Saliency特征提取分析 CVPR 系列（一）

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