面向猴臉的吸收馬爾科夫鏈圖像顯著性檢測*

張 惠， 許鵬飛

(西北大學 信息科學與技術學院，陜西 西安 710127)

面向猴臉的吸收馬爾科夫鏈圖像顯著性檢測*

張 惠， 許鵬飛

(西北大學 信息科學與技術學院，陜西 西安 710127)

傳統的基于吸收馬爾科夫鏈進行圖像顯著性檢測方法只能檢測出與圖像背景差異較大的目標，或者位于圖像中心的顯著目標。但通常情況下，被關注的目標并不具有這樣的條件。提出了一種面向對象的吸收馬爾科夫鏈的顯著性檢測算法，并將其應用于金絲猴面部的顯著性檢測中。算法在傳統的吸收馬爾科夫鏈進行圖像顯著性檢測的過程中，引入懲罰因子，依據一定的先驗信息來動態調整吸收時間。根據超像素塊與目標色彩信息之間的差異對顏色權重進行相應的獎勵或懲罰，以指引算法能夠正確提取多個顯著目標。實驗表明：相對于傳統算法，算法能夠更準確地檢測出被關注的顯著目標，尤其在圖像中含有多個關注目標時，效果更加顯著。

面向對象； 吸收馬爾科夫鏈； 顯著性檢測； 金絲猴面部

0 引 言

顯著性檢測指在圖像中找到人們所感興趣的區域或目標，該研究已在計算機視覺中被廣泛應用，如基于內容的目標檢測[1～3[，圖像檢索[4[，圖像分割[5,6[和圖像適應[7[等。本文主要針對中國陜西秦嶺地區生存的川金絲猴的保護與監測問題，利用圖像顯著性檢測的相關理論和方法在自然圖像中進行猴臉檢測。

目前，顯著性檢測的方法主要包括自底向上和自頂向下2種模型。其中，自底向上的顯著性檢測方法依賴于一些關于顯著對象和背景的先驗知識，并且不同的顯著方法從不同的角度來描述這些先驗知識。例如：Itti L等人為了找到圖像中的顯著區域在不同的尺度空間計算區域對比度[8[。Bruce N等人則利用香農自信息來測量局部顯著性特征[9[。然而，局部對比度沒有考慮全局的影響。為此，Perazzi F等人將對比度和顯著性計算統一到一個高維高斯濾波框架中[10[。Wei Y等人則利用圖像中背景的先驗信息和測地線的距離信息來實現顯著目標的檢測[11[。Yang C等人將顯著性檢測問題轉換為一個基于圖模型的排序問題[12[。面向對象的顯著性檢測，一般情況下已經獲得所檢測目標的一些先驗信息。因此，本文利用馬爾可夫隨機漫步的性質和它與顯著性檢測的關系在圖像中進行猴臉檢測。

現有的基于隨機漫步的顯著性檢測已有較多的研究成果。Costa L F等人通過訪問每個節點的隨機漫步頻率來識別顯著地區[13[。Harel J等人通過定義一個測量模型來計算兩個節點之間的轉移概率以改進文獻[13[中的方法[14[。Gopalakrishnan V等人通過完全連通圖和稀疏圖的擊中時間找到目標種子,并根據目標種子確定一些背景種子；然后，通過其他節點到這兩類種子的不同擊中時間計算其顯著值[15[。而在文獻[16[中，Wang W等人引入熵率和均衡分布來計算從一個節點傳遞到其他節點的平均信息，以用于預測視覺注意力。2013年Jiang B等人提出了一種基于吸收馬爾可夫鏈的圖像顯著性檢測方法[17[，該方法利用背景和顯著目標的色彩差異以及顯著目標一般處于圖像中心位置等信息進行顯著性檢測，并取得了較好的效果。但是，目前,幾乎所有的顯著性檢測方法都是努力檢測出與圖像背景差異較大的目標，或者位于圖像中心的顯著目標。而在較多情況下，利用這些方法檢測出的顯著目標并不是關注的目標。為此，本文提出了一種面向對象的吸收馬爾科夫鏈的顯著性檢測算法，并將其應用于金絲猴面部的顯著性檢測中。

面向猴臉檢測的吸收馬爾科夫鏈圖像顯著性檢測方法在傳統的吸收馬爾科夫鏈進行顯著性檢測的過程中，引入懲罰因子。由于金絲猴面部具有天然的色彩—淡藍色，根據這一先驗信息來動態調整吸收時間的顏色權重。通過計算超像素塊與目標色彩之間的差異來對顏色權重進行相應的獎勵或懲罰，使得與目標先驗信息相似的區域的顯著值不斷增大，以指引算法能夠正確提取多個關注的顯著目標。

