基于稠密和疏重构的图像显著性检测算法 1.ppt

贝叶斯融合——基于贝叶斯的显著性公式 基于稠密和稀疏重构的显著性 基于贝叶斯模型的显著性检测算法，都是通过贝叶斯的先验和似然概率计算得到的后验概率来描述显著度的，计算公式如下： 观测似然概率是在 CIELab 空间中通过像素点 z 的颜色信息及前景背景的颜色统计直方图来计算的，计算公式如下： 其中， 和 分别表示前景 (Foreground) 和背景 (Background) 区域中的像素点个数。 表示的是颜色特征落在前景颜色统计直方图中包含特征 r(z) 的位中的像素点个数。相应地， 则表示背景颜色统计直方图的类似含义。 [4] E. Rahtu, J. Kannala, M. Salo, and J. Heikkil?, “Segmenting salient objects from images and videos,” in ECCV, 2010, pp. 366–379. [5] Y. Xie and H. Lu, “Visual saliency detection based on bayesian model,” in ICIP, 2011, pp. 645–648. 贝叶斯融合——由显著图计算的似然概率 基于稠密和稀疏重构的显著性 由颜色特征计算似然概率时，并非更好的先验结果就一定可以得到更好的后验结果。这是因为颜色空间中的部分噪声已在先验图的计算中被抑制掉了，仍在颜色空间上计算似然概率可能再次引入噪声，有时甚至导致后验概率的检测结果比先验概率还要差。 为了防止似然概率的计算再次引入颜色噪声，本文假设当用一幅显著图代替颜色特征计算观测似然概率时，将得到更加准确的后验概率显著性。 先验概率: 常数 [4] 或一幅显著图 [5] 似然概率: CIELab 颜色空间 先验概率: 一幅显著图 似然概率: 另一幅显著图 贝叶斯融合——比较两种后验概率显著图 基于稠密和稀疏重构的显著性 比较由颜色特征和由显著图计算似然概率时产生的两种贝叶斯后验概率显著图。 (a) 原图 (b) 后验概率显著图 (c) 后验概率显著图 (d) 真值图 稠密—颜色 稠密—稀疏 稀疏—颜色 稀疏—稠密 贝叶斯融合——两种显著图的贝叶斯融合公式 基于稠密和稀疏重构的显著性 稠密和稀疏重构误差产生的两种显著图是互补的。本文另二者互为贝叶斯先验和似然概率，提出了一种基于贝叶斯模型的显著图融合方法。 内容提要 内容提要 实验结果及其分析 4 课题背景 1 相关研究及存在问题 2 基于稠密和稀疏重构的显著性 3 本文工作总结 5 实验说明 实验结果及其分析 数据库 评测标准 在显著性检测的三个标准公开数据库上对本文算法进行评估，包括：ASD, MSRA 和 SOD，分别包含1000, 5000, 300 幅图像。 准确率(Precision) ： 分割后二值图和真值图目标重叠区域的面积与二值图目标面积的比值。 召回率(Recall) ： 重叠区域的面积与真值图目标面积的比值。 F-measure： 综合评估准确率和召回率。 (a) 原图 (b) 真值图 (c) 显著图 (d) 某阈值下的二值图 实验说明 实验结果及其分析 实验内容 评估方法 在数据库 ASD 上对本文算法的各个独立机制进行评估： -重构误差传播机制 -多尺度误差融合机制 -目标偏置的高斯平滑机制 -基于贝叶斯的显著图融合机制 在三个数据库上与17种经典算法定量、定性比较 渐变阈值分割实验 ( 阈值范围[0, 255] )： -准确率-召回率曲线 - F-measure曲线 固定阈值分割实验 (自适应阈值)： -准确率-召回率-F-measure柱状图 评估重构误差传播机制 实验结果及其分析 [6] M.-M. Cheng, G.-X. Zhang, N. J. Mitra, X. Huang, and S.-M. Hu. Global contrast based salient region detection. In CVPR, pages 409–416, 2011. DE: 稠密重构误差; DEP: 传播后的稠密重构误差; SE: 稀疏重构误差; SEP: 传播后的稀疏重构误差; RC11: [6] 准确率-召回率曲线 评估多尺度误差融合机制 实验结果及其分析 DEP