張兆豐，吳澤民，杜麟，胡磊

　　(中國人民解放軍理工大學 通信工程學院，江蘇 南京 210007)

       摘要：針對目標在圖像邊界上帶來的檢測誤差，提出了邊界顯著性算法。首先在多尺度下對圖像進行超像素分割，計算邊界差異，估計其邊界顯著性。而后對所有超像素進行模式挖掘，得到顯著性種子，并與邊界顯著性相結合。最后通過顯著性傳播得到最終顯著圖。在三個公開的測試數(shù)據(jù)集上將本文提出算法與其他18種主流的現(xiàn)有算法進行對比。大量實驗結果表明，所提出的算法在不同數(shù)據(jù)集上都優(yōu)于目前主流算法。

　　關鍵詞：邊界顯著性；多尺度；模式挖掘；顯著性種子；顯著性傳播

　　中圖分類號：TN919.85文獻標識碼：ADOI： 10.19358/j.issn.1674-7720.2017.08.012

　　引用格式：張兆豐，吳澤民，杜麟，等.邊界顯著性與模式挖掘［J］.微型機與應用，2017,36（8）：34-38.

0引言

　　*基金項目：國家自然科學基金（61501509）近年來，計算機視覺受到了眾多學者的關注，顯著性檢測作為降低計算復雜度的重要預處理過程，更是被廣泛應用于目標識別、目標跟蹤以及圖像分割等相關領域。

　　顯著性檢測被劃分為兩個領域：一是眼動點預測，這一類模型被廣泛應用于生物學、神經學等認知領域。另外就是本文所討論的顯著性目標檢測。通常又將顯著性目標檢測分為兩類：自頂向下的任務驅動方法，針對目標的高級特征信息，通過大量樣本的訓練進行檢測。與之相反，自底向上的數(shù)據(jù)驅動方法通常利用顏色、紋理以及空間分布等低級特征獲取顯著圖。早期的一些方法基于中心優(yōu)先，通過計算目標與其周圍環(huán)境對比度得到顯著圖。自從Wei Yichen［1］首先提出利用圖像邊界作為背景的思路后，越來越多的算法采用背景優(yōu)先或邊界優(yōu)先，并取得了較好的檢測效果。這類方法通常將邊界區(qū)域作為背景，雖然大多數(shù)情況下圖像邊界很有可能成為背景，但是對于傳統(tǒng)的背景優(yōu)先算法將所有的邊界歸為背景并不合理。

　　本文主要針對上述問題，提出邊界顯著性，并與模式挖掘相結合，從而同時利用目標和邊界特征，更好地將多特征整合。最終得到的結果優(yōu)于其他先進算法。

1相關工作

　　早期的一些圖像顯著性檢測算法，通常是基于中心優(yōu)先。這一類算法大多從圖像中顯著目標與背景區(qū)域對比度差異的角度出發(fā)，計算局部或者全局對比度。但是基于對比度的中心優(yōu)先算法存在以下缺陷：首先對于局部對比度，目標的邊緣區(qū)域與背景特征差別較大，對比度自然較高，但是目標內部對比度相差不大的，反映到最終的顯著圖上很容易造成目標相對清晰高亮，而內部模糊不清，整體性較差。而對于全局對比度，當背景特征與目標相似時誤檢的可能性較高。而且基于中心優(yōu)先的算法對目標的所在位置與尺寸大小有較強的針對性，對于大尺寸目標和目標在邊界上這類情況，檢測效果往往較差。

　　區(qū)別于中心優(yōu)先，近來，越來越多的顯著性檢測算法利用背景優(yōu)先構建顯著圖。Wei Yichen最早提出背景優(yōu)先這一概念，將圖像邊界默認為背景，對分割后的圖像，計算分割塊到邊界的測地線距離來衡量其顯著性。文獻［2］在此基礎上提出了邊界連通度這一概念，并給出了可以推廣到其他模型上的優(yōu)化算法。諸如此類的背景優(yōu)先算法大多有一個共同的缺陷，對于所有邊界都不加區(qū)分地作為背景對待，因此對于目標在邊界上這類情況，檢測效果沒有從根本上得到提升。

　　為了更好地解決目標在邊界上帶來的一系列問題，本文提出了一種邊界顯著性算法，并與模式挖掘相結合。圖1為本文算法流程圖，首先對輸入圖像在多尺度上進行超像素分割，而后對所有邊界計算邊界差異，從而估計其邊界顯著性。同時對所有超像素進行模式挖掘，得到顯著性種子，并結合邊界顯著性結果，對得到的種子加以顯著性傳播，最終得到顯著圖。

