Saliency Detection Based on Integration of Boundary and Soft-Segmentation

本文提出了一种改进的基于自底向上边界和软分割的贝叶斯算法。边界信息用于指导先验图。采用软分割方法对凸包进行改进，提高了观测似然的计算精度。利用贝叶斯框架对先验映射和观测似然映射进行了集成，得到了一个良好的显著性映射。

论文解析

这篇论文基本上可以认为是在11年论文Visual Saliency Detection Based on Bayesian Model的基础上进行的改进.有很多相似的地方.

文中给出了一个结构流程图,关系很明显.

• 这里的先验是利用边界信息, 而11年那篇是利用粗略凸包聚类后的超像素的对比度.
  
• 这里的似然信息是基于先验图, 利用软分割提升后的凸包获得, 而11年那篇是直接在划分好的凸包上, 利用特定颜色特征的统计信息来表示.

文章也是依据贝叶斯公式, 如下:

文章主要改进的地方是先验图的获取方式以及似然函数获取的方式.

先验图

在本文中，计算了基于超像素的边界权重图。假设用[R. Achanta, A. Shaji, K. Smith, A. Lucchi, P. Fua, and S. Susstrunk, “Slic superpixels,” Technical Report, EPFL, June 2010. 2, 3]方法将图像过度分割为M个superpixels.

The superpixel is widely used as mid-level cue in computer vision for it can preserve the global edge and speed up the calculation.

这里的参数是一个关于第n个超像素的变量, 与其色彩和边缘信息有关:

超像素位于凸包内部.

这里的d()计算的凸包内部超像素的颜色均值和凸包外部整体的颜色均值之间的距离.

• 属于该对象的超像素应该与外部背景区域存在较大的色差，因此考虑了色差来降低背景噪声的影响.
• 直观上，凸包中的强边界意味着这条边上的超像素PB值很大，很有可能是物体的一部分。边界特征是可能表示超像素是否属于该对象.

整体计算了凸包内部第i个超像素与外部的颜色距离(颜色信息)与自身的PB均值(边界信息)的乘积. 整体作为边界权重. 最终得到边界权重图.

因为颜色距离, BP值, 都是和该超像素具体的自身特征有关, 所以可以在一定程度上实现动态赋予权重来降低不同图片的背景噪声.

这里的表示的是第i个超像素的边缘平均probability of boundary(PB)(David R. Martin, Charless Fowlkes, and Jitendra Malik, “Learning to detect natural image boundaries using local brightness, color, and texture cues,” PAMI, vol. 26, no. 5, pp. 530–549, 2004. 2)值,表示的是超像素的边界信息.

似然函数

这里使用了两种软分割方法来在先验图的基础上进行生成改进版本的凸包结果,进而获得似然函数:

1. 参考独立成分分析
2. 核密度估计

   Independent component analysis with reference (ICA-R) [9] is widely used to obtain a specific signal among some mixed independent sources with a reference signal. Kernel density estimation (KDE) is a non-parametric method to estimate the probability distribution of the signal.

主要流程:

1. 首先对先验图进行二值化，并将结果视为引用R(图5(b)中的红色部分)
2. 用该引用推导出ICA-R结果，并将该结果的二值化考虑为
3. 与相似，在参考R的基础上，利用KDE估计整个图像的分布，并将二值化结果考虑为(图5(d))
4. 最后是这两个图的组合

这里使用了与11年论文相同的方法来计算似然函数(CIELAB color space):

实验参数