基于流行排序的显著性检测方法-MR

详细算法见点击打开链接

一、流行排序

给定一个数据集,m为特征维数，其中一些数据被标记为查询对象。

定义排序函数，相对于查询对象给每个数据分配排序得分，将f看成一个向量。

定义指示向量，为查询对象时，否则，。

图模型G=(V,E)，图的节点V由数据集X组成，图的边E由关联矩阵确定。

图的度矩阵。对于给定的查询对象的排序得分可以通过求解式（1）得到：

对上式求导设置0，可以得到排序函数最终优化结果：

I为单位矩阵，参数，实验时为0.99，S为规范化的拉普拉斯矩阵，采用非规范化的拉普拉斯矩阵进行改进：

二、显著性检测

SLIC超像素分割，将超像素作为图G中的节点E，构造k-正则图：每个节点不仅和它相邻的节点相连，那些与该节点的邻接节点共享同一个超像素边界的节点也和该节点相连；图像四个边界处的节点两两之间相连。两个节点之间边权重为：

其中ci和cj表示对应于CIE LAB颜色空间中的两个节点的超像素的平均值，σ是控制边权重的常数。

三、两个阶段

（1）使用图像边界上的节点作为背景种子点。以图像上边界为例：

使用边界上的节点作为查询节点，其他的作为未被标记的节点，由此可得出指示向量y，根据公式(3)可以计算出所有节点的排序得分f*，是一个N维向量，每一个元素为一个节点和背景种子点的相关性，归一化该向量[0,1]，超像素节点i的显著性为：

由此可得到使用上边界先验的显著图St。类似的，可以计算出使用下、左、右边界的超像素节点作为背景种子点的显著图Sb、Sl、Sr，四个显著图融合：

由此得到第一阶段的显著图Sbq。

（2）对第一阶段的显著图进行自适应阈值分割，阈值为整幅图像的平均显著性，由此选出前景种子点。进而可以得到指示向量y，由公式(3)可以计算得到排序向量f*，归一化到[0,1]。

每一个元素为一个节点和前景种子点的相关性，即为显著性。

至此，得到最终显著图。