度上的顯著圖，最后通過加權(quán)求和的方式獲得最終的顯著圖.文獻(xiàn)[14]對(duì)圖像進(jìn)行超像素分割，利用全局對(duì)比方法獲得每一個(gè)超像素的顯著值，并計(jì)算相鄰超像素的特征差異，根據(jù)超像素的顯著值與特征差異對(duì)超像素進(jìn)行區(qū)域合并，通過不斷的重復(fù)合并，最終將一張圖像表達(dá)為一個(gè)多尺度的樹結(jié)構(gòu)，最后對(duì)樹結(jié)構(gòu)進(jìn)行加權(quán)求和得到最終的顯著圖.

目前多尺度融合的方式主要有兩種：基于概率論的方法和基于經(jīng)驗(yàn)的方法.文獻(xiàn)[15]采用貝葉斯方法將基于前景種子和基于背景種子獲得的顯著結(jié)果進(jìn)行加權(quán)融合，該方法將其中一個(gè)結(jié)果作為先驗(yàn)來對(duì)另一結(jié)果進(jìn)行概率結(jié)算，最后將結(jié)果相加得到最終的結(jié)果.文獻(xiàn)[7]采用學(xué)習(xí)的方式對(duì)多個(gè)尺度上的顯著圖進(jìn)行融合，同一個(gè)測試樣本集上將不同方法獲得的顯著圖與真值進(jìn)行對(duì)比，準(zhǔn)確度高的方法獲得較大的權(quán)重.文獻(xiàn)[16]以及文獻(xiàn)[11]采用最簡單的相加和相乘的方式對(duì)多個(gè)顯著圖進(jìn)行融合，而沒有衡量不同尺度上顯著性檢測結(jié)果對(duì)最終生成結(jié)果的影響不同.

圖像多尺度的劃分大部分是從超像素尺度上開始的，這種方法忽略了圖像底層特征的差異[17]，同時(shí)顯著性檢測結(jié)果嚴(yán)重依賴于圖像超像素分割的結(jié)果，如果超像素劃分的結(jié)果不佳，那么將可能得不到令人滿意的顯著性檢測結(jié)果.為了克服上述問題，本文提出的多尺度顯著性檢測方法將像素劃分為最底層的尺度，來進(jìn)行顯著性檢測，同時(shí)為了克服單一方法的局限性，本文在不同尺度上采用不同的顯著性檢測方法，這樣可以更好地檢測出具有不同顯著性屬性的顯著性區(qū)域.

2 多尺度圖像顯著性檢測算法步驟

圖1為本文算法的框架結(jié)構(gòu)圖，從中可以看出算法主要分為兩大部分：①多層次初始顯著性檢測結(jié)果的獲?。虎谌诤隙喑叨瘸跏硷@著性檢測結(jié)果，獲得最終的顯著圖.圖2為不同尺度上的顯著性檢測的結(jié)果.

2.1 圖像平滑

圖1 算法框架圖 Fig.1 Diagram of proposed method

a 輸入圖片

b 像素尺度顯著圖

c 超像素尺度顯著圖

d 圖像塊尺度顯著圖

e 最終顯著圖

f 真值 圖2 不同尺度上的顯著圖 Fig.2 Saliency maps at different scales

心理學(xué)實(shí)驗(yàn)表明,人的視覺系統(tǒng)對(duì)圖像中的中頻特征比高頻特征更加敏感，圖像中的高頻特征不僅不會(huì)對(duì)圖像的顯著性檢測提供幫助，而且還會(huì)在一些顯著性模型中被當(dāng)作噪聲處理.同時(shí)圖像大量存在的細(xì)小紋理變化，也會(huì)給圖像的顯著性檢測造成不利的影響，所以為減少高頻特征對(duì)算法的性能的影響，首先對(duì)原始輸入圖像進(jìn)行平滑處理，實(shí)現(xiàn)對(duì)圖像中高頻特征的抑制.本文采用文獻(xiàn)[6]中的方法對(duì)圖像進(jìn)行平滑處理.平滑處理的目標(biāo)函數(shù)為

