基于Manifold Ranking和结合前景背景特征显著性检测.docVIP

基于Manifold Ranking和结合前景背景特征显著性检测 　　摘要： 　　针对基于图和流形排序（Manifold Ranking）的显著性检测算法（MR算法）过度依赖边界节点的背景特征的问题，提出一种改进的结合前景背景特征的显著性检测算法。首先，对图像进行超像素分割，建立闭环图模型；然后利用流形排序算法根据图像前景特征和背景特征分别得出前景种子和背景种子；再通过亮度和颜色特征对两类种子进行结合，筛选出更为准确的查询节点；最后再利用流形排序算法进行显著值计算，得到最终的显著图。实验表明，改进方法与MR算法相比在精确率、召回率、F值等多个评价指标上均有明显提升，得到的显著图更接近真值。 　　关键词： 　　显著性检测；流形排序；查询节点；显著图；显著区域 　　中图分类号： 　　TP391.41 　　文献标志码：A 　　Abstract： 　　Focusing on the issue that the saliency detection algorithm via graphbased manifold ranking （MR algorithm） is over dependent on background features extracted from boundary nodes， an improved saliency detection algorithm combined with foreground and background features was proposed. Firstly， an image was divided into several superpixels and a closeloop model was constructed. Secondly， the foreground and background seeds were obtained by using manifold ranking algorithm according to foreground and background features. Then these two kinds of seed nodes were combined through brightness and color characteristics， resulting in more accurate query nodes. Finally， a saliency map of the image was obtained by computing the saliency value via manifold ranking algorithm. Experimental results show that compared with MR algorithm， the precision rate， the recall rate and the Fmeasure of the proposed algorithm are significantly improved， and the obtained saliency maps are much more close to the true value. 　　英文关键词Key words： 　　saliency detection； Manifold Ranking （MR）； query node； saliency map；salient region 　　0引言 　　近年来，随着计算机和互联网技术的飞速发展，多媒体数据呈现爆炸式的增长，多媒体信息的存储、传输和处理变得越来越重要，尤其是图像处理相关的研究和应用。显著性检测（Saliency Detection）就是图像分析处理前期的一个重要工作，它的任务就是检测出图像中最显著最重要的部分。通过显著性检测可以将有限的计算资源优先分配给图像中的显著区域，大大提高图像分析和处理的效率。 　　图像的显著性检测，简单来说是指将图片中的显著性区域（前景）从非显著性区域（背景）中分离出来。它作为一种图像预处理技术，可以用于后期的图像分割[1]、物体检测[2]、自适应图像压缩[3]、基于内容的图像检索[4]、视频目标检测[5]等领域。显著性检测算法可以分为两类：眼动点预测模型[6-9]和显著目标检测模型[10-14]。眼动点检测模型主要为了检测出图像中引起人眼注意的显著位置，以此分析和指导人的注意力；而显著目标检测模型则是为了准确地从图像中提取出显著目标区域，以此为基础进行更为复杂的图像处理。显著性检测模型根据实现思路的不同可以分为两种：自上而下[15-17]和自下而上[18-19]。自上而下的