一種基于水平集超像素和貝葉斯框架的顯著性檢測方法與流程
本發(fā)明屬于圖像處理領(lǐng)域，涉及一種基于水平集超像素和貝葉斯框架的顯著性檢測方法。
背景技術(shù)：
圖像顯著性檢測是計算機視覺中具有挑戰(zhàn)性的問題，圖像顯著性是圖像中重要的視覺特征，體現(xiàn)了圖像中的哪些區(qū)域能夠引起人們的重視以及重視的程度。顯著性檢測算法可以分成兩大類：使用數(shù)據(jù)驅(qū)動的自底向上方法和基于任務(wù)驅(qū)動的自頂向下方法。自頂向下的方法通常是針對一個特定的目標(biāo)或者任務(wù)，需要使用有監(jiān)督的方式學(xué)習(xí)目標(biāo)的顏色、形狀等特征，然后使用學(xué)到的各種信息對輸入的圖片進行檢測，完成特定的識別，這類方法的缺點就是必須要通過訓(xùn)練，而且只能完成特定的目標(biāo)，方法的擴展性較差。自底向上的方法不需要進行學(xué)習(xí)，直接通過底層的像素等信息來進行計算，常用的方法是中心-周圍對比方法，通過計算一個區(qū)域與另外區(qū)域之間的差別來查找圖片中的顯著部分，還有一些方法是基于邊緣優(yōu)先的原則，因為在一幅圖像中，邊緣的區(qū)域更有可能成為背景。
貝葉斯框架在圖像的顯著性檢測中得到了廣泛的應(yīng)用，也具有很好的圖像顯著性檢測效果。Xie等人首先通過計算興趣點得到代表圖像顯著部分的凸包，然后使用凸包在貝葉斯框架下計算圖像的顯著性圖。Qin等人在貝葉斯框架下使用多層元胞自動機融合現(xiàn)有最先進的顯著性檢測算法，得到了很好的效果。
超像素在圖像顯著性檢測中也得到了廣泛的應(yīng)用，是很多算法的基本運算單位，相比以像素為基本單位，超像素能夠減少計算量和復(fù)雜度，很多算法都是基于簡單線性迭代聚類SLIC算法，該算法基于像素的顏色相似性和空間位置 的接近程度對圖像進行聚類，得到指定數(shù)量的超像素且超像素大小相近。但是，在一幅圖像中，不同區(qū)域的大小往往是不相同的，分成大小相近的超像素就造成了較大區(qū)域的再分割，不能很好地體現(xiàn)區(qū)域的整體性，這會增加算法的計算量且會降低運算的準(zhǔn)確性。
近年來，水平集方法在處理圖像分割問題中表現(xiàn)出了很好的性能，Li等人使用灰度不均勻的水平集方法對圖像進行分割，得到了很好的效果，并且應(yīng)用在了磁共振成像中。但是水平集方法得到的圖像分割結(jié)果往往存在圖像分割過大或者過小的問題，造成了不同區(qū)域分割不明顯或者分割過小從而會影響準(zhǔn)確性。
本發(fā)明提出了基于水平集的超像素分割方法來得到適應(yīng)圖像中不同區(qū)域大小的新超像素。然后提出了基于新的超像素和貝葉斯框架的顯著性檢測和更新算法，對基于內(nèi)部和邊緣超像素間的顏色位置差異構(gòu)建的顯著性圖進行更新得到顯著性檢測結(jié)果，同時可以將現(xiàn)有算法優(yōu)化提高到一個相似的水平。最后提出了人臉識別的顯著性檢測來針對包含人的圖片的顯著性檢測問題。
技術(shù)實現(xiàn)要素：
本發(fā)明提出了一種基于水平集超像素和貝葉斯框架的顯著性檢測方法，目的在于克服上述現(xiàn)有技術(shù)的不足，得到一種更加準(zhǔn)確的顯著性檢測方法。
為了實現(xiàn)上述目的，本發(fā)明的技術(shù)方案為：
一種基于水平集超像素和貝葉斯框架的顯著性檢測方法，包括以下步驟：