(1)

式中：I為原始圖像;S為平滑后的圖像;p為圖像像素;λ=0.07為平滑參數(shù),決定模型對(duì)圖像的平滑程度;ε=2為防止分母為0的一個(gè)小正數(shù);Dx(p)與Dy(p)分別是以點(diǎn)p為中心的矩形框中，所有像素點(diǎn)沿著X軸方向與Y軸方向的總變分;Lx(p)和Ly(p)作為區(qū)分紋理主要結(jié)構(gòu)的內(nèi)在變分.圖3為圖像平滑前后的對(duì)比圖.

a 原始圖像

b 平滑后圖像 圖3 圖像平滑處理 Fig.3 Smoothed image

2.2 像素尺度

2.2.1顏色先驗(yàn)

多種顏色通道共同作用使得圖像呈現(xiàn)出不同的色彩，以RGB顏色空間為例,理論上一幅圖像最多含有2553種顏色，這些顏色根據(jù)色彩上的相似性可以簡單分為十幾類，顏色類與類之間的色彩差異比較大，類內(nèi)的差異比較小.本文認(rèn)為一種顏色在圖像中的空間分布越廣，空間分布方差越大，該顏色屬于背景的可能性越大.根據(jù)這個(gè)前提,本文利用GMM(Gaussian mixed model)模型來表示每個(gè)像素點(diǎn).

(2)

式中:I(x,y)為圖像中坐標(biāo)為(x,y)的像素點(diǎn);c為第c個(gè)顏色分量;μc和σc分別為第c個(gè)分量的均值和方差;N(,)為高斯模型;ωc為第c個(gè)分量權(quán)重.本文采用最大估計(jì)法對(duì)式(2)求解.

(3)

式中：C為所有的顏色分量，每個(gè)顏色分量的空間坐標(biāo)位置可以簡化為

(4)

式中:vh(c*)、vv(c*)分別為第c*顏色分量中所有像素點(diǎn)在X方向和Y方向的上的坐標(biāo)均值;N為顏色分量c*中具有最大似然值的個(gè)數(shù).每個(gè)顏色分量的空間分布方差定義為

V(c*)=max(vh(c*),vv(c*))

(5)

通過大量實(shí)驗(yàn)發(fā)現(xiàn)，當(dāng)顏色的分量的總數(shù)取4或者5時(shí)實(shí)驗(yàn)的效果最好，本文選擇的顏色分量的個(gè)數(shù)為4，圖4為基于顏色空間分布得出的顯著圖.

圖4 基于顏色空間分布的顯著圖 Fig.4 Saliency maps based on color spatial distribution

2.2.2空間分布先驗(yàn)

根據(jù)文獻(xiàn)[11]中的描述，暖色調(diào)的物體要比冷色調(diào)的物體更能吸引人的注意力，也就是說暖色調(diào)的物體比冷色調(diào)的物體顯著值更高.根據(jù)這一結(jié)論,本文構(gòu)建了基于顏色先驗(yàn)的視覺顯著性檢測方法.在Lab顏色空間中，a通道值的大小代表了顏色從綠色到紅色的過度程度，而b通道值的大小代表了顏色從藍(lán)色到黃色的過度程度.由于綠色與藍(lán)色屬于冷色調(diào)，而紅色與黃色代表暖色調(diào)，所以a通道與b通道之和衡量了該像素顏色的冷暖程度，也就決定了該顏色顯著值的大小.

根據(jù)上面的分析，本文采用文獻(xiàn)[8]中提出的方法對(duì)像素點(diǎn)的顯著性進(jìn)行度量.首先將上述兩個(gè)顏色通道進(jìn)行歸一化處理.

