联合聚焦度和传播机制的光场图像显著性检测

发布时间：2021-12-30 16:36

　　目的图像显著性检测方法对前景与背景颜色、纹理相似或背景杂乱的场景,存在背景难抑制、检测对象不完整、边缘模糊以及方块效应等问题。光场图像具有重聚焦能力,能提供聚焦度线索,有效区分图像前景和背景区域,从而提高显著性检测的精度。因此,提出一种基于聚焦度和传播机制的光场图像显著性检测方法。方法使用高斯滤波器对焦堆栈图像的聚焦度信息进行衡量,确定前景图像和背景图像。利用背景图像的聚焦度信息和空间位置构建前/背景概率函数,并引导光场图像特征进行显著性检测,以提高显著图的准确率。另外,充分利用邻近超像素的空间一致性,采用基于K近邻法（K-nearest neighbor,K-NN）的图模型显著性传播机制进一步优化显著图,均匀地突出整个显著区域,从而得到更加精确的显著图。结果在光场图像基准数据集上进行显著性检测实验,对比3种主流的传统光场图像显著性检测方法及两种深度学习方法,本文方法生成的显著图可以有效抑制背景区域,均匀地突出整个显著对象,边缘也更加清晰,更符合人眼视觉感知。查准率达到85.16%,高于对比方法,F度量（F-measure）和平均绝对误差（mean absolute error,MAE... 

【文章来源】：中国图象图形学报. 2020,25(12)北大核心CSCD

【文章页数】：9 页

【部分图文】：

光场图像显著性检测方法流程图

不同算法MAE对比结果

为了验证提出方法的有效性和先进性，将本文的实验结果与主流的光场显著性检测传统方法LFS算法(Li等，2017)、WSC算法(Li等，2015)、DILF算法(Zhang等，2015)、深度学习方法LF-Net算法(Zhang等，2020)及2D显著性检测深度学习MWS(multi-source weak supervision)算法(Zeng等，2019)模型进行对比分析。LFS、WSC、LF-Net和本文算法输入均为全聚焦图像和焦堆栈图像，DILF算法增加了深度图，MWS算法输入为全聚焦图像。所有实验基于唯一公开并广泛使用的光场图像显著性检测数据集(light field saliency dataset,LFSD)。LFSD数据集由Lytro光场相机拍摄，包括60幅室内场景和40幅室外场景图像。其中大部分图像前景背景颜色较为相似，背景也相对复杂，且部分图像含有两个及以上的显著物体。不同显著性检测算法的视觉效果如图3所示。本文选取了5幅测试样例图像，前4幅为单目标图像，最后1幅为多目标图像。可以看出，LFS算法在背景复杂时不能很好地抑制背景区域，且同一物体的显著值不一致(图3(b))。WSC算法检测的显著对象不够完整，且方块效应严重(图3(c))。DILF算法检测的显著对象方块效应严重，且对复杂背景不能很好地抑制(图3(d))。深度学习LF-Net算法和MWS算法检测能较好地区分显著区域与非显著区域，但边缘比较模糊(图3(e)和图3(f))。而本文算法可以有效地抑制背景区域，均匀地突出整个显著对象，边缘也更加清晰，显著图更加符合人眼视觉感知(图3(g))。

【参考文献】：
期刊论文
[1]Salient object detection: A survey[J]. Ali Borji,Ming-Ming Cheng,Qibin Hou,Huaizu Jiang,Jia Li.  Computational Visual Media. 2019(02)
[2]多先验特征与综合对比度的图像显著性检测[J]. 袁巧,程艳芬,陈先桥.  中国图象图形学报. 2018 (02)



本文编号：3558588