唐红梅白梦月 韩力英 梁春阳

(河北工业大学电子信息工程学院 天津300401)

1 引言

人类的视觉注意机制能够从复杂的场景中排除琐碎的信息并筛选出最有吸引力的区域。显著性检测的目的是定位最能吸引人注意的区域，同时忽略非重要的视觉信息[1,2]。显著性检测作为图像的预处理过程，被应用到图像检索等领域[3,4]。按照数据处理方式，显著性检测的方法分为两类：自下而上模型和自上而下模型[5]。自下而上模型在数据驱动下，采用纹理、边界等线索完成显著性检测。自上而下模型以任务驱动的方式对带有类标签的模型进行训练，从而实现显著性检测，耗费时间较长[6]。本文专注于自下而上模型。

近些年，图像的显著性检测算法在不断进步。测地显著性(Geodesic Saliency,GS)算法[7]从背景线索出发，通过测量像素到边界的最短路径距离来计算每个区域的显著值；加权低秩恢复(Weighted Low Rank Recovery,WLRR)算法[8]采用背景高级先验引导特征矩阵分解的方式得到显著图。文献[9]改进VGG-16网络以优化显著性检测，模型训练成本较高。显著性的传播机制具有高效性，成为了显著性检测的重要策略之一。基于图的流形排序(Graph Based Manifold Ranking,GBMR)算法[10]采用图排序检测显著目标，依据背景先验选取种子节点，导致显著目标在边界时检测效果差；流形保持扩散(Manifold-Preserving Diffusion,MPD)算法[11]探索了平滑项和局部重建误差项两个假设，以保持显著性检测的流形结构；基于流形排序的矩阵分解(Manifold Ranking based Matrix Factorization,MRMF)算法[12]在矩阵分解中对排序问题建模，合并空间信息、嵌入标签，赋予相邻超像素相似的显著性值。……