Saliency Detection via Graph-Based Manifold Ranking (CVPR2013)
本文动机:本文综合利用图像中背景和前景的先验位置分布以及连通性,得到saliency 分割的更好效果。
包含技术:采用bottom-up的目标检测;SLIC图像过分割;流行排序算法。
基本思路:本文同时利用了前景和背景像素或者区域(本文利用的是超像素块分为200块),把超像素块映射到一个闭环图中, 超像素块作为图中的节点,并且每个节点通过比较与背景和前景的相似度来排名(这里采用的是流形排序算法)。
图 saliency 处理过程
算法流程如上图所示:
(1)采用边界优先的原则,分别计算用四边做为背景,估计前景的显著性;
(2)合并四边的估计效果map图,得到初始的saliency map;
(3)阈值化分割得到二值前景图;
(4)利用背景进行流行排序得到最终的saliency map。
流行排序的目的:目标就是要获取一个排序函数,来对那些还没有标记的节点进行排序。
实验设置:
数据集: MSRA 1000、5000,还有作者自己提出的DUT-OMRON 5172张图像。
评测指标:F-measure
自己测试结果:
原图 第一步过程 第二步过程
要想了解更多知识,请参考具体文章 Saliency Detection via Graph-Based Manifold Ranking