读论文笔记:Object Co-Segmentation Based on Shortes Path Algorithm and Saliency Mode

Fanman Meng, Hongliang Li, Guanghui Liu, and King Ngi Ngan, "Object Co-segmentation based on Shortest Path Algorithm and Saliency Model,"IEEE Transactions on Multimedia, vol.14, no. 5, pp. 1429 - 1441, 2012.

作者工作单位是电子科技大学,相关主页见链接,大家有兴趣可以去下载运行。

联合分割(Co-segmentation)是最近比较火的研究课题,主要目标是从多张图像中分割出相同的目标前景,之前的方法主要是建立在像素级上,而本篇论文采用了先针对单张图像进行预风格,然后进行优化组合(shortest path)找出多张图像中的相同目标。具体的步骤为:

Step 1:采用多种分割方法对单张图像进行分割,本文采用了基于显著性的grubcut,基于轮廓的方法等将单张图像分割成候选区域R(i,j),其中i为图像标号,j为区域标号;

Step 2:构建有向图模型,将第一步得到的每个候选区域作为图的节点,让第i幅图像的节点——候选区域R(i,j)指向第i+1幅图像的所有候选区域R(i+1,:);这里要注意的第i幅图像的候选区域之间没有edge相连。边的权重W由两部分的加权和组成,W = W1 + alpha*W2。

第一部分W1是两个候选区域的颜色或者形状相似度,第二部分W2是每个区域的显著性值;为了表示方便,增加两个虚拟节点,给这个图模型添加一个起点和一个终点。

Step 3:这样,就将联合分割问题转换成了最短路径求解,通过寻找最短路径而得到多张图像中的共同或者相似目标。

具体模型见下图:


之前的疑惑:

如果候选区域块分割不完整但和ground true具有相同的颜色和纹理,这样的候选区域对结果的干扰如何消除?

对于这个问题,关键就在于边的权重W的第二部分,这部分是以候选区域的显著性值大于0.5的和与整个图像的显著性大于0.5的和做比。这样有效保证了候选区域越完整,W2越大。并且,第二部分的权重alpha的选取也至关重要,推荐取0.2, 0.5, 1.0, 1.2等。

方法的局限性:

1. 每张图像的显著性计算要准确,如果显著性计算错误,也就是背景显著性比较高,那么分割出的目标位背景区域;

2. 每张图像有且只能有一个前景;

3. 最后分割的准确性极大的由候选区域的分割有关,如果候选区域不能包含很准确的前景,那么准确率肯定很差。



评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值