　　2圖的構建

　　目前超像素分割已經融入到計算機視覺、模式識別等各個研究領域。利用超像素作為圖像處理的基本單元，大幅度降低了直接處理像素的算法復雜度。本文選取了簡單線性迭代聚類（Simple Linear Iterative Clustering ，SLIC）［3］進行超像素分割，不僅基本保留了圖像原本的結構化信息，而且使得到的區(qū)域如同細胞一樣排列比較緊湊規(guī)整，可以把以前基于像素的方法加以改造后應用，統(tǒng)計特征也比較好保持。

　　對于一般圖像而言，圖像中的物體尺度各不相同，待檢測的顯著目標也就會有多種尺度。因此最終的顯著性檢測的結果與超像素的數(shù)量是有很大關系的，如果從單一尺度進行顯著性檢測，很有可能導致最終檢測不準確。為了最大程度降低尺度上帶來的影響，本文在三個不同尺度上對圖像進行分割，超像素個數(shù)分別是300，400和500。以超像素V為節(jié)點，鄰接超像素之間為邊E，構造一個無向加權圖G=(V,E)。相鄰節(jié)點間權重定義如下：

　　其中ci和cj分別代表節(jié)點i和j在CIELab色彩空間上的平均顏色值，ci－cj代表兩個節(jié)點在CIELab色彩空間上的歐氏距離。σ是權重控制參數(shù)，反映了超像素之間的差異，一般手動設置其大小。當圖像中顏色差異較大時，σ的值相應較大；當圖像整體顏色差異較小時，σ的值相應較小。參照文獻［4］依據(jù)超像素顏色的差異來自適應計算σ值:

　　其中，m=14N2s∑Nsi,j=1ci－cj，Ns 表示超像素的總數(shù)。

3邊界顯著性與模式挖掘

　　3.1邊界顯著性

　　現(xiàn)有的顯著性檢測算法對于普通的目標與背景區(qū)分效果較好，但是當目標的一部分位于邊界上時，如圖2所示，很多基于背景優(yōu)先的算法也無法給出較好的檢測結果。這是由于傳統(tǒng)基于背景優(yōu)先的檢測算法沒有對邊界加以區(qū)分，直接把所有邊界都當作背景處理所導致的。因此本文提出了邊界顯著性這一概念，對邊界上目標出現(xiàn)的可能性進行估計，從而提升最終檢測效果。

　　通過對大量圖像樣本的統(tǒng)計發(fā)現(xiàn)，對于目標在邊界上的圖像，如果把所有邊界超像素視為一個連通區(qū)域，大多數(shù)情況下只有相對較小的一部分是顯著目標，而且顯著目標和背景往往在顏色分布上有著明顯的區(qū)別。因此借鑒文獻［5］、［6］，在RGB色彩空間上分別計算邊界的像素分布。

　　其中B={top, bottom, left, right}代表圖像的四條邊界，h=0,1,2，…，255代表不同的亮度區(qū)間，NB代表邊界連通區(qū)域像素總數(shù)，Ip代表像素p的亮度，δ(·)表示單位脈沖響應函數(shù)。然后計算邊界像素分布間的馬氏距離（Mahalanobis Distance, MD），構造邊界差異矩陣：

　　其中MDcolor(B1,B2)表示在不同顏色通道下，邊界B1和B2之間的馬氏距離。color=

　　其中Ccolor表示在不同顏色通道下的協(xié)方差矩陣。得到4×4的邊界差異矩陣D，將矩陣每一列元素加和，最終得到每條邊界與其他邊界的差異度：

　　dn=∑4m=1D(Bn,Bm)（6）

　　以負指數(shù)函數(shù)估計邊界上存在目標的概率從而表示邊界顯著性：

　　S(Bn)=1－exp(－(dn/dmin－1))（7）

　　其中dmin=min{di}i=1，…，4為差異度最小的邊界，即邊界上存在目標的可能性最小，因此邊界顯著性為0。其余邊界差異度越大，目標在邊界上的可能性就越大，與之對應的邊界顯著性越大。