第一步，應(yīng)用基于灰度不均勻的水平集方法對圖像進行分割，得到初始超像素。從分割結(jié)果中得出，采用灰度不均勻的水平集方法得到的超像素大小不同，但是有些超像素分割太小，也有一些不屬于同一區(qū)域的部分被劃分在同一個超像素?，F(xiàn)在要解決的問題可以描述為：對水平集方法得到的新超像素進行分割合并得到適應(yīng)圖像中不同區(qū)域大小的超像素。
第二步，分割合并第一步得到的初始超像素，得到新的超像素，使新的超像素適應(yīng)圖像中不同區(qū)域的大??；所述的第二步中對超像素分割合并的包括以下三種方法：
2.1)將整幅圖像轉(zhuǎn)換成灰度圖像，使用K均值聚類算法將灰度圖像按照灰度值分成K類，將聚類后的每一類與初始超像素中每個大的超像素的交集從初始超像素中分離出來,作為一個新的超像素，新的超像素存在小的超像素；
2.2)使用K均值算法將初始超像素中每個大的超像素內(nèi)部分成K類,將K類超像素從初始超像素中分離出來,每一類作為一個新的超像素，新的超像素存在小的超像素。
2.3)使用邊緣檢測處理初始超像素，分別計算Prewitt算子、Prewitt算子、Sobel算子，合并三種算法的結(jié)果，得到新的邊緣檢測結(jié)果，保存在一個跟輸入灰度圖片大小相同的二維矩陣中，二維矩陣中1表示邊緣，0表示內(nèi)部；計算初始超像素中每個超像素中0的像素個數(shù)所占的比例T，若T≥0.95，則在該超像素相鄰的超像素中查找最大的超像素，若最大的超像素與該超像素顏色相近，把該超像素合并到最大的超像素中，得到一個新的超像素，新的超像素存在小的超像素，否則不進行合并。第三步，合并第二步得到的新的超像素中小的超像素，得到最終超像素，提高算法準(zhǔn)確性；所述的小的超像素為在超像素內(nèi)部像素個數(shù)小于200的超像素。
上述三種方法分割合并過程中用到超像素的顏色特征，使用CIELAB顏色空間描述圖像及超像素的顏色特征，因為與RGB和CMYK顏色空間相比，CIELAB顏色空間更接近人類的視覺，每個超像素的顏色特征是該超像素內(nèi)部每個像素顏色特征的均值。兩個超像素的顏色差異difc由公式(1)得到：
difc＝||ci,cj|| (1)
其中，||ci,cj||是超像素i和j在CIELAB空間中的歐式距離；difc是兩個超像素的顏色差異，設(shè)定difc<0.2時表示兩個超像素的顏色相近。
第三步，合并第二步得到的新的超像素中小的超像素，得到最終超像素；所述的小的超像素為在超像素內(nèi)部像素個數(shù)小于200的超像素。
3.1)小于30的過小超像素直接合并到與其相鄰的超像素中大于該超像素的超像素中；
3.2)大于等于30的小的超像素，將該超像素與相鄰的大的超像素進行顏色特征和距離特征的比較，選擇其中一個最相近的超像素進行合并。
第四步，構(gòu)建初始顯著性圖
本發(fā)明提出的基于新的超像素和貝葉斯框架的顯著性檢測算法是基于圖像背景即圖像的邊緣部分，因為在一幅圖像中邊緣更有可能是背景。以圖像邊緣部分的最終超像素為基礎(chǔ)，使用K均值聚類算法將邊緣超像素分成3類，超像素與每類邊緣超像素的顏色差異由公式(2)計算，超像素與每類邊緣超像素的距離關(guān)系由公式(3)計算；基于圖像邊緣超像素得到的顏色差異和距離差異，得到一個初始顯著性圖S，S用公式(4)計算：
