CN104318571A - 一种基于背景非显著度的图像显著性算法评价方法 - Google Patents

Abstract

本发明公开了一种基于背景非显著度的显著性检测算法评价方法，包括：步骤1，将待测算法结果即显著图与人工标定图像归一化到相同尺寸；步骤2，将归一化后的显著图进行简单阈值T_f∈[0,255]分割；步骤3，分割后的结果与人工标定图像之差的绝对值定义为非显著度R。该方法通过定义计算显著性检测算法所得结果的非显著度R来评估各种显著性检测算法结果中包含的非显著信息的多少，R值越小表示非显著度越低也就是显著度越高，显著图的质量越好，显著性检测算法的适用性就越广。进而来评价显著性检测算法的实用性。

Description

一种基于背景非显著度的图像显著性算法评价方法

技术领域

本发明涉及计算机视觉与图像处理技术领域，具体涉及一种基于背景非显著度的图像显著性算法评价方法。

背景技术

随着计算机视觉的发展，图像显著性检算法越来越多，所得结果的质量也愈加难以判定。其中，一种好的显著性检测算法所得高质量显著图可以给多种计算机视觉任务提供重要性指导，如基于内容的图像缩放、物体识别、感兴趣物体分割等。但是，在工程实际中如何从众多质量参差不齐的显著图中快速挑选出高质量的显著图，成为了一个重要的工程实际问题。因此，需要一种能够客观、快速的评价一种图像显著性检测算法所得显著图质量的优劣的显著性检测算法评价方法，这样就能够挑选出合适的显著性检测算法来应用于多种计算机视觉任务。

现阶段，显著性检测算法的评价方法主要是基于2009年Achanta等人提出的ROC曲线，该方法主要是基于准确率(P)、召回率(R)和F值来评价一种显著性检测算法。这些评价指标虽说现在被广泛应用，其主要缺点有两个：不能很好的反映显著图中包含非显著信息的多少，我们知道，显著图中非显著信息对显著图的应用有很大的影响，例如在图像重定位中包含大量非显著信息的显著图往往会给重定位带来错误的指导；另外，由于其在计算的时候要取多个阈值，这样使得其计算速度变得很慢，使这种算法在工程实践中的应用存在较大的局限性，难以满足很多实时处理的应用需求。

因此，提出一种基于背景非显著度的图像显著性算法评价方法，成为本领域目前亟待解决的技术问题。

发明内容

本发明提出了一种基于背景非显著度的图像显著性算法评价方法。其目的在于通过定义计算显著性检测算法所得结果的非显著度R来评估各种显著性检测算法结果中包含的非显著信息的多少，进而来评价显著性检测算法的实用性。

本发明的目的是通过下述技术方案来实现的。

一种基于背景非显著度的图像显著性算法评价指标，包括：

步骤1，将待测算法结果即显著图与人工标定图像归一化到相同尺寸；

步骤2，将显著性检测算法所得显著图进行简单阈值分割；

步骤3，分割后的结果与人工标定图像之差的绝对值定义为非显著度R。

优选地，步骤2进一步包括，本发明使用迭代阈值法，计算分割阈值，来对显著性检测算法所得显著图进行分割，获取待测算法所得显著图的二值图像。

优选地，步骤3进一步包括，本发明用显著性检测方法所得显著图分割后所得二值图像和人工标定图像的差异度来定义非显著度R。

本发明利用显著性检测结果与人工标定图像的差异度来定义非显著度R。非显著度能够很好的反应出显著图中非显著信息的多少，R值越小表示非显著度越低也就是显著度越高，显著图的质量越好，显著性检测算法的适用性就越广。

附图说明

图1为本发明的流程；

图2为本发明对一些显著图的评价结果；

图3为本发明对现存经典显著性检测算法评价结果。

具体实施方式

下面结合附图及具体实施方式进一步说明本发明。

本发明一种基于背景非显著度的图像显著性算法评价方法如图1所示，其重要步骤介绍如下：

1.图像归一化相同尺寸

为了能够更加客观的评价显著性检测算法，本发明统一将算法所得结果即显著图和人工标定图像归一化到相同尺寸；

2.简单阈值分割

选取合适的阈值T_f∈[0,255]，对显著图进行阈值分割，获取显著图的二值图像，这里T_f本发明使用迭代阈值法进行计算。

3.计算非显著度R

本发明利用显著图与人工标定图像差异度定义非显著度R，具体计算方法：

R＝mean|I_s-I_g|   (1)

其中，I_s为待评价显著图经简单阈值分割后结果，I_g为人工标定图像R为非显著度为I_s和I_g之差绝对值矩阵的均值。如果评价多幅显著图，R计算方法为：

$R=\frac{\underset{j}{\mathrm{\Σ}}\mathrm{mean}|I_s-I_g|}{j}---\left(2\right)$

其中，j为待评价图片张数。

附图2给出了本发明对一些显著图的评价，可以从图2(a)(b)中直观的看到，当显著图没有检测到显著目标，或者显著图中除了目标之外还包含非显著信息较多时，所得R值将会比较大。而当显著目标比较清晰，且包含的非显著信息较少时，才能得到比较小的R值如图2(c)所示，图2(d)为人工标定图其R值为0。

附图3给出了本发明使用MESR(1000)数据库对2014年Cheng等人提出的"Globalcontrast based salient region detection"，即图3中RC和HC方法、2012年Wu等人提出的"Aunified approach to salient object detection via low rank matrix recovery"，即图3中LR方法、2009年Achanta等人所提"Frequency-tuned salient region detection"，即图3中IG方法、2012年Goferman等人所提"Context-aware saliency detection"，即图3中CA方法、1998年Itti等人所提"A model of saliency-based visual attention for rapid scene analysis"，即图3中IT方法、2003年Ma等人所提"Contrast-based image attention analysis by using fuzzy growing"，即图3中MZ方法和2007年Hou等人所提"A spectral residual approach"，即图3中SR方法的评价结果，与ROC曲线方式有比较一致的结果，但是我们的算法有更快的计算速度。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于背景非显著度的显著性检测算法评价方法，其特征在于，包括以下步骤：

步骤1，将待测算法结果即显著图与人工标定图像归一化到相同尺寸；

步骤2，将归一化后的显著图进行简单阈值T_f∈[0,255]分割；

步骤3，分割后的结果与人工标定图像之差的绝对值定义为非显著度R。

2.根据权利要求1所述的方法，其特征在于：步骤(2)中所述简单阈值分割，使用迭代阈值法，计算分割阈值，来对显著性检测算法所得结果进行分割，获取待测算法所得显著图的二值图像。

3.根据权利要求1所述的方法，其特征在于：步骤(3)中所述定义非显著度R，利用待测算法所得显著图的二值图像与人工标定图像差异度定义非显著度R，通过下式得到：

R＝mean|I_s-I_g|                            (1)

其中，I_s为待评价算法所得显著图经简单阈值分割后的结果，I_g为人工标定图像R为非显著度为I_s和I_g之差绝对值矩阵的均值。

4.根据权利要求1所述的方法，其特征在于：评价显著性检测算法所得多幅显著图时，利用多幅显著图与其相对应人工标定图像差异度定义平均非显著度R，通过下式得到：

$R=\frac{\underset{j}{\mathrm{\Σ}}\mathrm{mean}|I_s-I_g|}{j}---\left(2\right)$

其中，j为待评价图片张数。