面向猴脸的吸收马尔科夫链图像显著性检测*

张 惠， 许鹏飞

(西北大学 信息科学与技术学院，陕西 西安 710127)

面向猴脸的吸收马尔科夫链图像显著性检测*

张 惠， 许鹏飞

(西北大学 信息科学与技术学院，陕西 西安 710127)

传统的基于吸收马尔科夫链进行图像显著性检测方法只能检测出与图像背景差异较大的目标，或者位于图像中心的显著目标。但通常情况下，被关注的目标并不具有这样的条件。提出了一种面向对象的吸收马尔科夫链的显著性检测算法，并将其应用于金丝猴面部的显著性检测中。算法在传统的吸收马尔科夫链进行图像显著性检测的过程中，引入惩罚因子，依据一定的先验信息来动态调整吸收时间。根据超像素块与目标色彩信息之间的差异对颜色权重进行相应的奖励或惩罚，以指引算法能够正确提取多个显著目标。实验表明：相对于传统算法，算法能够更准确地检测出被关注的显著目标，尤其在图像中含有多个关注目标时，效果更加显著。

面向对象； 吸收马尔科夫链； 显著性检测； 金丝猴面部

0 引 言

显著性检测指在图像中找到人们所感兴趣的区域或目标，该研究已在计算机视觉中被广泛应用，如基于内容的目标检测[1～3[，图像检索[4[，图像分割[5,6[和图像适应[7[等。本文主要针对中国陕西秦岭地区生存的川金丝猴的保护与监测问题，利用图像显著性检测的相关理论和方法在自然图像中进行猴脸检测。

目前，显著性检测的方法主要包括自底向上和自顶向下2种模型。其中，自底向上的显著性检测方法依赖于一些关于显著对象和背景的先验知识，并且不同的显著方法从不同的角度来描述这些先验知识。例如：Itti L等人为了找到图像中的显著区域在不同的尺度空间计算区域对比度[8[。Bruce N等人则利用香农自信息来测量局部显著性特征[9[。然而，局部对比度没有考虑全局的影响。为此，Perazzi F等人将对比度和显著性计算统一到一个高维高斯滤波框架中[10[。Wei Y等人则利用图像中背景的先验信息和测地线的距离信息来实现显著目标的检测[11[。Yang C等人将显著性检测问题转换为一个基于图模型的排序问题[12[。面向对象的显著性检测，一般情况下已经获得所检测目标的一些先验信息。因此，本文利用马尔可夫随机漫步的性质和它与显著性检测的关系在图像中进行猴脸检测。

现有的基于随机漫步的显著性检测已有较多的研究成果。Costa L F等人通过访问每个节点的随机漫步频率来识别显著地区[13[。Harel J等人通过定义一个测量模型来计算两个节点之间的转移概率以改进文献[13[中的方法[14[。Gopalakrishnan V等人通过完全连通图和稀疏图的击中时间找到目标种子,并根据目标种子确定一些背景种子；然后，通过其他节点到这两类种子的不同击中时间计算其显著值[15[。而在文献[16[中，Wang W等人引入熵率和均衡分布来计算从一个节点传递到其他节点的平均信息，以用于预测视觉注意力。2013年Jiang B等人提出了一种基于吸收马尔可夫链的图像显著性检测方法[17[，该方法利用背景和显著目标的色彩差异以及显著目标一般处于图像中心位置等信息进行显著性检测，并取得了较好的效果。但是，目前,几乎所有的显著性检测方法都是努力检测出与图像背景差异较大的目标，或者位于图像中心的显著目标。而在较多情况下，利用这些方法检测出的显著目标并不是关注的目标。为此，本文提出了一种面向对象的吸收马尔科夫链的显著性检测算法，并将其应用于金丝猴面部的显著性检测中。

面向猴脸检测的吸收马尔科夫链图像显著性检测方法在传统的吸收马尔科夫链进行显著性检测的过程中，引入惩罚因子。由于金丝猴面部具有天然的色彩—淡蓝色，根据这一先验信息来动态调整吸收时间的颜色权重。通过计算超像素块与目标色彩之间的差异来对颜色权重进行相应的奖励或惩罚，使得与目标先验信息相似的区域的显著值不断增大，以指引算法能够正确提取多个关注的显著目标。

1 面向猴脸检测的吸收马尔科夫链显著性检测算法

1.1 传统的基于吸收马尔科夫链的显著性检测[17[

对于待检测的图像，首先利用SLIC(simple linear iterative cluster)超像素算法对其进行超像素分割，并复制边界节点作为虚拟吸收节点，将超像素图像表示为图模型G(V，E)。将所有超像素作为节点集合V，每一对节点之间的关系作为边的集合E，每个节点和与其相邻或间接相邻的节点连通。设xi为超像素节点i在CIE LAB颜色空间中的颜色均值，σ为一个控制权重力度的常数，则邻近节点i和j之间边的颜色权重wij为

(1)

定义关联矩阵A，为超像素节点的空间距离关系。在A中，将前t个节点表示为瞬态节点，后r个节点为吸收节点，并用N(i)来表示与节点i相关联的节点的集合，则A可以通过式(2)获得

