论文研究-基于小波变换和Retinex算法的显著性检测.pdf

所需积分/C币:24 2019-07-22 20:08:56 1.52MB .PDF
26
收藏 收藏
举报

针对之前提出的很多算法产生的显著图都存在背景信息杂乱、干扰噪声多、细节丢失等问题,提出了一种基于小波变换和Retinex算法的显著性检测算法。首先,利用Retinex算法对图像进行前期处理;然后,对前期处理过的图像进行SLIC超像素分割,对超像素进行小波变换,分别生成原始图像低频部分和高频部分的特征图,并进行适当的双边滤波降噪生成对应的显著图;最后,通过加权组合这两种显著图得到最终的显著性图。实验结果表明,提出的算法生成的显著图具有受背景影响小、噪声少以及细节突出等优势。
1912· 计算机应用研究 第35卷 L2 HL2 算法的部分显著性检测结果对比图。从图8中可以看出,本文 LH2 HH2 显著性检测结果亏 ground truth(CT)重合度比较高.同时满足 LHI HHI 了人眼视觉的愉悦性,与视觉注意点吻合,且细节表现较其他 图6二次小波解析示意图 的方法更突出。此外,无论是显著性区域较小(小船)或铰大 式(2)(3)仅仅只是利用了小波变换的细节系数,即H (花宋),本文算法的效果都不错。 V、D,对应于图6的HL、LH、HH三个部分,但是忽略了图像 的LL部分,即近似系数A(还原后的低频特征图)因此,本 文利用式(4)来对LL部分进行操作 C(x,y)=(A(x,y)-A4)2 其中:C(x,y)表示小波分解后,处于c频道分量IJ.部分的超 像素之间的像素对比度;4表示∏部分位于坐标(x,y)处的超 像索值;A4表示超像素的算术平均值。通过N(·)正规化,使 C.(x,y)的值处于[0,255]。最后用式(5)进行图像还原。 fi map(x, y)=IdWT(Cr +Ccb+Ccr) ●的: 其中:IWT(·)是二维逆小波变换:/map则对应近似系数。 (3)原图CT) Ft(dGC(e)Ho(PCA(gRC(h)WD(本文 1.5显著性图的产生 图8与六种算法的对比结果 在1.4节已经得到原始图像的低频部分fmap和高频部22PR曲线和ROC曲线 分fmap特征图,显著图的产生利用式(6)-(8)获得,其视 为了客观地评价本文算法的效果,首先采用常用的准确 觉效果如图7所示。 率一召回率( precision-recl)曲线对木文算法和其他算法进行 了定量分析比较。从0~255依次选取阈值,将其他算法生成 1“8max(1mBb(x 的显著图进行二值化,并与CT进行比较,计算相应的 precision fH map,(x, y),H maps(x, y)))bfp 和 recall,出对应的P曲线。式(9)中P是准确率、R是召 )xIk (7) (8)回率、S(x,y)表示算法得到的显著性图,G(x,y)是 ground 其中:研x是滤波尺刂k=5的双边滤波器,用于平滑所产生的 uth。图9显示算法对比的PR曲线 显著性图;s;(x,y)是高频部分的显著性图;S1(x,y)是低频部 ∑x∑,S(x,y)xG(x,y),∑x∑yS(x,y)xG( ∑,∑,S(x.y) 分的显著性图;S是最后的显著性图;p是高频显著图所占的权 - measure用来对准确率和召回率进行综合考虑,如式 重,在实验中,设定p=0.6。因为在此阈值下,位于显著性区 (10)所示。 域的像索点显著性值提高,其他无关区域的像素点显者性值降 (1 +a)PXR 低或保持不变。 2xP+R (10) 其中:B是决定准确率和召回率影响程度大小的权重值;a2 般取值0.3,即使得准确率白权重高于召回率。图10显示了 各个算法的 precision、 recall以及 F-measure值的柱状图。 (a)input image (b)high frequency (c)low frequeney (d)final saliency map 图7本文算法产生的显著图视觉效果 80.7 065 2实验结果及分析 0.3 SWD 2.1实验条件与评价指标 0.1 00.10.20.3040.5060.708091 为了客观地评佔本文算法的正确性和有效性,进行如下实 false positive rate 验验证。实验运行的硬件平台为个人计算机( Inter Core i7/四 佟9算法的PR曲线对比 核2.60 GHz CPU,内存为8GB),软件平台为 MATLAB aF-ireast R2014b。选择在四个标准的公开测试图像厍上进行实验验 证,分别是BSD、 ECSSD、ASD,SOD。 Berkeley图像库BSD包括 了多种不同尺寸和不同位置的前景月标,是图像识别的一个标 准数据库; ECSSD包括1000幅不同大小的包含多和目标的图 像;ASD图像数据库是MSAR库的子库,包含了1000多幅图 C HC PCA RC SWD 像,是显著性检测和图像分割常用的数据库;SOD测试图像库 图10算法的 precision、 recall I以及 F-measure值的柱状图对比 是基于BSD数据集的,包含300幅图像,每幅图像包含一个或 为了进一步进行本文算法和其他算法的比较,又分别计算 多个日标并且青景比较复杂,被认为是比较有挑战性的测试图了ROC曲线( receiver operating characteristic curve)和AUC值 像库。本文算法与比较通用的五种算法FT27)、GC2、HC、AUC值即为ROC曲线以下面积的积分。图11是各个算法的 RC、PCA30、swD3进行了比较。图8是本文算法与对比ROC曲线对比结果;表1则展示了各个算法的AUC值对比 第6期 孙庆文,等:基于小波变挽和 Retinex算法的显著性检测 1913· on Computer Vision. Washington DC: IEEE Computer Society, 2013 1665-16 90.6 onset [Il Wei Yichen, Wen Fang, Zhu Wangjiang, et al. Geodesic saliency u- 0.5 sing background priors C]//Proc of European Conference on Com- 03 puter Vision. Berlin: Springer, 2012: 29-42 L 12 Ilansen L K, Karadogan S, Marchegiani L. What to measure next to improve decision making? On top-down task driven feature saliency 00.10.20.30.40.50.60.70.80.91 [C//Proc of IEEE Sy nilive algorithms Mind. and Brain. 2011. 