1 面向猴臉檢測的吸收馬爾科夫鏈顯著性檢測算法

1.1 傳統的基于吸收馬爾科夫鏈的顯著性檢測[17[

對于待檢測的圖像，首先利用SLIC(simple linear iterative cluster)超像素算法對其進行超像素分割，并復制邊界節點作為虛擬吸收節點，將超像素圖像表示為圖模型G(V，E)。將所有超像素作為節點集合V，每一對節點之間的關系作為邊的集合E，每個節點和與其相鄰或間接相鄰的節點連通。設xi為超像素節點i在CIE LAB顏色空間中的顏色均值，σ為一個控制權重力度的常數，則鄰近節點i和j之間邊的顏色權重wij為

(1)

定義關聯矩陣A，為超像素節點的空間距離關系。在A中，將前t個節點表示為瞬態節點，后r個節點為吸收節點，并用N(i)來表示與節點i相關聯的節點的集合，則A可以通過式(2)獲得

(2)

定義D為某節點連接到每個節點的權重和的矩陣

D=diag(∑jaij)

(3)

依據w和D計算超像素圖像中各節點的顯著值，從而獲得顯著圖像。由于吸收馬爾科夫鏈若達到一定的穩定狀態時，瞬態節點被吸收到任意吸收節點的概率不同，且吸收時間為被吸收之前停留在所有瞬態節點的時間之和。因此，基于吸收馬爾可夫鏈的顯著性檢測方法能夠綜合考慮轉移節點與所有吸收節點的關聯性，最終在顯著圖中能將目標明顯突出于多個背景區域，且統一地突出目標而抑制所有背景區域。

但是在較多的情況下，圖像中要檢測的目標往往不止一個，而傳統的顯著性檢測算法主要是檢測出圖像中最顯著的目標，而次顯著目標與背景的某些區域的顯著值十分接近，從而導致后期難以檢測出圖像中所關注的目標。例如：利用傳統的基于吸收馬爾可夫鏈對圖1進行顯著性檢測，算法能夠很好地檢測出其中一只金絲猴的面部顯著性，如圖1(b)所示。但是對于另一只金絲猴，其顯著性與圖像中心部分的背景區域的顯著值非常接近，導致在后期難以準確提取出次顯著的金絲猴及其面部信息。

圖1 基于傳統的馬爾科夫鏈顯著性檢測

1.2 面向對象的顯著性檢測

(4)

(5)

式中 ?為懲罰因子，一般情況下，?=0.2。通過調節超像素節點的顏色權重，使得與先驗信息相接近的超像素節點的顏色權重值逐漸增大，而與先驗信息存在較大差異的超像素節點的顏色權重值相應減小。整體上，使得圖像中所關注的目標的顯著值明顯高于背景區域的顯著值，增大了多個對象與背景區域的顯著值差。不僅能夠使顯著目標更顯著，同時還能避免次顯著目標與背景相混淆的問題，能夠檢測出圖像中存在的多個關注的目標區域。

2 實驗與分析

為驗證提出算法的有效性，本文主要利用自然場景中的金絲猴圖像作為測試圖像。如圖2～圖6所示，為金絲猴不同的活動場景，并且含有四季變換，背景復雜多變。此外，使用文獻[17[中的顯著性檢測算法進行了對比實驗。實驗結果圖如圖2(b)～圖6(b)所示；本文算法得到的結果圖如圖2(c)～圖6(c)所示。從實驗結果可以看出：對于圖像中只有單個金絲猴的圖像，如圖2(a)所示，兩種算法檢測的結果相似，只是由于本文算法對于面部皮膚有先驗信息，因此，在圖2(a)中本文算法得到結果中面部區域的顯著性較為明顯。而對于含有多個金絲猴的圖像中，兩種算法得到的結果存在較大差異，如圖3～圖5所示。傳統算法能夠很好地檢測出最為顯著的猴臉區域，但是對于次顯著的猴臉，難以使用較高的顯著來表示。相比之下，本文算法不僅能夠讓原本顯著的目標更為顯著，還能夠使用相對于背景的更高顯著值來表示次顯著所關注目標，從而實現了多顯著目標的同時檢測。但是在一些特殊的情況下，本文算法也不能很好地檢測出次顯著目標。如圖6所示，小金絲猴的面部偎依在母親的懷里，其面部皮膚區域面積較小，并且非猴臉區域存在大量與其色彩相似的區域，導致次顯著猴臉不能使用較高的顯著值表示。

圖2 不同顯著性檢測算法得到的顯著圖

圖3 不同顯著性檢測算法得到的顯著圖

圖4 不同顯著性檢測算法得到的顯著圖

圖5 不同顯著性檢測算法得到的顯著圖

圖6 不同顯著性檢測算法得到的顯著圖

3 結 論

本文針對傳統的基于馬爾可夫鏈進行圖像顯著性檢測中存在的次顯著目標難以準確檢測的問題，提出了一種面向對象的顯著性檢測算法，并將其應用于金絲猴面部的顯著性檢測。根據關注目標的先驗信息，在利用吸收馬爾可夫鏈進行猴臉顯著性檢測的過程中，引入懲罰因子，依據圖像中的超像素節點的色彩信息與先驗色彩信息之間的差異來動態調整顏色權重，使得關注的目標在圖像中更為顯著，同時還能夠使得次顯著目標的顯著值相對較高，以實現在圖像中檢測出多個關注目標。實驗結果表明：本文算法在有一定的先驗信息前提下，相對于傳統算法，在檢測目標時具有更強的目標性。

[1] Navalpakkam V,Itti L.An integrated model of top-down and bottom-up attention for optimizing detection speed[C[∥2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition,IEEE,2006:2049-2056.