其中，σ1＝0.2；β＝10；σ2＝1.3；pk是屬于第k類超像素的總數(shù)；sk,i是以第k個邊緣聚類為基礎(chǔ)，第i個超像素的顯著性值；wk,i是以第k個邊緣聚類為基礎(chǔ)，第i個超像素的空間距離；ri和rj是超像素i和j的坐標(biāo)；
第五步，貝葉斯框架下的圖像顯著性檢測，得到一個灰度檢測性圖
將最終超像素作為圖像的顯著部分，并將圖像分成兩部分：顯著區(qū)域I和非顯著區(qū)域O，利用貝葉斯框架來進行顯著性檢測，得到一個灰度檢測性圖，圖中每個像素對應(yīng)的灰度值代表該像素是否屬于顯著部分的可能性；由公式(5)和公式(6)計算每個像素的后驗概率：
p(bk)＝1-p(sal) (6)
其中，p(sal|v)是p(sal＝1|v)的簡寫，p(sal)是一個像素是顯著像素的先驗概率，p(v|sal)是p(v|sal＝1)的簡寫，代表觀測似然概率，p(v|bk)是p(v|bk＝1)的簡寫，代表觀測似然概率；
第六步，在灰度檢測性圖中的顯著部分包含多個超像素，由相鄰超像素之間的相似性增加超像素顯著性，利用SUNSB算法中的三種觀測似然概率的計算方法，在貝葉斯框架下更新顯著性圖；所述的顯著部分中超像素的顯著性值大于等于0.8；
第七步，基于人臉識別的顯著性更新
通過與真值進行比較，發(fā)現(xiàn)對于有人的圖片，顯著性的部分往往是包含人的部分，但是的更新方法對人的檢測這方面效果不明顯，特別是對人的頭部的檢測，提出了人臉檢測的方法來增加包含人的這部分的顯著性同時減少不相關(guān)部分的顯著性。使用Face++提供的接口對人臉進行檢測，如果檢測到人臉，則對第六步得到的更新后的顯著性圖進行顯著性更新；如果沒有檢測到人臉，則圖像的顯著性不更新。
本發(fā)明的有益效果為：該方法區(qū)別于已有方法的特色在于，利用水平集方法分割圖像得到適應(yīng)圖像中不同區(qū)域大小的新超像素，以此來表示圖像中的顯著區(qū)域，在貝葉斯框架下提出了三種更新算法來更新初始顯著性圖，并且使用 了人臉識別技術(shù)來處理包含人的圖片。該方法的顯著性檢測結(jié)果更接近真值，同時該方法還能夠?qū)F(xiàn)有方法結(jié)果優(yōu)化提高到一個相似的水平。
附圖說明
圖1是本發(fā)明方法的流程示意圖；
圖2是不同算法的顯著性檢測結(jié)果對比圖；(a)待檢測圖片，(b)MR算法得到的顯著性結(jié)果，(c)GMR算法得到的顯著性結(jié)果，(d)wCO算法得到的顯著性結(jié)果，(e)XL算法得到的顯著性結(jié)果，(f)BSCA算法得到的顯著性結(jié)果，(g)本發(fā)明得到的顯著性檢測結(jié)果，(h)真值；
圖3是不同算法添加本發(fā)明中的人臉檢測方法之后得到的顯著性檢測結(jié)果對比圖；(a)待檢測圖片，(b)MR算法使用本發(fā)明人臉檢測算法后的結(jié)果，(c)GMR算法使用本發(fā)明人臉檢測算法后的結(jié)果，(d)wCO算法使用本發(fā)明人臉檢測算法后的結(jié)果，(e)XL算法使用本發(fā)明人臉檢測算法后的結(jié)果，(f)BSCA算法使用本發(fā)明人臉檢測算法后的結(jié)果，(g)本發(fā)明算法使用本發(fā)明人臉檢測算法后的結(jié)果，(h)真值；
圖4(a)為本發(fā)明與其他顯著性檢測方法在ECSSD標(biāo)準(zhǔn)數(shù)據(jù)庫上的PR(準(zhǔn)確率、召回率)曲線；