(6)

式中:fan(x,y)=[0,1]與fbn(x,y)=[0,1]分別表示坐標(biāo)為(x,y)的像素n在a通道與b通道的顏色值;maxa和maxb分別表示所有像素點(diǎn)在a通道和b通道的最大值;mina和minb分別表示所有像素點(diǎn)在a通道和b通道的最小值;fan(x,y)與fbn(x,y)的和反映了像素n的顯著性.最后通過公式(7)對(duì)每個(gè)像素點(diǎn)的顯著性進(jìn)行賦值.

(7)

式中:σ為調(diào)節(jié)參數(shù)，令σ2=0.25.結(jié)合圖像顏色先驗(yàn)，最終像素尺度上的顯著值定義為

Sp(x，y)=Sf(x,y)+Sc(I(x,y))

(8)

圖5為基于顏色先驗(yàn)獲得的顯著性檢結(jié)果.

圖5 基于顏色先驗(yàn)的顯著圖 Fig.5 Saliency detection based on color-prior

2.3 超像素尺度

基于文獻(xiàn)[18]得出兩個(gè)結(jié)論：①距離超像素越近的區(qū)域?qū)υ摮袼氐娘@著性檢測結(jié)果影響越大;②圖像的顯著性區(qū)域一般處于遠(yuǎn)離圖像邊界的區(qū)域.

(9)

式中:d(,)為兩個(gè)超像素在Lab顏色空間的歐氏距離.

超像素顯著支撐區(qū)域的提取見圖6.

將中心超像素的一階鄰接區(qū)域、二階鄰接區(qū)域以及背景模板B總稱為超像素的顯著性支撐區(qū)域.利用文獻(xiàn)[19]中的方法提取所有超像素的Lab平均

圖6 超像素顯著支撐區(qū)域的提取 Fig.6 Salient support region of center superpixel

顏色特征vLab、Lab直方圖特征hLab以及LM最大值特征htex構(gòu)建超像素的特征向量，兩個(gè)超像素間的特征差異定義為

(10)

式中:χ2(,)為兩個(gè)超像素之間的卡方距離;λ為權(quán)重參數(shù).

最后超像素的顯著性計(jì)算公式定義如下：

(11)

式中:ω為權(quán)重參數(shù).

圖7為超像素尺度上圖像顯著性檢測的結(jié)果.

圖7 超像素尺度上的顯著圖Fig.7 Salieny maps on superpixel scales

2.4 圖像塊尺度

(12)

(13)

2.5 多尺度融合

目前多尺度融合過程中的權(quán)重參數(shù)主要采用經(jīng)驗(yàn)優(yōu)先或者求均值的方式獲取，這兩種方法不僅浪費(fèi)資源而且對(duì)于得到的結(jié)果是否最優(yōu)缺乏理論支撐.本文采用CRF框架來融合多尺度顯著性檢測結(jié)果，該方法不僅可以避免大量的常識(shí)性計(jì)算還能獲得理論上更好的效果.條件隨機(jī)場是一種判別式概率模型，其形式是根據(jù)模型的特征輸入(觀察值)以及隨機(jī)變量之間的相互關(guān)系來預(yù)測輸出的概率分布，近年來?xiàng)l件隨機(jī)場主要應(yīng)用于序列標(biāo)注以及狀態(tài)預(yù)測，并在機(jī)器學(xué)習(xí)與大數(shù)據(jù)分析方面表現(xiàn)突出.

2.5.1CRF融合

圖8 圖像塊尺度上的顯著圖Fig.8 Salieny maps on region scales

圖像顯著區(qū)域一般位于一個(gè)相對(duì)集中的區(qū)域，因此可以通過像素周圍區(qū)域的像素的顯著性判斷中心像素是否顯著，這樣顯著性檢測方法更具魯棒性.但是這種方法過度依賴于其周圍像素，當(dāng)像素位于顯著區(qū)域的邊緣位置時(shí)，該方法便不再有效.為了彌補(bǔ)這個(gè)不足，本文采用基于CRF的多尺度融合方法，利用像素之間的相互關(guān)系，同時(shí)采用增加觀測值的方法，克服了上述方法的不足.本文將不同尺度上的顯著性檢測結(jié)果作為條件隨機(jī)場模型的特征輸入，相鄰像素之間的特征值作為隨機(jī)變量之間的相互關(guān)系，通過訓(xùn)練學(xué)習(xí)，獲得模型的參數(shù)組合，對(duì)圖像的顯著區(qū)域進(jìn)行預(yù)測.根據(jù)條件隨機(jī)場理論的一般模型，本文中的CRF模型為

(14)

式中:I為輸入圖像;z為歸一化因子.

