显著性检测算法学习阶段论文总结(3)

1.Saliency Detection via Dense and Sparse Reconstruction, X. Li, H. Lu, L. Zhang, ICCV2013.
  这篇文章以稀疏表示分类(SRC)原理为基础,对分割图中的超像素进行稠密和稀疏重构,并通过多尺度重构残差建立显著图。这篇文章对与稀疏在显著性方面的应用值得参考,其大致流程如图所示。
  显著性检测算法学习阶段论文总结(3)_第1张图片
下面对论文核心部分进行简单说明。
(1) 论文首先利用SLIC算法将原图进行多尺度分割,并取图像边界超像素作为背景样本集 B=[b1,b2,...,bM]
(2)重构误差:接着对每个超像素计算重构误差,包括两方面;
a.稠密重构误差,首先利用PCA(主成份分析)对背景样本集 B 进行降维处理,计算其特征向量 UB=[u1,u2,...,uD] , 然后根据一下两个公式计算稠密重构误差:

βi=UB(xix¯)εdi=||xi(UBβi+x¯)||22

这里的 x¯ 表示所有超像素的平均特征。
b.稀疏重构误差,该部分利用SRC的基本原理,以背景样本集为字典对超像素进行稀疏重构,其重构公式如下:
αi=argminαi||xiBαi||22+λ||αi||1εsi=||xiBαi||22

(3) 在得到上述两个重构误差后,论文首先对它们进行了一个基于上下文的平滑处理(其实就是先聚类,然后在特征空间中去相邻区域进行一个加权均值处理)。最后,为得到一个全分辨率的显著图,论文以贝叶斯推断和高斯模型为基础进行了多尺度的误差融合(具体流程见论文,后面这部分可以作为算法后期处理参考,可改进的地方不多,不过过多叙述)。
下面贴一些该算法的结果:
显著性检测算法学习阶段论文总结(3)_第2张图片
论文地址: Saliency Detection via Dense and Sparse Reconstruction
类似论文:

a. Saliency Detection via Sparse Reconstruction and Joint Label Inference in Multiple Features
b. Salient object detection based on sparse representation with image-specific prior
c. Improving Bottom-up Saliency Detection by Looking into Neighbors

2. A Unified Approach to Salient Object Detection via Low Rank Matrix Recovery, Xiaohui Shen and Ying Wu, CVRP2012
  这篇论文与上一篇都使用了稀疏的理论,但是与之前不同的是该文章使用的是低秩恢复而非稀疏重构,其核心思想是将输入图片表示为一个低秩矩阵,而显著目标则认为是稀疏噪声。论文再通过低秩恢复(RPCA;范数规则化)。基于低秩恢复是底层显著图,同时论文还加入了高层先验:
(1) 首先论文从原图中提取出每个像素的53维特征,构建低秩矩阵。这53维特征包括:
a. 颜色特征:这里我们首先提取RGB三通道的颜色信息,此外还有原图像的色度和饱和度分量,将其归一化后就可得到5维的颜色特征。
b. 可控金字塔:该部分是在原图的三个尺度层面上,对四个方向使用可控金字塔滤波,从而得到12维的图像信息特征。
c. Gabor滤波器:是对图像纹理特征提取,算法中对从三个尺度上分别提取出12维的方向特征,得到共36为的方向信息。在实验中,设定最小滤波器的宽度为8,其比例因数设为2.
(2)低秩恢复: 得到图像特征后论文首先对该特征进行了一个线性变换 F=FT , 这里 T 是变换矩阵。此后再利用RPCA对低秩矩阵(特征矩阵)恢复,所得的稀疏噪声 E 就是对应超像素的底层显著值。
(3) 高层先验: 该算法中的高层先验有三个因素构成,即位置先验(显著目标通常处于图像中心)、图像含义(比如图像中的人脸更可能是目标)、颜色先验(暖色比如红色黄色更易引起注意)。
(4) 得到(2), (3)后论文将两者融合后就得到了最终的显著图(融合部分这里不在说明),其部分检测结果如下图:
显著性检测算法学习阶段论文总结(3)_第3张图片
论文地址:A Unified Approach to Salient Object Detection via Low Rank Matrix Recovery

3. Salient Object Detection:A Benchmark, Ali Borji, DickyN.Sihite, Laurent Itti, ECCV2012

1.主要贡献:一篇关于显著性模型的综合论文,总结了自2011年以及之前发表的,能容易得到的(代码或者Saliency Map),具有很好的准确率的,或者具有很高引用率的模型。

2.全文共用5个数据库:MSRA,ASD,SED1,SED2,SOD(这个五个数据 库都是包含物体的数据库,该文的重点也是考察包含物体的数据库上比较各 个模型)。
具体参见博客:http://www.cnblogs.com/hSheng/archive/2012/12/06/2804385.html
此外还可以参考程明明的:Salient Object Detection: A Benchmark

Tips:关于显著性检测的我认为比较有价值的论文就写到这了,此外为了方便大家了解其经典论文,可以去看看一下这两片博客:
a. 显著性论文学习阶段总结(一)
b. 显著性论文学习阶段总结(二)

你可能感兴趣的:(图像处理,显著性检测)