　　3.2基于邊界顯著性改進的模式挖掘算法

　　模式挖掘最早應用在市場營銷分析，近年來逐漸被應用到計算機視覺領域。文獻［7］利用模式挖掘，在先驗顯著圖的基礎上尋找可靠的種子節(jié)點：

　　supp(A)>t1

　　conf(A→pos)>t2（8）

　　其中supp(·)代表支持度，conf(·)代表置信度，A代表頻繁項集，pos代表正樣本（即顯著）標簽，t1和t2分別是支持度和置信度的篩選閾值參數(shù)，根據(jù)文獻［7］分別設置為90%和20%。最終得到的顯著性種子集合記為L。f={f1,f2,…，fNs}T代表節(jié)點標簽向量，結合第3節(jié)中提到的邊界顯著性，對f初始化如下：

　　對于模式挖掘得到的顯著性種子，初始化為1；對于不是顯著性種子但位于邊界上的節(jié)點，按其邊界顯著度初始化；對于其他節(jié)點則初始化為0。

　　而后利用隨機游走模型進行顯著性傳播：

　　公式(10)~(12)分別代表隨機游走（Random Walking, RW）、拉普拉斯算子（Laplacian, La）、先驗顯著圖（Priori Saliency, PS）。N(i)代表節(jié)點i的鄰接節(jié)點，yi代表先驗顯著圖中節(jié)點i的顯著值，α和β 是權重控制參數(shù)，分別取值0.5和0.01。

　　argminf{RW+La+PS}

　　s.t.fi=1,i∈L（13）

　　公式(13)中分別考慮了傳統(tǒng)的隨機游走、二次拉普拉斯算子、先驗顯著圖對于最終顯著檢測結果的影響。

4實驗結果

　　4.1實驗設置

　　測試數(shù)據(jù)集：本文在3個公開數(shù)據(jù)集對提出的算法進行測試，并與其他18種顯著性檢測模型做橫向比對。下面分別說明本文使用的3個數(shù)據(jù)集的不同特點。

　　MSRA：1 000張圖像，含有像素級的真值標準，大部分圖像為單一目標，但是很多圖像中目標在邊界上，存在一定的挑戰(zhàn)性。

　　SED2：100張圖像，含有像素級的真值標準，雖然圖像規(guī)模較小，但是所有圖像都存在兩個目標，并且大多數(shù)目標位于邊界上，挑戰(zhàn)難度很大。

　　ECSSD：1 000張圖像，含有像素級的真值標準。背景比較復雜，存在很多大尺度目標而且有很多位于邊界上的目標，挑戰(zhàn)難度很大。

　　對比算法：SR，F(xiàn)T，LC，HC，SF，GS，RC，GC，PCA，HS，MR，MC，DSR，HDCT，RBD，RRWR，wCOBD和PM。其中GS［1］，MR［8］，MC［9］，DSR［10］，RBD［2］和wCOBD［11］為近年來比較優(yōu)秀的基于背景優(yōu)先的顯著性檢測算法。

　　評價指標：為了更加全面地衡量本文提出算法的檢測性能，通過準確度召回率（PrecisionRecall，PR）曲線、Fmeasure、平均絕對誤差（Mean Absolute Error，MAE）和AUC（Area Under ROC（Receiver Operating Characteristics，接收者操作特性） Curve，ROC曲線下面積）對所有算法進行評價。

　　本文所有試驗都是在MATLAB平臺上實現(xiàn)的，所應用的計算機配置為Intel E52620，CPU 2 GHz，96 GB RAM。

　　4.2定性分析

　　圖3展示了包括本文所提出的算法在內共19中顯著檢測模型最終生成的顯著圖。其中既包含了經典的中心優(yōu)先算法，也包含了近年來優(yōu)秀的背景優(yōu)先算法。選取了不同類型的圖像作為示例加以說明。對于第一個檢測樣本，目標表現(xiàn)出不同的顏色特征（蝴蝶翅膀黑白相間），一些算法不能很好地給出完整一致的目標整體，而且圖像邊界上存在干擾目標。對于第二個檢測樣本，背景區(qū)域和前景目標顏色區(qū)分較小，導致一些基于顏色對比度的檢測算法檢測失敗。對于第三個檢測樣本，目標內部顏色對比度明顯，導致部分算法對目標整體性估計不足（大多只能較好地檢測黃色花蕊，但是對于紅色花瓣檢測效果欠佳），而且背景區(qū)域存在小尺度噪聲。第四和第五個檢測樣本顯著目標均位于邊界上，而且在第五個檢測樣本中背景區(qū)域存在其他干擾目標，導致部分算法對于邊界目標顯著性估計不足。

　　本文算法由于結合了邊界顯著性與模式挖掘，在原有基礎上加強了對邊界信息的處理能力，而且由于在多尺度上計算，很大程度上避免了不同尺度噪聲帶來的影響。對于不同場景檢測效果較好，魯棒性較強。