圖像I中的顯著區(qū)域表示為一個(gè)二值模板A={ax}，ax=1,說明像素x屬于顯著區(qū)域;ax=0,則說明像素x屬于背景區(qū)域.

E(A/I)定義為

(15)

式中:等式右邊第一項(xiàng)為輸入特征(觀察值);第二項(xiàng)為隨機(jī)變量的相互關(guān)系;(x,x′)為鄰接像素;γk為第k個(gè)特征權(quán)值，其中

(16)

式中:fk(x,I)為像素x是屬于顯著區(qū)域的概率(像素的顯著值).

S(ax,ax′,I)=|ax-ax′|exp(-βd(x,x′))

(17)

2.5.2CRF訓(xùn)練過程

本文CRF模型的特征輸入(觀察值)以及隨機(jī)變量之間的相互關(guān)系，可以通過多尺度顯著圖來獲得，未知變量僅有模型參數(shù)γ.本文通過對(duì)模型進(jìn)行訓(xùn)練獲得該參數(shù)組合.從MSRA10K中抽取一千張圖片作為訓(xùn)練集，對(duì)CRF模型求解參數(shù).

(18)

式中:(A,I)為訓(xùn)練的圖像樣本.參考文獻(xiàn)[20],本文使用最大似然估計(jì)的方法對(duì)式(18)求解，獲得最優(yōu)的權(quán)值.

3 實(shí)驗(yàn)與分析

將本文提出的算法與9種經(jīng)典算法在兩個(gè)公共數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)對(duì)比，通過實(shí)驗(yàn)結(jié)果來定性、定量檢驗(yàn)本文模型的實(shí)際效果.

3.1 數(shù)據(jù)集與實(shí)驗(yàn)設(shè)置

實(shí)驗(yàn)在MSRA10K和ECSSD數(shù)據(jù)集上進(jìn)行.MSRA10K數(shù)據(jù)集包含有10 000張內(nèi)容豐富且含有確定顯著性對(duì)象的圖像數(shù)據(jù),ECSSD數(shù)據(jù)集包含有1 000張含有確定顯著性對(duì)象的數(shù)據(jù)集. ECSSD數(shù)據(jù)集中的圖片在區(qū)分前景與背景的困難程度明顯高于MSRA1000數(shù)據(jù)集.

對(duì)比算法包括:CRF[7]、AC[21]、GB[22]、FT[23]、CA[20]、PCA[18]、CB[13]、RC[19]、DSR[17].所有實(shí)驗(yàn)都是基于如下軟、硬件基礎(chǔ)進(jìn)行：操作系統(tǒng)WIN 7，開發(fā)平臺(tái)Matlab 2015(b)；Intel I 56500(3.2 GHz) ，內(nèi)存8 G.

3.2 定性比較

圖9、10分別為本文提出的方法與9種經(jīng)典算法在數(shù)據(jù)集ECSSD和MSRA 1000上的實(shí)驗(yàn)結(jié)果.從圖中可以看出,算法AC和CA不能提取顯著對(duì)象全部輪廓信息，僅僅是對(duì)圖像底層特征差異比較明顯的區(qū)域敏感；算法CRF和FT可以比較完整地檢測到顯著區(qū)域，但是這種方法將大量的非顯著區(qū)域錯(cuò)誤地檢測為顯著區(qū)域，算法的錯(cuò)誤率比較高.算法PCA和GB在實(shí)際的測試中將大量非顯著區(qū)域錯(cuò)誤地檢測為顯著區(qū)域.算法RC、DSR、CB在顯著區(qū)域集中、明確且背景簡單的圖片上與本文提出的顯著性檢測方法可以達(dá)到類似的效果，但是對(duì)于背景復(fù)雜、前景背景差異比較小的圖片,效果不及本文提出的方法.

