基于凸包计算和小波变换的显著目标检测算法_谭永前.pdf

第 44 卷第 4 期兵 器 装 备 工 程 学 报2023 年 4月收稿日期:2022 08 25;修回日期:2023 01 16基金项目:贵州省基础研究计划(自然科学)项目(黔科合基础-ZK 2022 一般 526;黔科合基础 ZK 2021一般 245);国家自然科学基金项目(11464023);凯里学院博士专项课题(BS202004)作者简介:谭永前(1984)，男(苗族)，硕士，副教授，CCF 会员，E-mail:tanyongqian1163 com。通信作者:曾凡菊(1986)，女(土族)，博士，教授，E-mail:z-f-j-1163 com。doi:1011809/bqzbgcxb202304036基于凸包计算和小波变换的显著目标检测算法谭永前1，曾凡菊1，2(1 凯里学院 大数据工程学院，贵州 凯里556011;2 重庆大学 光电工程学院，重庆400044)摘要:针对传统显著性检测算法存在显著性区域检测不准确、区域亮度不高以及不能有效抑制背景干扰等问题，提出了一种基于凸包计算和小波变换的显著目标检测算法(CHWT)。首先，在 GB、Lab、HSV 空间分别对输入图像进行凸包计算，得到凸包交集，并对凸包交集进行二值化掩膜;其次，在多个尺度下对输入图像进行超像素分割，并利用 M(manifold ranking)算法得到多个尺度下的显著图，融合多个尺度下的显著图，并与凸包交集二值化掩膜进行贝叶斯融合获得多尺度超像素凸包显著图;最后，利用小波变换对输入图像的离散余弦变换(DCT)系数幅度谱进行多尺度分解，计算得到多尺度小波变换显著图，并与多尺度超像素凸包显著图进行线性融合获得最终显著图。在MSA-10k、ECSSD 和 HKU-IS 数据集上与其他 6 种现有算法进行了实验对比，实验结果表明:所提 CHWT 算法在准确率 召回率曲线(P 曲线)、算法综合指标(F-Measure)、平均绝对误差(MAE)和结构测量(SM)指标上优于其他算法，所提算法表现出更好的稳定性和鲁棒性。关键词:显著性检测;超像素分割;凸包计算;小波变换;多尺度本文引用格式:谭永前，曾凡菊 基于凸包计算和小波变换的显著目标检测算法J 兵器装备工程学报，2023，44(4):252 261Citation format:TAN Yongqian，ZENG Fanju A salient object detection algorithm based on convex hull calculation andwavelet transform J Journal of Ordnance Equipment Engineering，2023，44(4):252 261中图分类号:TJ06;TP391 41文献标识码:A文章编号:2096 2304(2023)04 0252 10A salient object detection algorithm based on convex hull calculationand wavelet transformTAN Yongqian1，ZENG Fanju1，2(1 School of Big Data Engineering，Kaili University，Kaili 556011，China;2 College of Optoelectronic Engineering，Chongqing University，Chongqing 400044，China)Abstract:Aiming at the problems of the traditional salient detection algorithm，such as inaccuratedetection of saliency regions，insufficient brightness of regions and ineffective suppression of backgroundinterference，this paper herein proposes a salient object detection algorithm based on convex hull andwavelet transform(CHWT)Firstly，the convex hull intersection is obtained by calculating the convex hullof the input images in GB，Lab，and HSV space respectively，and then the binarization mask isperformed on the convex hull intersection Secondly，the input images are superpixel segmented at multiplescales，and the saliency graphs at multiple scales are obtained by using manifold ranking(M)algorithmThrough the combination with the saliency graphs at multiple scales and Bayesian fusion with thebinarization mask of the convex hull intersection，the multi-scale superpixel convex hull saliency graphs areobtained Finally，wavelet transform is used to decompose the DCT coefficient amplitude spectrum of theinput