圖4(b)為本發(fā)明與其他顯著性檢測方法在ECSSD標(biāo)準(zhǔn)數(shù)據(jù)庫上的F-measure曲線結(jié)果圖；
圖5(a)為本發(fā)明與其他顯著性檢測方法在DUT-OMRON標(biāo)準(zhǔn)數(shù)據(jù)庫上的PR(準(zhǔn)確率、召回率)曲線；
圖5(b)為本發(fā)明與其他顯著性檢測方法在DUT-OMRON標(biāo)準(zhǔn)數(shù)據(jù)庫上的F-measure曲線結(jié)果圖；
具體實施方式
下面結(jié)合附圖對本發(fā)明的實施方式進行詳細說明。本實施例以本發(fā)明技術(shù)方 案為前提進行實施，給出了詳細的實施方式和具體的操作過程，但本發(fā)明的保護范圍不限于下述的實施例。
在四個標(biāo)準(zhǔn)的數(shù)據(jù)庫上對提出的算法進行測試：Pascal-S數(shù)據(jù)庫，該數(shù)據(jù)庫中包含了850張圖片，圖片中有一些背景比較復(fù)雜的圖片，數(shù)據(jù)庫復(fù)雜度比較高。ECSSD數(shù)據(jù)庫，該數(shù)據(jù)庫包含了1000張圖片，圖片大小不同且有多種目標(biāo)。MSRA數(shù)據(jù)庫，含有像素級別的真值標(biāo)注，圖片復(fù)雜度較高。DUT-OMRON數(shù)據(jù)庫，該數(shù)據(jù)庫中包含5168張圖片，含有像素級別的真值標(biāo)注，圖片背景復(fù)雜，目標(biāo)大小不同，具有很大的挑戰(zhàn)性。這四個數(shù)據(jù)庫都有相應(yīng)的人工標(biāo)定的顯著性區(qū)域圖。
圖1是本發(fā)明方法的流程示意圖；圖2是本發(fā)明與其他不同算法的顯著性檢測結(jié)果對比圖；圖3是不同算法添加本發(fā)明中的人臉檢測方法之后得到的顯著性檢測結(jié)果對比圖；圖4(a)、圖4(b)、圖5(a)和圖4(b)是不同顯著性檢測方法在四個標(biāo)準(zhǔn)數(shù)據(jù)庫上PR(準(zhǔn)確率，召回率)曲線和F-measure曲線結(jié)果圖。實現(xiàn)本發(fā)明的具體步驟為：
第一步，使用水平集方法分割圖像得到初始超像素
應(yīng)用基于灰度不均勻的水平集方法對圖像進行分割，得到初始的超像素。從分割結(jié)果中可以看出，灰度不均勻的水平集方法得到的超像素大小不同，但是有些超像素分割太小，也有一些不屬于同一區(qū)域的部分被劃分在同一個超像素中?，F(xiàn)在要解決的問題可以描述為：對水平集方法得到的新超像素進行分割合并得到適應(yīng)圖像中不同區(qū)域大小的超像素。
步驟二，分割合并初始超像素得到新的超像素
分割合并第一步得到的初始超像素，得到新的超像素，使新的超像素適應(yīng)圖像中不同區(qū)域的大??；所述的第二步中對超像素分割合并的包括以下三種方 法：
2.1)將整幅圖像轉(zhuǎn)換成灰度圖像，使用K均值聚類算法將灰度圖像按照灰度值分成K類，將聚類后的每一類與初始超像素中每個大的超像素的交集從初始超像素中分離出來,作為一個新的超像素，新的超像素存在小的超像素；
2.2)使用K均值算法將初始超像素中每個大的超像素內(nèi)部分成K類,將K類超像素從初始超像素中分離出來,每一類作為一個新的超像素，新的超像素存在小的超像素。
