本文提出了一种新的自底向上显著性检测模型。
根据如下所述的6条原则，提出了一种基于多尺度超像素分割和贝叶斯框架的显著目标检测模型.
- 结构: 使用超像素方法利用图像结构进行显著性检测，实现了显著性像素的均匀高效高亮。
- 区域对比: 局部区域对比度比基于像素的对比度提供更多的视觉信息。
- 多尺度分析: 采用多尺度分析多分割, 来处理显著目标的尺寸变化。
- 完整性: 完整性是另一个重要的因素，因为显著性对象的内容通常是平滑的和不可分割的。
- 中心先验: 人类视觉系统倾向于聚焦于场景的中心区域，因此出现在中心附近的物体被赋予了更高的权重。
- 滤波: 原始的显著性检测结果在前景或背景区域内部通常不够平滑。在此基础上，一种边缘保留平滑算子引入来进一步提高显著性性检测结果。(在这一步中，将导频滤波器引入显著性检测中来进行改进。)
为了评估，我们的方法是在两个基准数据集上对22种最先进的算法进行评估。实验结果表明，该方法能够准确地检测和均匀高亮显著性目标，同时抑制背景，生成高质量的显著性图。
论文内容
主要有如下贡献:
- 我们提出了一种新的多尺度策略，利用各种高斯平滑参数将精细尺度的精度和粗尺度的完整性结合起来。
- 我们在区域对比度中加入了完整性原则，使得显著性计算更加合理和准确。
- 我们利用导向滤波器对显著性图进行优化，进一步提高了定量和定性结果。
- 我们总结了有效显著性计算的六个原则，并将它们融合到一个单独的框架中，每个部分都是互补的，以实现最先进的结果。
贝叶斯框架
先验概率
- 第一项表示空间信息
- 对先验部分融合了空间信息(第一项用距离计算, 距离越大, 值越低, 而且使用了超像素ci的第j个邻接超像素nj占ci所有邻接超像素{nj}的比例加权, 也就是更看重周围区域中比例更大的超像素在距离上的贡献)
- 第二项表示中心先验
- 中心先验(这里直接使用的是图片中心)
- 第三项表示边界先验, 也反映出来超像素的完整性
- 包含边界的像素(最外边一层的像素)数量越大的超像素, 显著性越低.
- E表示图像总的边界像素数量
似然函数
CIELab色彩空间积分:
这里在论文7中, 给出了简化处理的方法, 就是假定随机点z在整个图像的不同区域内部各有着常数概率密度函数, 那么, 这里就可以被量化理解为直方图统计中的像素数量比例关系. 也就是式子7,8. 可以简单的计算在S1和S0中落入对应的binQH(z)的像素数量.
这里还是通过计算颜色直方图的方法来计算
多尺度集成
With multi-scale analysis, we get M saliency values for each pixel. Here M=5 in the proposed approach.
进一步细化
30: K. He, J. Sun, and X. Tang, “Guided image filtering,” in ECCV, 2010.
若有收获，就点个赞吧
0 人点赞
