基于区域对比的图像显著目标检测

上海应用技术学院学报(自然科学版)

JOuRNALoF

sHANGHAI

cE)INsTITuTEOFTEcHNoLoGY(．NATuRALscIEN

V01．14No．1

Mar，2014

文章编号：1671—7333(2014)01—00一04DOI：10．3969／j．issn．1671—7333．2014．01．015

基于区域对比的图像显著目标检测

张

晴，

刘云翔

(上海应用技术学院计算机科学与信息工程学院，上海201418)

摘要：针对具有杂乱背景图像的显著目标检测问题，提出了一种无需任何先验知识，通过分析计

算区域平均显著值的对比度来提取显著目标的方法．根据显著图，计算出显著目标的最小边界框与其周围区域的显著性差异，且通过折半查找的方法加快搜索的收敛速度．结果表明，该算法能迅速检测出与人类视觉感知结果一致性较高的显著目标区域．关键词：显著目标检测；显著图i显著区域；视觉注意中图分类号：TP

391．4

文献标志码：A

lmageSalientObjects

DetectionBased

on

ontrastRegionC

ZHANGQi，zg，LJUl么船一zi＆729

(SchoolofC1nformationEngineering，ShanghaiInstituteofTechnology，omputerScience&

Shanghai

201418，China)

Abstract：Tohandlethesalient

object

prior

detectioninimithclutteredbackgrDageswunds，a

asproposed．knowledgew

newmethodto

ithoutidentifysal．entobjectw

contrast

any

It

calculatesandmaximizestheregion

toect

betweenthetargetResultsshowedthat

regions

andtheir

surroundingsby

a

binarysearchthesalientobj

acceleratethe

conVer—

gence．

theproposedalgorithmcoulddetect

a

regionconsistent

with

humanvisualperceptionsysteminords：salientobjectKeyw

fasterway．

region；Visualattention

detection；saliencymap；salient

心理学和认知科学研究表明，人类视觉感知系统具有注意选择性，即可以在未知环境中不受复杂背景影响而准确快速地确定场景中的显著区域或目标n]．正确提取这些重要目标区域，可以大大提高图像处理与分析的效率和正确率，降低后续分析理解步骤的计算复杂度．显著区域检测可以广泛应用于许多计算机视觉领域，包括图像／视频压缩D]、目标跟踪‘3|、目标检测‘43以及目标识别‘53等．

在有关视觉注意显著性研究中，现有的绝大部分工作均围绕图像显著图检测展开[6。8]．但由于目前各种显著图检测算法均无法完整地标识和提取图像

收稿日期：201307—18

中的显著物体，使得显著物体的精确提取仍然是一个具有挑战性的问题．Ko等[9]提出了一种收缩(shrinking)策略获取显著目标的边界框，但该算法需借助先验知识以确定边界框的初始值．I，iu等u叫提出通过遍历搜索全图的方法(MRFS)得到显著目标的矩形边界框，使其覆盖显著图中95％的显著点，从而标识出显著目标区域．这种方法存在两个问题：一是遍历搜索的计算复杂度大；二是在显著目标的形状和大小未知的前提下难以就显著图本身信息预定义显著点．有研究提出使用图像分割的方法获得显著目标的精确形状，例如MSR算法[11|．该算法

基金项目：上海市青年教师培育基金资助项目(zZyyyl3022)；上海应用技术学院引进人才基金资助项目(YJ2013—10)作者简介：张晴(1983一)．女，讲师，博士，丰要研究

ail：zhangqin90329@gmail．com向为图像处理、模式识别等．Em

第1期张睛，等：基于区域对比的图像显著目标检测

运用EsS搜索方法口23提高搜索速度，但其检测结果通常依赖先验知识以帮助精确分割，并且图像背景的杂乱度亦会影响算法准确性．

针对此不足，本文提出一种无监督检测算法，无需任何先验知识，在显著图上计算显著目标与周边背景的显著性对比度，并运用折半查找的方法搜索合适的矩形边界框标示图像显著目标，提高算法检测率和搜索效率．1

显著目标检测算法

给定一幅图像I及其相应的显著图S，算法目

标是搜索显著图并提取图像最小子区域w∈S，使w包含图像的显著目标．由于现有的各种显著图模型均无法精确突出显著目标的同时抑制无关背景，因此单纯依赖显著图中像素的显著度无法得到令人满意的显著目标检测结果．观察由各种显著性检测模型得到的显著图可知，虽然现有显著性检测模型均无法完整地标识出显著目标，但其显著图的大部分的显著度都集中在显著目标区域．基于以上的观察分析，所提算法对显著图进行搜索，通过最小化以下公式提取图像的显著目标所在最小矩形区域；

W’=argmin厂(W)

(1)

W量S

厂(W)一

∑s(z，了)

)]

(2)

(z，∑，)∈sS

(z，y)