2.3)使用邊緣檢測處理初始超像素，分別計算Prewitt算子、Prewitt算子、Sobel算子，合并三種算法的結(jié)果，得到新的邊緣檢測結(jié)果，保存在一個跟輸入灰度圖片大小相同的二維矩陣中，二維矩陣中1表示邊緣，0表示內(nèi)部；計算初始超像素中每個超像素中0的像素個數(shù)所占的比例T，若T≥0.95，則在該超像素相鄰的超像素中查找最大的超像素，若最大的超像素與該超像素顏色相近，把該超像素合并到最大的超像素中，得到一個新的超像素，新的超像素存在小的超像素，否則不進行合并。
上述三種方法分割合并過程中用到超像素的顏色特征，兩個超像素的顏色差異difc由公式(1)得到：
difc＝||ci,cj|| (1)
其中，||ci,cj||是超像素i和j在CIELAB空間中的歐式距離；difc是兩個超像素的顏色差異，設(shè)定difc<0.2時表示兩個超像素的顏色相近。
第三步，合并小的超像素
在超像素分割中會產(chǎn)生很多小的超像素，所述的小的超像素為在超像素內(nèi)部像素個數(shù)小于200的超像素，需要進行合并。對于小的超像素，所述的合并包括以下兩種方法：
3.1)小于30的過小超像素直接合并到與其相鄰的超像素中大于該超像素的超像素中。
3.2)大于等于30的小的超像素，將該超像素與相鄰的大的超像素進行顏色特征和距離特征的比較，選擇其中一個最相近的超像素進行合并；
下面基于步驟一和步驟二說明新超像素生成算法流程：
步驟1讀入圖像,利用水平集方法得到水平集超像素Sl。
步驟2對Sl使用K均值聚類分割大的超像素得到Skl。
步驟3將輸入圖像轉(zhuǎn)成灰度圖像,使用K均值聚類分割灰度圖像得到Skg。
步驟4使用Roberts,Prewitt,Sobel邊緣檢測方法分割Sl得到Slb。
步驟5對Skl Skg Slb取交集得到新超像素Sm。
步驟6對Sm中小的超像素進行合并得到最終的新超像素。
第四步，構(gòu)建初始顯著性圖
提出的基于新的超像素和貝葉斯框架的顯著性檢測算法是基于圖像背景即圖像的邊緣部分，因為在一幅圖像中邊緣更有可能是背景。以圖像邊緣部分的最終超像素為基礎(chǔ)，使用K均值聚類算法將邊緣超像素分成3類，超像素與每類邊緣超像素的顏色差異由公式(2)計算，超像素與每類邊緣超像素的距離關(guān)系由公式(3)計算；基于圖像邊緣超像素得到的顏色差異和距離差異，得到一個初始顯著性圖S，S用公式(4)計算：
其中，σ1＝0.2；β＝10；σ2＝1.3；pk是屬于第k類超像素的總數(shù)；sk,i是以第k個邊緣聚類為基礎(chǔ)，第i個超像素的顯著性值；wk,i是以第k個邊緣聚類為基礎(chǔ)，第i個超像素的空間距離；ri和rj是超像素i和j的坐標(biāo)；
第五步，在貝葉斯框架下更新初始顯著性圖
5.1)基于得到的最終超像素，利用貝葉斯框架來進行顯著性檢測，得到一個灰度檢測性圖，圖中每個像素對應(yīng)的灰度值代表了該像素是否屬于顯著部分的可能性；由公式(5)和公式(6)計算每個像素的后驗概率：
p(bk)＝1-p(sal) (6)
其中，p(sal|v)是p(sal＝1|v)的簡寫，表示后驗概率，p(sal)是一個像素是顯著像素的先驗概率，p(v|sal)是p(v|sal＝1)的簡寫，代表觀測似然概率，p(v|bk)是p(v|bk＝1)的簡寫，代表觀測似然概率。
