融合背景块再选取过程的显著性检测

目的 显著性检测算法大多使用背景先验提高算法性能，但传统模型只是简单地将图像四周的边缘区域作为背景区域，导致结果在显著性物体触及到图像边界的情况下产生误检测。为更准确地应用背景先验，提出一种融合背景块再选取过程的显著性检测方法。方法 利用背景先验、中心先验和颜色分布特征获得种子向量并构建扩散矩阵，经扩散方法得到初步显著图，并以此为输入再经扩散方法得到二层显著图。依据Fisher准则的思想以二层显著图为基础创建背景块再选取过程，将选取的背景块组成背景向量并构建扩散矩阵，经扩散方法得到背景显著图。将背景显著图与二层显著图进行非线性融合获得最终显著图。结果 在5个通用数据集上将本文算法与6种算法进行实验对比。本文算法在MSRA10K（Microsoft Research Asia 10K）数据集上，平均绝对误差（mean absolute error，MAE）取得了最小值，与基于多特征扩散方法的显著性物体检测算法（salient object detection via multi-feature diffusion-based method，LMH）相比，F值提升了0.84%，MAE降低了1.9%；在数据集ECSSD（extended complex scene saliency dataset）上，MAE取得了次优值，F值取得了最优值，与LMH算法相比，F值提升了1.33%；在SED2（segmentation evaluation database 2）数据集上，MAE与F值均取得了次优值，与LMH算法相比，F值提升了0.7%，MAE降低了0.93%。本文算法检测结果在主观对比中均优于LMH算法，表现为检测所得的显著性物体更加完整，置信度更高，在客观对比中，查全率均优于LMH算法。结论 提出的显著性检测模型能更好地应用背景先验，使主客观检测结果有更好提升。

Saliency detection based on the background block reselection method