目的圖像顯著性檢測方法對前景與背景顏色、紋理相似或背景雜亂的場景,存在背景難抑制、檢測對象不完整、邊緣模糊以及方塊效應(yīng)等問題。光場圖像具有重聚焦能力,能提供聚焦度線索,有效區(qū)分圖像前景和背景區(qū)域,從而提高顯著性檢測的精度。因此,提出一種基于聚焦度和傳播機制的光場圖像顯著性檢測方法。方法使用高斯濾波器對焦堆棧圖像的聚焦度信息進行衡量,確定前景圖像和背景圖像。利用背景圖像的聚焦度信息和空間位置構(gòu)建前/背景概率函數(shù),并引導(dǎo)光場圖像特征進行顯著性檢測,以提高顯著圖的準(zhǔn)確率。另外,充分利用鄰近超像素的空間一致性,采用基于K近鄰法（K-nearest neighbor,K-NN）的圖模型顯著性傳播機制進一步優(yōu)化顯著圖,均勻地突出整個顯著區(qū)域,從而得到更加精確的顯著圖。結(jié)果在光場圖像基準(zhǔn)數(shù)據(jù)集上進行顯著性檢測實驗,對比3種主流的傳統(tǒng)光場圖像顯著性檢測方法及兩種深度學(xué)習(xí)方法,本文方法生成的顯著圖可以有效抑制背景區(qū)域,均勻地突出整個顯著對象,邊緣也更加清晰,更符合人眼視覺感知。查準(zhǔn)率達到85.16%,高于對比方法,F度量（F-measure）和平均絕對誤差（mean absolute error,MAE... 

【文章來源】：中國圖象圖形學(xué)報. 2020,25(12)北大核心CSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

光場圖像顯著性檢測方法流程圖

不同算法MAE對比結(jié)果

為了驗證提出方法的有效性和先進性，將本文的實驗結(jié)果與主流的光場顯著性檢測傳統(tǒng)方法LFS算法(Li等，2017)、WSC算法(Li等，2015)、DILF算法(Zhang等，2015)、深度學(xué)習(xí)方法LF-Net算法(Zhang等，2020)及2D顯著性檢測深度學(xué)習(xí)MWS(multi-source weak supervision)算法(Zeng等，2019)模型進行對比分析。LFS、WSC、LF-Net和本文算法輸入均為全聚焦圖像和焦堆棧圖像，DILF算法增加了深度圖，MWS算法輸入為全聚焦圖像。所有實驗基于唯一公開并廣泛使用的光場圖像顯著性檢測數(shù)據(jù)集(light field saliency dataset,LFSD)。LFSD數(shù)據(jù)集由Lytro光場相機拍攝，包括60幅室內(nèi)場景和40幅室外場景圖像。其中大部分圖像前景背景顏色較為相似，背景也相對復(fù)雜，且部分圖像含有兩個及以上的顯著物體。不同顯著性檢測算法的視覺效果如圖3所示。本文選取了5幅測試樣例圖像，前4幅為單目標(biāo)圖像，最后1幅為多目標(biāo)圖像�？梢钥闯觯琇FS算法在背景復(fù)雜時不能很好地抑制背景區(qū)域，且同一物體的顯著值不一致(圖3(b))。WSC算法檢測的顯著對象不夠完整，且方塊效應(yīng)嚴(yán)重(圖3(c))。DILF算法檢測的顯著對象方塊效應(yīng)嚴(yán)重，且對復(fù)雜背景不能很好地抑制(圖3(d))。深度學(xué)習(xí)LF-Net算法和MWS算法檢測能較好地區(qū)分顯著區(qū)域與非顯著區(qū)域，但邊緣比較模糊(圖3(e)和圖3(f))。而本文算法可以有效地抑制背景區(qū)域，均勻地突出整個顯著對象，邊緣也更加清晰，顯著圖更加符合人眼視覺感知(圖3(g))。

【參考文獻】：
期刊論文
[1]Salient object detection: A survey[J]. Ali Borji,Ming-Ming Cheng,Qibin Hou,Huaizu Jiang,Jia Li.  Computational Visual Media. 2019(02)
[2]多先驗特征與綜合對比度的圖像顯著性檢測[J]. 袁巧,程艷芬,陳先橋.  中國圖象圖形學(xué)報. 2018 (02)



本文編號：3558588