本發(fā)明基于中心周圍原則來計算觀測似然概率，Alexe等人滑動窗口在圖像中掃描來查找目標(biāo)所有可能出現(xiàn)的位置，窗口要考慮不同的尺寸，但是計算量很大，計算的冗余度也很高；Xie等人來作為顯著部分的位置減輕了計算量，但是凸包并不能很準(zhǔn)確的將屬于同一部分的區(qū)域的輪廓標(biāo)注出來，這就會產(chǎn)生誤差；為了解決凸包輪廓不準(zhǔn)確的問題，使用基于水平集算法得到的最終超像素作為圖像的顯著部分，將圖像分成兩部分：顯著區(qū)域I和非顯著區(qū)域O。
5.2)使用如下兩個公式來計算像素v的觀測似然函數(shù)：
其中，使用[l,a,b]來表示每個像素v，NI表示顯著區(qū)域I內(nèi)部的像素數(shù)量，NO表示非顯著區(qū)域O內(nèi)部像素的數(shù)量，NI(f(v))表示在區(qū)域I中顏色值f(v)所在顏色區(qū)間在顏色直方圖中的值，NO(f(v))是在區(qū)域O中對應(yīng)的顏色直方圖中的值；
5.3)基于最終超像素和貝葉斯框架的顯著性更新算法SUNSB，通過以下三種方法表示顯著區(qū)域I和非顯著區(qū)域O，代入公式(5)中計算觀測似然概率：
5.3.1)以圖像中不顯著的部分作為顯著區(qū)域I
將第三步得到的初始顯著性圖的四條邊上最終超像素和除了四條邊之外的所有顯著性值小于等于0.2的最終超像素作為非顯著區(qū)域O，剩下的所有超像素作為顯著區(qū)域I，代入公式(5)中進行計算，降低被誤劃入顯著部分的非顯著像素的顯著性；
5.3.2)以顯著性圖中最顯著的部分作為區(qū)域I
在第三步得到的初始顯著性圖中查找顯著性值大于等于0.8的超像素作為顯著區(qū)域I，剩下的所有超像素作為非顯著區(qū)域O，代入公式(5)中進行計算，增加被誤劃入非顯著區(qū)域的顯著像素的顯著性；
5.3.3)最終超像素中存在多個顯著性值大于等于0.8的顯著性強的超像素，將每個顯著性強的超像素作為顯著區(qū)域I，剩下的所有超像素作為非顯著區(qū)域O，分別代入公式(5)中進行計算，多次更新顯著性圖；
第六步，根據(jù)顯著部分增加相鄰超像素的顯著性并在貝葉斯框架下更新顯著性圖
在灰度檢測性圖中的顯著部分包含多個超像素，由相鄰超像素之間的相似性增加超像素顯著性，利用SUNSB算法中的三種觀測似然概率的計算方法，在貝葉斯框架下更新顯著性圖；所述的顯著部分中超像素的顯著性值大于等于0.8； 利用相鄰超像素之間的相似性來增加超像素顯著性的步驟如下：
6.1)如果灰度檢測性圖中的顯著部分的像素個數(shù)大于8000，則采用第五步5.3)的方法計算公式(5)，降低被誤劃入顯著部分的非顯著像素的顯著性；如果顯著部分中像素個數(shù)小于等于8000，進行下一步。
6.2)查找與顯著部分中顯著性值大于等于0.8的超像素S1相鄰的所有超像素S2，用公式(1)計算S2中的每個超像素與S1中的每個超像素的顏色差異；用公式(9)計算S2中的每個超像素與S1中的每個超像素的距離：
dis tan ce＝||ri,rj|| (9)
其中，ri和rj是超像素i和j的坐標(biāo)，distance是兩個超像素之間的距離。
6.3)對于步驟6.2)S2中像素個數(shù)小于6000的每個超像素，在每個超像素原來的顯著性值基礎(chǔ)上加上sal得到更新后的顯著性值，相鄰超像素的顯著性增加之后，使用第五步中的三種觀測似然概率的計算方法更新顯著性圖，具體包括以下步驟：
6.3.1)由灰度檢測性圖中的顯著部分增加相鄰超像素的顯著性，得到初始顯著性圖su。
6.3.2)使用第五步5.3)兩次更新su后，再加上su×2.5得到su1。