[M(w)一M(刀式中：谚为矩形区域W周围的外层矩形轮廓，与w具有相同的面积；M(W)为W的显著度平均值；M(雨)是刃的显著度平均值．式(2)中，

∑一

S(工，，)，一

(，，，)∈w

’|(r∑，y)S∈‘S

z，∞

表示W区域的显著度，[M(W)一M(雨)]表示其与周围环境的显著性差异．

本文算法不使用遍历全显著图搜索方法获取全局最优解W”，而是提出通过折半查找法解决搜索问题以提高算法整体效率．算法采用[T，B，L，R]表示矩形w的高(T)低(B)左(L)右(R)4个坐标，每一个坐标用一区间而非单一值表示，例如T一[tlow，thigh]．每次将区间长度最长的坐标一分为二得到2个矩形，再将这2个矩形代人式(2)计算，将厂值较大的矩形再沿着最长坐标区间一分为二，不断迭代计算，直到最终矩形的每一个坐标区间都不可再分为止，即low=high．算法的伪代码如表1所示．得到的最优解W的坐标[T，B，L，R]即为最

终的显著目标区域的最小边界框．

表1显著目标检测算法的伪代码

Tab．1

P鸵udocodeofsalientobjectdetectionalgorithm

Input：图像显著图Soutput：W。一arⅣ￡gmiS

n-厂(w)

Begin：

设置[T，B，L，R]=[o，m／2]×[m／2+1，m一1]×[o，n／2]×

[口／2+1，n一1]

Repeat

将矩阵二分[T，B，L，R]一[T1，B1，Ll。R1]U[T2，B2，

L2，R2]

计算，([Tl，Bl，Ll，R1])计算，([T2，B2，I，2，R2])

比较，([T1，B1，L1，R1])和，([T2，B2。L2，R2])，获取

较优解，([T2，B2。L2，R2])

untlI[T，B，L，R]不可再分

End

2试验与分析

为了评估本文算法的正确性和有效性，在Intel

Corei5—3210M2．5GHz

CPU，内存2GB的PC

上，利用Matlab(R2011b)对微软提供的公开数据集进行测试．该数据集包含1ooo幅图像，由9名测试者用矩形框标识出显著目标．由于每个测试者对场景显著性的感知差异，将由4名以上测试者认为是显著像素的像素标注为显著物体的一部分，从而得

到每个测试样本作为基准的最小边界框．

图1是运用所提算法的显著目标检测结果(用矩形表示)．本文所提算法不需要调和任何参数，亦无需任何先验知识，运用无监督方法获得图像显著目标区域．由图1可知，3幅测试图像均具有较为杂乱的背景，本文所提算法均能较为准确地检测出显著目标区域，与人眼视觉感知的结果相近．

为进行量化比较，采用常用的查准率(preci—sion)、查全率(recalI)和F测度值(pmeasure)作为指标．

prec．si。弋]

(3)

F-mrecall乞，口n一挲

一挲

zn(4)

。a。————————三u。e一旦±立』鐾坐粤掣

∑：g

z

，一measure=a。prec-lsl——■————on十reca儿

1T—

(Lb5)，

式中：∑，g，为基准二值图；∑：口，为检测结果二

值图；口=o．5．F测度衡量的是算法的整体性能．

图2为本文算法与MRFS[¨1、MSR[111算法分

上海应用技术学院学报(自然科学版)第14卷

5。

，

，。。．。i

卜◆。，{

／

图l所提算法检测结果

Fig．1

I)etectionresuIt

OftheprOpOsed

aIgOrithm

别在Hou[61显著图和Achanta[8]显著图上得到的测试结果的量化比较．由图2(a)可知，在Hou显著图上，本文所提算法的查全率高于MRFS与MSR算法，F—measure值显示本文算法在整体性能上具有优越性．由图2(b)可知，本文算法在Achanta显著图上的查准率高于MRFS与MSR算法，F—measure指标亦显示所提算法的检测结果明显比其他算法更符合人眼感知特性．MRFS和MSR算法的显著区域检测均依赖于显著图二值化结果，而本文算法直接运用于显著图，最大化显著区域平均显著度与周围区域的差异，因此，在综合检测结果F_measure指标方面具有优越性．

O8O706O5O40302O●O

MRFS

3

结语

目前现有的显著目标检测算法均无法精确完整地提取视觉场景中的显著目标．本文所提的算法利用显著图中显著度主要集中在显著目标区域这一特性，提出了衡量显著区域对比度的检测算法．实验结果证明，所提算法具有较好的显著目标检测性能，与人眼视觉感知结果较为一致．另外，本文还提出了采用折半查找的方法提高收敛速度，提高算法效率．在今后的研究中，将进一步研究优化目标函数，进一步提高算法的检测性能．参考文献：

[1]

walther

D，

KochC．

Mode“ng

attentionto

salient

proto—objects[J]．

1395—1407．

NeuralNetworks，2006，19(9)：

[2]

IttiL．

a

Automaticfoveation

modelImage

forof

videovisual

compression

usingneurobiological

on

attention[J]．

2004，

13

IEEETransactions(10)：232—250．

Processing，

[3]

