基于全局對比度的顯著性區(qū)域檢測

《基于全局對比度的顯著性區(qū)域檢測》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、指導(dǎo)教師評定成績(五級(jí)制)：指導(dǎo)教師簽字：附件C：譯文基于全局對比度的顯著性區(qū)域檢測Ming-MingCheng1Guo-XinZhang1NiloyJ.Mitra2XiaoleiHuang3Shi-MinHu11TNList,TsinghuaUniversity2KAUST3LehighUniversity摘要視覺顯著性的可靠估計(jì)能夠?qū)崿F(xiàn)即便沒有先驗(yàn)知識(shí)也可以對圖像適當(dāng)?shù)奶幚恚虼嗽谠S多計(jì)算機(jī)視覺任務(wù)中留有一個(gè)重要的步驟，這些任務(wù)包括圖像分割、目標(biāo)識(shí)別和自適應(yīng)壓縮。我們提出一種基于區(qū)域?qū)Ρ榷鹊囊曈X顯著性區(qū)域檢測算法，同時(shí)能夠?qū)θ謱Ρ榷炔町惡涂臻g一致性做出評估。該算法簡易、高效并且產(chǎn)出滿分

2、辨率的顯著圖。當(dāng)采用最大的公開數(shù)據(jù)集進(jìn)行評估時(shí)，我們的算法比已存的顯著性檢測方法更優(yōu)越，具有更高的分辨率和更好的召回率。我們還演示了顯著圖是如何可以被用來創(chuàng)建用于后續(xù)圖像處理的高質(zhì)量分割面具。1引言人們經(jīng)常毫不費(fèi)力地判斷圖像區(qū)域的重要性，并且把注意力集中在重要的部分。由于通過顯著性區(qū)域可以優(yōu)化分配圖像分析和綜合計(jì)算機(jī)資源，所以計(jì)算機(jī)檢測圖像的顯著性區(qū)域存在著重要意義。提取顯著圖被廣泛用在許多計(jì)算機(jī)視覺應(yīng)用中，包括對興趣目標(biāo)物體圖像分割[13,18]、目標(biāo)識(shí)別[25]、圖像的自適應(yīng)壓縮[6]、內(nèi)容感知圖像縮放[28,33,30,9]和圖像檢索[4]等。顯著性源于視覺的獨(dú)特性、不可預(yù)測性、稀缺性

3、以及奇異性，而且它經(jīng)常被歸因于圖像屬性的變化，比如顏色、梯度、邊緣和邊界等。視覺顯著性是通過包括認(rèn)知心理學(xué)[26,29]、神經(jīng)生物學(xué)[8,22]和計(jì)算機(jī)視覺[17,2]在內(nèi)的多學(xué)科研究出來的，與我們感知和處理視覺刺激密切相關(guān)。人類注意力理論假設(shè)人類視力系統(tǒng)僅僅詳細(xì)處理了部分圖像，同時(shí)保持其他的圖像基本未處理。由Treisman和Gelade[27]，Koch和Ullman[19]進(jìn)行的早期工作，以及隨后由Itti，Wolfe等人提出的注意力理論提議將視覺注意力分為兩個(gè)階段：快速的、下意識(shí)的、自底向上的、數(shù)據(jù)驅(qū)動(dòng)顯著性提取；慢速的、任務(wù)依賴的、自頂向下的、目標(biāo)驅(qū)動(dòng)顯著性提取。我們通過圖像對比度

4、來關(guān)注自底向上的數(shù)據(jù)驅(qū)動(dòng)顯著性檢測。人們普遍認(rèn)為，人類大腦表皮細(xì)胞在其接受域可能是硬編碼的，為的是優(yōu)先響應(yīng)高對比度刺激[21]?；谝韵掠^察結(jié)果，我們提出了對提取的高分辨率全局顯著圖的對比度分析：l基于全局對比度的方法能夠?qū)⒁粋€(gè)大規(guī)模目標(biāo)從它周圍的環(huán)境中分離出來，相對于只在輪廓附近產(chǎn)生高顯著值的基于局部對比度的方法更優(yōu)越。l全局考慮能夠?qū)崿F(xiàn)將相近的顯著值分配到相似的圖像區(qū)域，并且可以均勻的突出整個(gè)目標(biāo)。l一個(gè)區(qū)域的顯著性主要依靠它與相近區(qū)域的對比度，而與遠(yuǎn)區(qū)域的對比度相對沒有那么重要。l顯著圖應(yīng)該是能夠簡單快速的生成，為了實(shí)現(xiàn)大圖像集合的處理和促進(jìn)圖像分級(jí)與檢索的高效率進(jìn)行。我們提出了一種基

5、于直方圖對比度的方法（HC）來測量顯著性。HC-maps依據(jù)與所有其它圖像像素的色彩差異來分配像素顯著值，以此來產(chǎn)生全分辨率的顯著圖。我們使用直方圖的方法來高效處理，同時(shí)使用一種平滑操作來控制量化缺陷。值得注意的是我們的算法是針對自然場景，對高紋理圖像場景可能要弱些（見圖12）。圖1輸入圖像（上），經(jīng)全局對比度分析得到的高分辨率的顯著圖（中），顯著圖可以進(jìn)一步被用來產(chǎn)生感興趣物體區(qū)域（下）作為HC-map的改進(jìn)，我們結(jié)合空間關(guān)系創(chuàng)造出了基于區(qū)域?qū)Ρ榷鹊模≧C）顯著性圖，我們首先把輸入的圖像分割為數(shù)區(qū)域，然后賦予他們顯著值。現(xiàn)在一個(gè)區(qū)域的顯著值是通過全局對比度值來計(jì)算的，全局對比度值是通過此區(qū)

6、域與圖像中的其他區(qū)域的對比以及與其他區(qū)域的空間距離來度量。我們在公開的基準(zhǔn)數(shù)據(jù)集上廣泛地評估我們的方法，并且將我們的方法與最先進(jìn)顯著性方法[17,21,32,14,15,1,2,12]以及人工標(biāo)注的參考數(shù)據(jù)進(jìn)行對比1。實(shí)驗(yàn)表明，我們的方法比以往的方法在精度和召回率上都具有明顯的改進(jìn)?？偟膩碚f，與HC-map相比，RC-map具有更高的精度和召回率，不過是以增加計(jì)算量為代價(jià)的。令人欣慰的是，我們注意到用我們的顯著圖提取的顯著性分割在絕大多數(shù)情況下是符合人工注釋的。我們也呈現(xiàn)了顯著圖在圖像分割、內(nèi)容感知圖像縮放和非真實(shí)感渲染中的應(yīng)用。2相關(guān)工作我們主要關(guān)注把下意識(shí)的自底向上的顯著性檢測作為目標(biāo)的

7、相關(guān)文獻(xiàn)，這可能是基于生物學(xué)激勵(lì)，或者是純粹的計(jì)算，抑或是兼顧這兩個(gè)方面。這些個(gè)方法利用低水平的處理來決定圖像目標(biāo)與它們周圍的對比度，用到了像亮度、顏色和邊緣這樣的特征屬性。我們把這些算法概括得分為局部方案和全局方案。基于局部對比度的方法研究圖像區(qū)域相對于局部鄰域相關(guān)的稀有度。Koch和Ullman[19]提出的早期模型受到生物學(xué)激勵(lì)的高度影響，在這個(gè)基礎(chǔ)上Itti等人[17]用貫穿多尺度圖像特征的中心-周圍