[2] 周美亮,安博文.基于紅外面陣傳感器的小目標檢測算法[J[.傳感器與微系統,2014,33(11):142-144.

[3] 王 睿,梁志兵,王嘉銘,等.基于多雷達的臨近空間目標檢測前跟蹤算法[J[.傳感器與微系統,2016,35(10):116-119.

[4] Wang X J,Ma W Y,Li X.Data-driven approach for bridging the cognitive gap in image retrieval[C[∥2004 IEEE International Conference on Multimedia and Expo，ICME’04,IEEE,2004:2231-2234.

[5] Wang L,Xue J,Zheng N,et al.Automatic salient object extraction with contextual cue[C[∥2011 IEEE International Conference on Computer Vision(ICCV),IEEE,2011:105-112.

[6] Marchesotti L,Cifarelli C,Csurka G.A framework for visual saliency detection with applications to image thumbnailing[C[∥2009 IEEE 12th International Conference on Computer Vision,IEEE,2009:2232-2239.

[7] 龍 雨,許鵬飛.基于裂縫中心線方向的土遺址裂縫寬度計算方法[J].傳感器與微系統,2016,35(9):14-16.

[8] Itti L,Koch C,Niebur E.A model of saliency-based visual attention for rapid scene analysis[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1998,20(11):1254-1259.

[9] Bruce N,Tsotsos J.Saliency based on information maximiza-tion[J].Advances in Neural Information Processing Systems,2006,18:155-162.

[10] Perazzi F,Kr?henbühl P,Pritch Y,et al.Saliency filters:Contrast-based filtering for salient region detection[C]∥2012 IEEE Conference on Computer Vision and Pattern Recognition(CVPR),IEEE,2012:733-740.

[11] Wei Y,Wen F,Zhu W,et al.Geodesic saliency using background priors[C]∥European Conference on Computer Vision,Berlin Heidelberg:Springer,2012:29-42.

[12] Yang C,Zhang L,Lu H,et al.Saliency detection via graph-based manifold ranking[C]∥Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition,2013:3166-3173.

[13] Costa L F,Rodrigues F A,Travieso G,et al.Characterization of complex networks:A survey of measurements[J].Advances in Physics,2007,56(1):167-242.

[14] Harel J,Koch C,Perona P.Graph-based visual saliency[C]∥Conference on Neural Information Processing Systems(NIPS),2006:5-12.

[15] Gopalakrishnan V,Hu Y,Rajan D.Random walks on graphs for salient object detection in images[J].IEEE Transactions on Image Processing,2010,19(12):3232-3242.

[16] Wang W,Wang Y,Huang Q,et al.Measuring visual saliency by site entropy rate[C]∥2010 IEEE Conference on Computer Vision and Pattern Recognition(CVPR),IEEE,2010:2368-2375.

[17] Jiang B,Zhang L,Lu H,et al.Saliency detection via absorbing Markov chain[C]∥Proceedings of the IEEE International Conference on Computer Vision，2013:1665-1672.

Image saliency detection via absorbing Markov chain for monkeys’faces*

ZHANG Hui, XU Peng-fei

(School of Information Science and Technology,Northwest University,Xi’an 710127,China)

Traditional saliency detection via absorbing Markov Chain can only detect the objects which have great contrast to the background or in the center of the images.However,in fact,the objects human focus on do not usually have these features.To alleviate this problem,propose an object-oriented saliency detection algorithm via absorbing Markov and apply it to saliency detection for monkeys’ faces.This algorithm introduces a penalty factor to traditional saliency detection via Markov Chain to dynamically adjust the absorbing times relying on some prior knowledge.The reward or punishment to the color weights is made according to the differences between the colors of the superpixel points and color information of objects to detect salient objects correctly.The experimental results demonstrate that comparing with traditional algorithm,the proposed algorithm can detect the objects which are focused on correctly,and especially when there are more than one object.

object-oriented; absorbing Markov Chain; saliency detection; monkeys’faces

2017—04—10

國家自然科學基金青年科學基金資助項目(61502387)；西北大學科學研究基金資助項目(14NW27)

10.13873/J.1000—9787(2017)06—0119—03

TP 391

A

1000—9787(2017)06—0119—03

張 惠(1996-)，女，研究方向為數字圖像處理。

許鵬飛(1987-)，男，通訊作者，講師，從事數字圖像處理研究工作，E—mail：pfxu@nwu.edu.cn。