6.3.3)使用第五步5.1)更新su1得到su2。
6.3.4)使用第五步5.2)更新su1得到su3。
6.3.4)su2與su3取均值得到更新后的顯著性圖。
步驟七、基于人臉識別的顯著性更新
通過與真值進行比較，發(fā)現(xiàn)對于有人的圖片，顯著性的部分往往是包含人的部分，但是的更新方法對人的檢測這方面效果不明顯，特別是對人的頭部的檢測，所以提出了人臉檢測的方法來增加包含人的這部分的顯著性同時減少不相關(guān)部分的顯著性。使用Face++提供的接口對人臉進行檢測，如果檢測到人臉， 則對第六步得到的更新后的顯著性圖進行顯著性更新；如果沒有檢測到人臉，則圖像的顯著性不更新。
人臉識別的返回結(jié)果是一個矩形，這個矩形中包含了檢測到的人臉(可能同時檢測到多張臉)，圖片中的小矩形框表示人臉的位置(為了檢測頭部所在的位置，將矩形框適當(dāng)?shù)剡M行了擴大)。對于每張檢測到的臉，使用SLIC算法將圖片分成400個超像素，保存矩形框包含的所有的超像素(部分超像素并未完全在矩形框中，如果超像素內(nèi)部像素只有很少一部分在矩形框中就刪除該超像素)。
對于包含人的圖片，往往也包含部分或者全部的身體部分，按照人的頭部和身體比例，假設(shè)頭部所在的矩形框的左上角坐標(biāo)為(x，y)，設(shè)置左上角坐標(biāo)為(x+h，y-w/2)，寬度為3w，高度為6h的部分作為身體的大致位置(該位置可能會超出圖片的范圍，超出部分不計)，其中w和h分別為頭部所在矩形框的寬度和高度。在身體所在的矩形框內(nèi)，使用基于水平集得到的最終超像素，查找所有顯著的超像素，剩下的超像素為非顯著的。對于每個非顯著的超像素，在顯著的超像素中查找顏色相似的超像素，顏色的相似度使用公式(1)來計算，如果兩個超像素顏色相近，取顯著部分的超像素的均值作為該非顯著超像素的顯著性值。最后為了減少人所在之外部分的顯著性，首先保存人體的頭部和身體部分所在的矩形框內(nèi)的最終超像素(有的超像素只有部分像素包含在矩形框中)，矩形框進行了適當(dāng)?shù)臄U大來減少誤差，對于人體所在部分之外的最終超像素，減少其顯著性值。
本發(fā)明使用的F-measure整體性能的評價標(biāo)準(zhǔn)具體計算方法為：
其中,β2設(shè)置為0.3，precision為精確度，recall為召回率，F(xiàn)β是評價標(biāo)準(zhǔn)值。
表1是本發(fā)明使用像素單位上的平均絕對誤差(MAE)表示顯著性圖和真值 之間的平均差異來對比不同算法的結(jié)果，其中在Pascal-S，ECSSD，MSRA，DUT-OMRON行表示不同算法的最初結(jié)果。在Pascal-S*，ECSSD*，MSRA*，DUT-OMRON*行表示不同算法的更新后的結(jié)果。每行中最好的兩個結(jié)果分別用**和*進行了標(biāo)注，具體計算方法為：
其中,S為顯著性圖,GT為真值,H為像素個數(shù),h代表每個像素，MAE是平均絕對誤差。
表1不同算法的MAE值和經(jīng)過SUNSB算法更新后的顯著性圖的MAE值
表格1中展示的相當(dāng)?shù)偷腗AE值同樣表明了本發(fā)明得到的顯著性圖與真值的相似性，同時本發(fā)明提出的更新算法可以降低現(xiàn)有算法的MAE值，即提高顯著性圖與真值的相似性，且對多種算法都有很好的效果。
- 還沒有人留言評論。精彩留言會獲得點贊！