　　4.3定量分析

　　本文首先利用P-R曲線對所有算法進行評價。在計算機視覺領域，P-R曲線是一種常用指標。首先將得到的圖5三個數(shù)據(jù)集上不同算法的Fmeasure曲線顯著圖量化到［0,255 ］區(qū)間內，按照一定的閾值分割得到二值圖，然后參照真值圖，計算準確度和召回率。

　　如圖4所示，在三個數(shù)據(jù)集上測試結果顯示，本文所提算法與其他算法相比，檢測結果表現(xiàn)較好。

　　通常準確度和召回率難以同時保證，為了綜合評價顯著圖的質量，本文采用Fmeasure曲線進一步對所有算法進行評價。其實質是準確度和召回率的調和平均。

　　圖5給出了本文算法與其他算法的F-measure曲線，可以看出本文算法整體上優(yōu)于其他算法。

　　為了進一步對所有算法進行比較，還分別計算了不同算法的AUC。AUC值可以很好地反映不同算法的正確率和誤警率。表1給出了不同算法的AUC值。

　　最后，用MAE來衡量顯著圖與真值之間的相似程度，其值在［0, 1］區(qū)間內，值越小代表性能越好。表2給出了所有算法的MAE值，反映出本文所提算法在不同數(shù)據(jù)集上都與真值更加接近。

　　從上述四種評價指標的結果來看，尤其是與GS，MR，MC，DSR，RBD和wCOBD這些基于背景優(yōu)先的檢測算法相比，本文算法性能有所提升，證明本文所提出的邊界顯著性的有效性，而且在不同數(shù)據(jù)集上均有相對較好的表現(xiàn)，證明了本文算法有較強的魯棒性。

5結論

　　本文提出了邊界顯著性算法。在多個尺度上對圖像進行處理，從而降低了目標尺度不同造成的檢測誤差。并與模式挖掘像結合，有效地解決了目前算法對于邊界的顯著性估計不足的問題。在三個數(shù)據(jù)集上，對本文所提模型與其他18種先進顯著性檢測模型進行對比，大量實驗說明本文模型能夠取得更好的檢測結果，有較強的魯棒性。

參考文獻

　?。?］ Wei Yichen, Wen Fang, Zhu Wangjiang, et al. Geodesic saliency using background priors［C］. 12th European Conference on Computer Vision (ECCV), Florence, Italy, 2012: 29-42.

　?。?］ Zhu Wangjiang, Liang Shuang, Wei Yichen, et al. Saliency optimization from robust background detection［C］.IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Columbus, USA, 2014: 2814-2821.

　　［3］ ACHANTA R,SHAJI A, SMITH K, et al. Slic superpixels compared to stateoftheart superpixel methods［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2012, 34(11): 2274-2281.

　?。?］ 劉杰, 王生進. 融合聚類與排序的圖像顯著區(qū)域檢測［J］. 清華大學學報(自然科學版), 2016(9):913-919.

　?。?］ 楊雪. 基于視覺感知的圖像顯著區(qū)域的提?。跩］. 微型機與應用, 2015, 34(2):47-48.

　?。?］ LI Changyang, Yuan Yuchen,Cai Weidong, et al. Robust saliency detection via regularized random walks ranking［C］. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Boston, USA, 2015:2710-2717.

　?。?］ Kong Yuqiu, Wang Lijun, Liu Xiuping, et al. Pattern Mining Saliency［C］. 15th European Conference on Computer Vision (ECCV), Amsterdam, Holland, 2016: 583-598.

　?。?］ Yang Chuan, Zhang Lihe, Lu Huchuan, et al. Saliency detection via graphbased manifold ranking［C］. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Portland, USA, 2013. 31663173.

　?。?］ Jiang Bowen, Zhang Lihe, Lu Huchuan, et al. Saliency detection via absorbing Markov chain［C］. IEEE Conference on Computer Vision (ICCV), Sydney, Australia, 2013: 1665-1672.

　　［10］ Li Xiaohui, Lu Huchuan, Zhang Lihe, et al. Saliency detection via dense and sparse reconstruction［C］. IEEE Conference on Computer Vision (ICCV), Sydney, Australia, 2013: 2976-2983.

　?。?1］ Jiang Qingzhu, Wu Zemin, Tian Chang, et al. Salient object detection based on discriminative boundary and multiple cues integration［J］. Journal of Electronic Imaging, 2016, 25(1): 1-14.