(2)

定义D为某节点连接到每个节点的权重和的矩阵

D=diag(∑jaij)

(3)

依据w和D计算超像素图像中各节点的显著值，从而获得显著图像。由于吸收马尔科夫链若达到一定的稳定状态时，瞬态节点被吸收到任意吸收节点的概率不同，且吸收时间为被吸收之前停留在所有瞬态节点的时间之和。因此，基于吸收马尔可夫链的显著性检测方法能够综合考虑转移节点与所有吸收节点的关联性，最终在显著图中能将目标明显突出于多个背景区域，且统一地突出目标而抑制所有背景区域。

但是在较多的情况下，图像中要检测的目标往往不止一个，而传统的显著性检测算法主要是检测出图像中最显著的目标，而次显著目标与背景的某些区域的显著值十分接近，从而导致后期难以检测出图像中所关注的目标。例如：利用传统的基于吸收马尔可夫链对图1进行显著性检测，算法能够很好地检测出其中一只金丝猴的面部显著性，如图1(b)所示。但是对于另一只金丝猴，其显著性与图像中心部分的背景区域的显著值非常接近，导致在后期难以准确提取出次显著的金丝猴及其面部信息。

图1 基于传统的马尔科夫链显著性检测

1.2 面向对象的显著性检测

(4)

(5)

式中 ∂为惩罚因子，一般情况下，∂=0.2。通过调节超像素节点的颜色权重，使得与先验信息相接近的超像素节点的颜色权重值逐渐增大，而与先验信息存在较大差异的超像素节点的颜色权重值相应减小。整体上，使得图像中所关注的目标的显著值明显高于背景区域的显著值，增大了多个对象与背景区域的显著值差。不仅能够使显著目标更显著，同时还能避免次显著目标与背景相混淆的问题，能够检测出图像中存在的多个关注的目标区域。

2 实验与分析

为验证提出算法的有效性，本文主要利用自然场景中的金丝猴图像作为测试图像。如图2～图6所示，为金丝猴不同的活动场景，并且含有四季变换，背景复杂多变。此外，使用文献[17[中的显著性检测算法进行了对比实验。实验结果图如图2(b)～图6(b)所示；本文算法得到的结果图如图2(c)～图6(c)所示。从实验结果可以看出：对于图像中只有单个金丝猴的图像，如图2(a)所示，两种算法检测的结果相似，只是由于本文算法对于面部皮肤有先验信息，因此，在图2(a)中本文算法得到结果中面部区域的显著性较为明显。而对于含有多个金丝猴的图像中，两种算法得到的结果存在较大差异，如图3～图5所示。传统算法能够很好地检测出最为显著的猴脸区域，但是对于次显著的猴脸，难以使用较高的显著来表示。相比之下，本文算法不仅能够让原本显著的目标更为显著，还能够使用相对于背景的更高显著值来表示次显著所关注目标，从而实现了多显著目标的同时检测。但是在一些特殊的情况下，本文算法也不能很好地检测出次显著目标。如图6所示，小金丝猴的面部偎依在母亲的怀里，其面部皮肤区域面积较小，并且非猴脸区域存在大量与其色彩相似的区域，导致次显著猴脸不能使用较高的显著值表示。

图2 不同显著性检测算法得到的显著图

图3 不同显著性检测算法得到的显著图

图4 不同显著性检测算法得到的显著图

图5 不同显著性检测算法得到的显著图

图6 不同显著性检测算法得到的显著图

3 结 论

本文针对传统的基于马尔可夫链进行图像显著性检测中存在的次显著目标难以准确检测的问题，提出了一种面向对象的显著性检测算法，并将其应用于金丝猴面部的显著性检测。根据关注目标的先验信息，在利用吸收马尔可夫链进行猴脸显著性检测的过程中，引入惩罚因子，依据图像中的超像素节点的色彩信息与先验色彩信息之间的差异来动态调整颜色权重，使得关注的目标在图像中更为显著，同时还能够使得次显著目标的显著值相对较高，以实现在图像中检测出多个关注目标。实验结果表明：本文算法在有一定的先验信息前提下，相对于传统算法，在检测目标时具有更强的目标性。

[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.基于红外面阵传感器的小目标检测算法[J[.传感器与微系统,2014,33(11):142-144.

[3] 王 睿,梁志兵,王嘉铭,等.基于多雷达的临近空间目标检测前跟踪算法[J[.传感器与微系统,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] 龙 雨,许鹏飞.基于裂缝中心线方向的土遗址裂缝宽度计算方法[J].传感器与微系统,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,Krähenbühl 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

国家自然科学基金青年科学基金资助项目(61502387)；西北大学科学研究基金资助项目(14NW27)

10.13873/J.1000—9787(2017)06—0119—03

TP 391

A

1000—9787(2017)06—0119—03

张 惠(1996-)，女，研究方向为数字图像处理。

许鹏飞(1987-)，男，通讯作者，讲师，从事数字图像处理研究工作，E—mail：pfxu@nwu.edu.cn。