3.3 定量分析

3.3.1評(píng)價(jià)標(biāo)準(zhǔn)的選擇

對(duì)于實(shí)驗(yàn)效果的評(píng)估需要一定的量化標(biāo)準(zhǔn)和評(píng)價(jià)方法，本部分采用P-R(precious-recall)曲線、自適應(yīng)閾值F以及平均誤差M這3個(gè)評(píng)價(jià)指標(biāo)作為度量標(biāo)準(zhǔn)，以固定閾值法和自適應(yīng)閾值法為評(píng)價(jià)方法.3個(gè)度量標(biāo)準(zhǔn)的具體描述如下：

a 輸入b ACc CAd FTe GBf PCAh CRFi CBj RCk DSRl 本文算法m 真值

圖9 不同算法在ECSSD數(shù)據(jù)集上的定性對(duì)比結(jié)果 Fig.9 Qualitative comparison of different saliency maps on ECSSD dataset

(1)P-R曲線.P-R曲線反應(yīng)的是模型得到的顯著值與真值之間的差別.P-R曲線越好,其反應(yīng)的是模型越符合其模擬的系統(tǒng).P-R曲線由兩部分組成,分別是準(zhǔn)確率P(precious)和召回率R(recall)，準(zhǔn)確率反映的是模型產(chǎn)生顯著區(qū)域與真值之間相同的部分占模型顯著區(qū)域的百分比，召回率反映的是模型產(chǎn)生顯著區(qū)域與真值之間相同的部分占真值的百分比.具體的公式表述如下：

(19)

式中:B為模型輸出的顯著區(qū)域；GT為圖像的顯著性真值.

(2) 自適應(yīng)閾值F.當(dāng)使用P-R曲線來評(píng)價(jià)一些模型的效果時(shí)，獨(dú)立地考量準(zhǔn)確率或召回率會(huì)出現(xiàn)相互矛盾的情況，為了調(diào)和兩者的矛盾需要對(duì)兩者進(jìn)行綜合的考量.定義自適應(yīng)閾值F為

(20)

參考文獻(xiàn)[6]設(shè)定式(21)中參數(shù)β2=0.3.

(3) 平均誤差M.在評(píng)估模型的實(shí)際效果時(shí)雖然P-R曲線可以獲得比ROC(receiver operating characteristic)曲線更好的表示，但是由于P-R曲線本身所具有的局限性，僅僅使用P-R曲線對(duì)模型有效性進(jìn)行刻畫還是比較片面的，因此引入平均誤差M對(duì)模型的效果進(jìn)行進(jìn)一步的評(píng)估.

(21)

式中:w、h分別為圖像的寬度與長度；S(i,j)、GT(i,j)分別為坐標(biāo)(i,j)處模型輸出的顯著值與真值.

3.3.2評(píng)價(jià)方法

(1) 固定閾值法

所謂的固定閾值法就是設(shè)定一個(gè)固定的閾值來對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行二值分割，超過閾值的部分定義為顯著區(qū)域，低于閾值的區(qū)域認(rèn)為是背景區(qū)域.通過得到的二值結(jié)果與GT進(jìn)行對(duì)比得到算法的召回率、準(zhǔn)確率等量化數(shù)據(jù).在進(jìn)行實(shí)驗(yàn)時(shí),閾值一般設(shè)0～255順序變化，就可以得到完整的P-R曲線，以便評(píng)估在不同的閾值下算法的具體表現(xiàn).

(2) 自適應(yīng)閾值法

與固定閾值法不同，自適應(yīng)閾值法對(duì)于每張圖像都有一個(gè)不同的閾值來決定顯著圖中哪些部分屬于前景區(qū)域，哪些部分屬于背景區(qū)域.閾值的設(shè)定遵循一定的慣例，一般將閾值設(shè)置為平均顯著值的兩倍.具體的公式描述見式(22).

