李春華 秦云凡 劉玉坤

摘 要：針對傳統(tǒng)貝葉斯模型算法對圖像顯著區(qū)域檢測精度需要進一步提高的問題，提出一種改進凸包的貝葉斯模型顯著性檢測算法。首先，利用流行排序算法對圖像進行前景提取，提取的前景區(qū)域作為貝葉斯模型的先驗概率;其次，利用顏色增強的Harris角點檢測算法檢測圖像在RGB，HSV，CIELab 3個顏色空間中的特征點，分別構(gòu)造RGB，HSV，CIELab空間的凸包，求取3個顏色空間下的凸包的交集;再次，通過貝葉斯模型根據(jù)先驗概率、凸包與顏色直方圖結(jié)合得到的觀測似然概率計算獲得顯著性區(qū)域圖;最后，將新算法在兩大公開數(shù)據(jù)集MSRA和ECSSD中進行測試。結(jié)果表明，新算法能夠有效抑制背景噪聲，完整檢出顯著區(qū)域，F(xiàn)-measure值在MSRA和ECSSD數(shù)據(jù)庫中的測試結(jié)果分別為0.87和0.71，準確率-召回率曲線在復(fù)雜圖像數(shù)據(jù)庫高于傳統(tǒng)經(jīng)典算法。新算法改進了傳統(tǒng)經(jīng)典算法的檢測效果，進一步提高了顯著圖檢測的準確性。

關(guān)鍵詞：圖像處理;顯著性檢測;凸包;超像素;流行排序;貝葉斯模型

中圖分類號：TN958.98?文獻標識碼：A

文章編號：1008-1542（2021）01-0030-08

現(xiàn)代生活中各種智能設(shè)備不斷涌現(xiàn)，由此產(chǎn)生了大量圖像，從中自動提取關(guān)鍵信息的需求日益顯著。顯著性檢測技術(shù)可以將圖像中顯著區(qū)域從復(fù)雜場景中分離出來，有利于提高后繼圖像信息的處理速度。圖像顯著性檢測算法通?？梢苑譃樽皂斚蛳履Ｐ秃妥缘紫蛏夏Ｐ蛢深?。自頂向下的模型[1-3]是一種需要借助具體的先驗知識進行檢測的模型，使用預(yù)先人工標記的真值圖，通過學(xué)習(xí)訓(xùn)練等方式檢測圖像中的顯著目標。這種方法運行時間長、通用性差。自底向上的模型[4-5]是一種由底層數(shù)據(jù)驅(qū)動的模型，通過全局對比以及局部對比底層特征來檢測顯著區(qū)域，處理速度較快。目前顯著性檢測算法多采用自底向上模型。ITTI等[6]最先提出自底向上的模型框架，它融合多尺度的強度、顏色和方向信息進行顯著性檢測。ACHANTA等[7]通過計算每個像素的顏色與所有像素顏色的平均值之間的色差來獲得顯著性圖，該方法適用于背景簡單的圖像。傳統(tǒng)算法大多從像素或區(qū)域之間的對比度入手計算顯著性，能夠檢測到圖像中的高頻信息，但是圖像顯著性區(qū)域顯示不均勻。為解決這些問題，基于圖像先驗信息的顯著性檢測模型不斷出現(xiàn)，例如貝葉斯先驗?zāi)Ｐ蚚8]、前景先驗?zāi)Ｐ蚚9]、中心先驗?zāi)Ｐ蚚10]、背景先驗?zāi)Ｐ蚚11]等。