1-7 图11本文算法和其他算法ROC由线对比 [13 Baluch F, Itti L. Mechanisms of top-down attention[J_. Trends in 表1各种算法的AUC值对比 Neurosciences, 2011, 34(4): 210-224 背景↑文算法FT SWD [14 Tian Qi, Sebe N, Lew M S, et al. Image retrieval using wavelet-basec 弱光照0.93210.86410.84030.85230.76940.84640.5746 salient points[ J]. Journal of Electronic Imaging, 2001, 10(4) 强光照0.95720.90430.91650.89430.74950.88650.5861 425-436. HR/ 0. 948 1 0.935 2 0. 896 2 0.95630.81380.9473 0 5503 [151 Murray N, Vanrell M, Otazu X, ct al. Saliency estimation using a 背景相似0.92490.86120.85230.9334080430.93950.5409 non-parametric low-level vision model[ C]//Proc of IEEE Conference 通过以上ROC曲线、PR曲线以及AUC值等的对比可以 on Computer Vision and Patlern Recognition. 2011: 433-440 明显地看出,本文提出的算法的各方面性能指标是优于GC [16] Imamoglu N, Lin W, Fang Y A saliency detection model using low- level features based on wavel-el transform[ J]. IEEE Trans on Mul FT、RC等常用的显著性检测算法的,因此综合考虑这些比较 timed,2013,15(1):96-105 因素,本文算法相对于其他算法具有很大的优势。同刑,本文117 Abkenarm r, Ahmad m(. Superpixel-based salient region delection 算法运行于 MATLAB上,若是用C++编写,则其运算速度能 using the wavelet transform [ C1//Proc of IEEE' International Confer ence on Cireuits and Systems. 2016: 2719-2722 得到进一步的提升。 [18 Ngau C W H, Ang I M, Seng K P. Boltom-llp visual saliency map using wavelet transform domain[C]//Proc of the 3rd IEEE Internatio 3结束语 nal Conference on Computer Science and Information Technology Piscataway, NJ: IEEE Press, 2010: 692-695 本文结合小波变換和 Retinex算法以及超像素,提出了一[19] Land E h, Me Cann JJ. ightness and Ret inex thenry[. Journal of 种新的显著性检测模型。该算法的优势在于充分利用到了图 the Optical Society of Amerca, 1971, 61(1):1-1 像的高频部分和低频部分,既不会产生过多的噪声,也不会过[201 Land e h. The Retinex theory of color vision J]. cientific Ameri can,1977,237(6):108-128 分的丟失图像细节。同时, Retinex算法的应用也降低了图像121」 Jobson d J,Rta ahman Z, Woodell G A. Properties and performance of 所处背景对图像显著性检测的影响。而在于通过显著性检测 a center/surround Retinex[ J]. IEEE Trans on Image Processing 算法的对比中,也将本算法的优势凸显出来了。而以后的研究 1997,6(3):451-462. 22 Jobson DJ, Rahman Z, Woodell G A. A multiscale retinex for brid 中,就要考虑到如何进一步的提高显著性检测的准确性和计算 ging the gap between color images and the human observation of scene 效率,也可以将显著性检测应用到更复杂的应用中,如行人检 [J. IEEE Trans on Image Processing, 1997, 6(7):965-976 测、表情分析等。 [23] Rahman Z, Jobson D J, Woodell G A. Retinex processing for auto- nhancement[J. Journal of Electronic Ima 参考文献: [I Rutishauser U, Walther D, Koch C, et al. Is bottom-up attention use- 24 1 Ngau C W H, Ang L M, Seng K P. Comparison of colour spaces for ful for object recognition? [ C]//Proc of IEEE Computer Society visual saliency[C]//Proc of International Conference on Intelligent Conference on Comuter Vision and Pallern Reengnition 20014: 37-44 Hurman-Machine Systems and Cybernetics. Washington DC: IFEF. [2 Han J, Ngan K N, Li Mingjing, et al. Unsupervised extraction of vi sual attention objects in color images[J. IEEE Trans on Circuits [25 Frintrop S. VOCUS: A visual attention system for object detection and Systems for Video Technology, 2006, 16(1): 141-145 and goal-directed search[ M. Berlin: Springer, 2006 ,, by using fuzzy growing[ C]//Proc of the 1lth ACM International Con- 3 Ma Yufei, Zhang Longjiang. Contrast-based image attention analysis [26] Achanta R, Shaji A, Smith K, et al. SLIC superpixels state-of-the-art superpixe Imethods J 1. IEEE Trans on Pattern ference on Multimedia. New York. ACM Press. 