(22)

3.3.3定量分析與比較

圖11、12分別為本文提出的算法與9種經(jīng)典算法在ECSSD和MSRA 1000數(shù)據(jù)集上定量比較的結(jié)果.從圖中可以看出，本文的算法無論在精確度、召回率還是自適應(yīng)閾值方面都明顯優(yōu)于CRF、FT、GB、HC、PCA、AC、CA和CB算法，和DSR算法以及RC算法的表現(xiàn)處于同一水平.由于本文算法在超像素尺度上的M較高導(dǎo)致算法最終的M要稍高于DSR算法，但是在精確度以及召回率方面明顯好于其他算法.這說明本文算法不僅能精確地定位顯著區(qū)域所在的位置，同時(shí)還能相對(duì)比較完整的檢測出顯著區(qū)域.

3.4 單一尺度檢測結(jié)果與采用不同融合方法檢測結(jié)果對(duì)比

圖13中展示了本文算法中不同成分以及采用不同優(yōu)化方法融合后的定量分析結(jié)果.由圖13可以看出：采用單一的顯著性檢測方法不能有效檢測出完整的顯著對(duì)象;經(jīng)過融合后的算法相對(duì)于每一個(gè)單一組成都更加有效；采用CRF對(duì)算法不同組成部分進(jìn)行有效性衡量是有必要的.圖中①為本文算法，②為多尺度顯著圖線性相乘的結(jié)果，③為多尺度顯著圖線性相加的結(jié)果，④為像素尺度顯著性檢測結(jié)果，⑤為超像素尺度顯著性檢測結(jié)果，⑥為圖像塊尺度顯著性檢測結(jié)果.

a P-R曲線

b 自適應(yīng)閾值

c 平均誤差 圖11 多個(gè)顯著性檢測算法在ECSSD數(shù)據(jù)集的量化比較 Fig.11 Quantitative results of different methods on ECSSD dataset

3.5 算法運(yùn)行效率

準(zhǔn)確率與召回率并不是檢驗(yàn)一個(gè)算法的唯一標(biāo)準(zhǔn)，對(duì)于圖像處理算法而言，算法的運(yùn)行效率也是一個(gè)重要的評(píng)價(jià)指標(biāo).抽取100張圖像對(duì)本文提出的算法與經(jīng)典算法在同一平臺(tái)上進(jìn)行效率測試，測試結(jié)果見表1.

a P-R曲線

b 自適應(yīng)閾值

c 平均誤差 圖12 多個(gè)顯著性檢測算法在MSRA1000數(shù)據(jù)集的量化比較 Fig.12 Quantitative results of different methods on MSRA 1000 dataset

a P-R曲線

b 自適應(yīng)閾值

c 平均誤差

表1 算法效率對(duì)比Tab.1 Comparison of execution time

從表1中可以看出,相對(duì)于早期的顯著性檢測算法，本文的算法效率相對(duì)落后；與目前比較高效的DSR算法相比，本文的算法具有良好的表現(xiàn).本文算法由于需要抽取多個(gè)層次，因此占用了大量的計(jì)算時(shí)間.

4 結(jié)論

本文提出的多尺度的顯著性檢測方法，通過結(jié)構(gòu)提取方法對(duì)圖像進(jìn)行預(yù)處理；通過顏色空間分布以及顏色先驗(yàn)兩種方法獲得像素尺度的顯著圖；將圖像進(jìn)行超像素分割，利用超像素與顯著支撐區(qū)域的特征差異求得超像素尺度上的顯著圖；使用圖割算法對(duì)圖像進(jìn)行多尺度分割，利用局部對(duì)比方法求得圖像塊尺度上的顯著圖；利用CRF框架對(duì)多尺度顯著圖進(jìn)行加權(quán)融合得到最終的顯著圖.與經(jīng)典算法在兩個(gè)公開數(shù)據(jù)集上進(jìn)行性能的比較和分析表明，本文算法具有優(yōu)越性.