MSR(a)Hou显著【鬈I

Propsed

Fan

，DaiS．DiscriminativespatialJ，WuY

attention

forrobust

an

tracking[c]／／Proceedings

on

of11thEurope—

Conference

ComputerVision．Berlin：Springer，

2010：480一493．

[4]LiuT，zheng

Learningings

to

N，Ding

a

w，eta1．Videoattention：

detectsalient

sequence[C]／／Proceed—

on

ofInternationalConference

PatternRecogni—

tion．Washington：IEEE，2008：l一4．

[5]

GaoD，HanS，Vasconcelos

ency，

N．Desc“minantcoincidences，

sali—and

thedetection

to

of

suspicious

applicationstions

＼1f{rS

＼lSI之

I’n1Dscd

on

visual

recognition[J]．

IEEETransac—

Intelligence，

PatternAnalysisandMachine

2009，31(6)：9—1005．

(b)Achanta显著图

[6]

Houx，zhangL．sidual

on

Saliencydetection：Aspectral

re—

图2

Fig．2

所提算法与MRFs、MSR算法的性能比较

RSF，MSRandCompariso眦amongM

the

approach[C]／／Proceedings

Vision

ofIEEECon{erence

Computer

andPatternRecognition．Wash—

pr叩osed

a190rithm

ington：1EEE，2007：1—8．

第l期张晴，等：基于区域对比的图像显著目标检测

67

[7]

BruceN，TsotsosJ．Sallency，attentionandvisual

Jour—

on

isionandPatternRecognition．Wash—ComputerV

search：AninformationtheoreticnalofVision，2009，9(3)：1_24．

approach[J]．

ington：IEEE，2007：1—8．

[11]

F，et

ValentiR，SebeN，GeversT．Imagesaliencybyiso—

centriccurvedness

[8]AchantaR，Hemami

tuned

salient

region

on

S，Estrada

a1．Frequencr

of

andcolor[C]／／Proceedingsof

on

In—

detection[c]／／Proceedings

Computer

Vision

ternationalConference

Computer

Vision．

Wash—

IEEEConferenceandPattern

ington：IEEE，2009：2185—2192．

Recognition．Washington：IEEE，2009：1597—1604．

[9]KoBC，YuanJY．object—of-intefesttationbased

on

[12]，BlaschkoMB，HofmannT．EfficientI，ampertCH

subwindowsearch：Abranchandboundframeworkfor

imagesegmen—

humanattentionandsemanticregionJournal

()f

the

0ptical

Society

of

clustering[J]．

[10]

obj

ect

localization[J]．

IEEETransactions

on

Ame“caA，2006。23(10)：2462—2470，

Liu

Pattern

achineIntelligence，2009，31AnalysisandM

T，SunJ，ZhengN，et

o

a1．Learning

IEEE

to

detect

a

(12)：2129—2142．

salient

bject[c]／／Proceedingsof

conference

(编辑俞红卫)

弋e气c弋吧弋e^啦唷e气吧气e弋e代≈^≈10口e气e气c吒C气e气e够口己弋。气。气e气皂^也气吧气e1≈^也^吧!e气e气也弋e弋吧弋e气c气芒^e1吧^吧弋e弋e乍e气e气e气e噶也气o

(上接第63页)

(2)通过找出病害的原因，弄清病害段落围岩的变形规律和特征，给出了相应的处治措施思路、方法和参数．经过实践证明调坡和换拱结合方案合理可行，具有新方法、新工艺的特点，为今后类似工程病害的处理提供参考．参考文献：

[1]丁祖德，彭立敏，陈松洁，等．浅埋暗挖地铁隧道初

期支护大变形分析及处理[J]．工程勘察，2010(10)：

9—13．

[5]朱周华，薛文博．浅埋偏压鹱道地表及洞内开裂的岩

体整治[J]．岩土工程界，2000，3(4)：33—36．

[6]

黄强兵．地裂缝对地铁隧道的影响机制及病害控制研究[J]。岩石力学与工程学报，2009，28(10)：

2160．

[7]李伟平．公路隧道穿越软弱围岩的变形与控制方法[J]．现代隧道技术，2009，46(2)：44—49，

[8]秦洲，张武祥，杨彦民，等．隆务峡I号公路隧道病害治理措施[J]．公路隧道，2006(4)：33—37．

余佳力，徐礼华，艾心荧，等．隧道CRD法施工对地表不同结构形式建筑物影响的对比分析[J]．土木工

程学报，2011，44(S1)：192—200．

[9]

[2]吴启勇．茜阳隧道出口病害处治技术研究[J]．隧道

建设，2011，3l(03)：396—404．

[3]连新奇．文尖岭隧道拱墙侵限处理施工技术[妇，山

西建筑，2009，35(25)：340一341．

[10]重庆交通科研设计院．公路隧道设计规范(JTGD70一2004)[S]．北京：人民交通出版社，2004．

(编辑

吕丹)

[4]任立志．龙洞湾隧道进口病害及其处理[J]．世界隧

道，2000(3)：50一53。