基于貝葉斯模型的圖像檢測算法最早由RAHTU等[12]提出，在貝葉斯模型基礎(chǔ)上，利用滑動窗口將圖像分為顯著區(qū)域和邊界區(qū)域，根據(jù)顯著區(qū)域和邊界區(qū)域的顏色信息差異計算顯著值。這種方法不僅計算復(fù)雜性高，而且只能獲取到顯著目標的位置，不能檢測到顯著目標的輪廓。隨后XIE等[13]提出基于凸包的貝葉斯顯著性檢測模型，首先利用顏色增強角點算法獲取的特征點構(gòu)造凸包，再對圖像聚類計算，得到貝葉斯模型中的先驗概率。這種方法在很多數(shù)據(jù)集的檢測實驗中取得了較好效果，但是在對圖像聚類過程中，由于區(qū)域被分配了相同的權(quán)重，聚類結(jié)果中含有的背景噪聲導(dǎo)致結(jié)果不準確。2013年，XIE等[14]再次提出在貝葉斯模型的基礎(chǔ)上利用圖像的中低層信息進行顯著性檢測，計算先驗概率時采取拉普拉斯算子進行聚類，提高了檢測性能，但是凸包內(nèi)的背景噪聲仍然存在。近年來，深度學(xué)習(xí)被應(yīng)用于顯著性檢測算法，例如文獻[15]利用卷積神經(jīng)網(wǎng)絡(luò)進行初步顯著圖的計算，再結(jié)合圖像的多種特征信息進行全局和局部的對比度計算獲得顯著圖?；谏疃葘W(xué)習(xí)的方法雖然能取得較好的檢測效果，但需要經(jīng)過大量的訓(xùn)練過程，過程繁瑣，運行速度慢。

針對以上問題，本文提出了一種基于改進凸包的貝葉斯模型的圖像顯著性檢測算法，使用貝葉斯模型計算顯著性圖。貝葉斯模型中的先驗概率通過提取前景區(qū)域算法獲得，觀測似然概率借助凸包和顏色直方圖得到。前景區(qū)域在超像素分割的基礎(chǔ)上利用流行排序算法確定，凸包為RGB，CIELab，HSV 3種顏色空間下分別構(gòu)建的凸包交集。采用本文算法在公開數(shù)據(jù)集MSRA和ECSSD數(shù)據(jù)庫中進行了實驗測試。

1?算法描述

算法的實現(xiàn)過程是，首先在超像素分割的基礎(chǔ)上利用流行排序算法初步獲取前景區(qū)域，將其作為貝葉斯模型的先驗概率。傳統(tǒng)貝葉斯模型算法在單顏色空間下利用角點檢測算子檢測出興趣點進行凸包構(gòu)建，背景噪聲也被包含進凸包內(nèi)。為減小凸包內(nèi)的背景噪聲，本文算法在RGB，CIELab，HSV 3種顏色空間下分別檢測特征點、分別計算凸包，取凸包的交集作為合理凸包，再與顏色直方圖結(jié)合計算觀測似然概率，最后將觀測似然概率和先驗概率代入貝葉斯模型計算顯著圖。本文算法的框圖如圖1所示。

1.1?超像素線性分割

目前在顯著性檢測模型中，規(guī)則的圖像塊（patch）[16]、超像素（superpixel）[17]、分割（segment）[18]是常用的3種過分割算法。圖像塊分割計算量小，包含較多的灰度和顏色信息，但是這種簡單分割不能凸顯目標邊界，使得前景區(qū)域圖像塊中包含背景噪聲。分割能夠在一定程度上貼合顯著目標的邊界，但分割結(jié)果大小不均勻，且在復(fù)雜背景下分割效果不穩(wěn)定。和上述兩種算法相比，超像素在大小均勻的前提下，包含更多的底層和中層信息，如顏色特征、位置特征、紋理特征等，并且能夠較好地保持目標邊界。

針對算法計算時間和分割區(qū)域大小不一的問題，ACHANTA等[19]提出SLIC超像素分割算法，以LAB顏色空間的五維向量（x，y，l，a，b）作為距離度量工具，通過像素間的顏色相似程度以及像素間的空間位置關(guān)系進行圖像分割。該方法通過對圖像像素的聚類，保持全局邊緣不變，把圖像分割為一系列均勻緊湊的超像素，在運行時間、分割效果等方面與人們的預(yù)期要求一致。SLIC超像素分割算法中使用的顏色歐式距離和空間歐式距離為

式中：dc表示像素間的顏色歐式距離;ds表示像素間的空間歐氏距離;D′表示像素間的最終距離;S為控制分割緊密程度的一個常數(shù)，S=[KF（][SX（]NK[SX）][KF）]，其中N表示整幅圖像中像素點個數(shù)，K為分割的超像素個數(shù)。圖2為超像素分割結(jié)果。