images from multiple dimensions，and the multi-scale wavelet transform saliency graphs are obtainedBesides，final saliency graphs are achieved through the linear fusion with the multi-scale superpixel convexhull saliency graphs The results show that，compared with the performance of the six other existingalgorithms on MSA-10k，ECSSD and HKU-IS datasets，the proposed CHWT algorithm in this work issuperior in indicators like the Precision-ecall curve(P curve)，algorithm comprehensive index(F-measure)，mean absolute error(MAE)and structure measurement(SM)indexes，which shows betterstability and robustness of the proposed CHWT algorithmKey words:saliency detection;superpixel segmentation;convex hull calculation;wavelet transform;multi-scale0引言Itti 等1 在 1998 年首次提出视觉注意力机制的概念，这种视觉注意力机制受人类认知生理和心理的控制，是人类处理各种视觉信息的一种重要机制。受人类这种处理视觉信息注意力机制的启发，众多学者开始把计算机模型与视觉注意力机制相结合，开启了计算机视觉领域对于图像显著性检测的研究2 4。一幅图像的显著性可定义为图像中的主要组成元素吸引人类视觉注意的能力，其显著性检测可定义为采用计算模型检测图像中最吸引人类视觉注意力、最令人感兴趣、视觉表现力最强的区域5 6。由于图像的显著性检测是模仿人类视觉注意力机制过程，因此可通过一系列的算法处理来获取图像中最能吸引人类注意力的区域或目标，能够大大降低图像后续处理的复杂度和节省存储空间。因此，图像的显著性检测被广泛应用于计算机视觉领域，如目标检测7、目标跟踪8、视觉跟踪9、语义分割10 等。目标检测是为了突出显著区域，显著目标检测经过多年的不断发展，可分为两大类:一类算法是基于低层特征不需要经过学习的自下而上的方法;另一类算法是基于高层特征信息需要通过不断学习的自上而下的方法。基于 低 层 特 征 不 需 要 经 过 学 习 的 自 下 而 上 的 方法11 14，该类方法直接利用相关先验信息，通过底层的像素等信息进行计算，需要人工提取特征，达到将显著目标区域与其背景进行区分的目的。Yan 等12 采用图像的全局颜色对比度与中心先验相乘作为单尺度下的显著性度量值，该方法得到的显著图存在背景干扰的问题，在对背景复杂的图像进行显著性检测时效果欠佳;Tong 等13 使用图像的中心先验与局部颜色对比度相乘的方法来计算显著性值，最后采用多尺度加权融合的方式得到像素级别的显著图，对边界模糊不清的情况起到一定的改善作用，但显著目标亮度不够的问题仍待解决;Zhu 等14 采用 Harris 角点凸包的方法实现了前景物体的近似定位，利用凸包先验图和中心偏置值相结合得到初始显著图，最后对其优化得到最终结果。Zeng 等15 提出一种线性融合的目标建议方法，并将其应用于弱监督目标检测中。崔等16 把图像的对比度特征、颜色特征等显著性线索通过元胞自动机融合得到显著图，这种采用多线索融合方式有助于检测出图像边缘完整的显著性目标，在复杂场景图像上的检测性能得到一定提高。唐立婷等17 提出凸包改进流行排序的显著性区域检测方法，该方法解决了传统流行排序相关显著性检测算法在处理图像时把目标影子误检，以及检测结果中显著区域被识别成背景等问题，该改进算法提高了显著目标检测的准确性。基于高层特征信息需要通过不断学习的自上而下的方法18 20，该类方法利用深度学习自动学习得到多尺度特征(颜色、形状、纹理等)对输入图像进行检测，达到定位图像显著性区域的目的。Hou 等18 提出跳跃结构的短链接检测算法，使得每一层具有更加丰富的多尺度特征映射，让显著性目标的边界更加清晰;Feng 等19 提出一种注意力反馈网络边界感知显著目标检测算法，该算法利用边界增强损失来获得更精确的边界，从而实现显著性目标的分割;Zhang 等20 提出利用字幕网络作为辅助网络来提高显著性目标的检测性能。自上而下显著目标检测算法18 20 相对于传统算法在目标检测的准确性、时效性、分辨率以及利用单一网络同时完成显著性目标的检测和边界定位等方面要优于传统算法。但是，基于深度学习的显著性目标检测方法也还存在一些不足，如需要依赖于已有的大量数据进行训练，且学习训练需要多个阶段，训练步骤较为繁琐、耗时，需占用大量的存储空间，算法复杂度较高等。自下而上的显著目标检测方算法只需提取相应的底层特征来实现显著性目标的检测，不需要经过繁琐的学习训练，速度快，耗时短。本文致力于研究和改进传统自下而上的方法，在对现有该类算法进行分析总结时，发现当前相关算法存在如下不足:算法在消除背景干扰时不理想，导致从复杂的背景图像中检测显著区域时效果不佳，检测准确性有待提高;生成的显著性目标全分辨率较低，模糊不清，352谭永前，等:基于凸包计算和小波变换的显著目标检测算法且不能完整均匀高亮显著目标;检测显著目标不够准确，显著目标的边界不够清晰。本文提出一种基于凸包计算和小波变换的显著目标检测算法(CHWT)，首先在不同颜色空间进行凸包计算并计算凸包交集，提高了