2003. 374-381 Analysis and Machine Intelligence, 2012, 34(11): 2274-2282 [4. Christopoulos C, Skodras A, Ebrahimi T. The JPEG2000 still image [27] Arhanla R, Hemami S, Estrada F, et al. Frequenry-luned salient re- oding system: an overview. IEEE Trans on Consumer Elec gion detection[ C]//Proc of IEEE Conference on Computer Vision tronics,2000,46(4);l103-127. d Pattern Recognition. 2009 1597-1604 [5 Yuan Yixuan, Wang Jiaole, Li Baopu, et al. Saliency based ulcer [28] Cheng Mingming, Warrell J, Lin Wenyan, et al. Efficient salient re delec lion for wireless capsule endoscopy diagnosis[J.IEEE Trans gion detection with soft image abstraction C //Proc of IEEE Intena- on Medical Imaging, 2015, 34(10): 2046-2057 on Computer Vision. Washington DC: IEEE 6 Itti L, Koch C, Niebur E. A model of saliency- based visual atlention puter Society, 2013: 1529-1536 for rapid scene analysis[ J. IEEE Trans on Pattern Analysis and [29] Cheng Mingming, Zhang Guoxin, Mitra N J, et al. Global contrast Machine Intelligence, 1998, 20( 11): 1254-1259 based salient region detection[ C//Proc of IEEE Conference on Com [7 Bruce N DB, 'lsotsos J K. Saliency, attention and visual search: an lter Vision and Recognition. Washington DC: IEEE Computer Socie information theoretic approach[ J ] Journal of Vision, 2009, 9(3): 5-5 y,2011:409-416 [8 Judd T, Ehinger K, Durand F, et ul. Learring to predict where h- [30] Margolin R, Tal A, Zelrik-Manor L. What makes a patch distinct? ans look_C]//Proc of the 12th International Conference on Compu- [C]//Proc of IEEE Conference on Computer Vision and Pattern Re ter vision. Washington DC: IEEE Computer Society, 2009: 2106-2113 cognition. Washington DC: IEEE Computer Society, 2013: 1 139 [9] Liu Tie, Sun Jian, Zheng Nanning, et al. Learning to detect a salient 1146 object[ c]//Proe of IEEE Conferenee on Computer Vision and Pattern [31 Duan Lijuan, Wu Chunpeng, Miao Jull, et al. Visual sali elly detec- Recognition. Piscataway, NJ: IEEE Press, 2007: 1-8 tion by spatially weighted dissimilarity[C ]// Proc of IEEE Confe L 10 Jiang Bowen, Zhang Lihe, Lu Huchuan, et al. Saliency deteetion via rence on Computer Vision and Pattern Recognition Washington DC absorbing Markov chain[C]//Proc of IEEE International Conference IEEE Computer Society, 2011: 473-480

...展开详情
试读 4P 论文研究-基于小波变换和Retinex算法的显著性检测.pdf
立即下载 低至0.43元/次 身份认证VIP会员低至7折
一个资源只可评论一次,评论内容不能少于5个字
您会向同学/朋友/同事推荐我们的CSDN下载吗?
谢谢参与!您的真实评价是我们改进的动力~
关注 私信
上传资源赚钱or赚积分
最新推荐
论文研究-基于小波变换和Retinex算法的显著性检测.pdf 24积分/C币 立即下载
1/4
论文研究-基于小波变换和Retinex算法的显著性检测.pdf第1页

试读结束, 可继续读1页

24积分/C币 立即下载