软图像抽象的有效显着区域检测-GC

详细算法点击打开链接

通过考虑图像像素的外观相似性和空间分布，提出的表示方法抽象出不必要的图像细节，允许在类似区域之间分配可比的显着值，并产生感知准确的突出区域检测。

与以前依赖于超像素的图像抽象技术不同，使用直方图量化来收集基于全局高斯混合模型（GMM）的分解的外观样本。共享相同空间支持的组件被进一步分组以提供更紧凑和有意义的呈现。 这种软抽象避免了超像素的硬判决边界，允许抽象组件具有非常大的空间支持。 这允许随后的全局显着性均匀地突出显示整个显著区域。 最后，我们通过自动识别哪个更有可能提供显着区域的正确识别来整合两个全局显著性，即全局唯一性（GU）和颜色空间分布（Color Dependency Distribution，CSD）。

一、通过全局组件表示的软图像抽象

§1.1基于直方图的高效GMM分解

为了获得有效捕捉感知均匀元素的抽象全局表示，我们聚类图像颜色并使用高斯混合模型（GMM）来表示它们。每个像素颜色Ix被表示为几个GMM分量的加权组合，其属于分量c的概率由下式给出：

其中分别代表第c个分量权重、平均颜色和协方差矩阵。

我们使用GMM将图像分解为感知上均匀的元素。这些元素在结构上是代表性的，并且摘取了不必要的细节。构建基于GMM的表示方法时比较耗时的步骤是将像素颜色聚类并将他们分配到每个GMM分量。我们首先在RGB颜色空间中进行颜色量化，每个颜色通道分为12个等级，并选择最常出现的颜色，占图像像素的95％（HC直方图加速）。通常最终平均会有N=85种颜色，即直方图表示中会有85个直方图框。我们将每个直方图框作为加权颜色样本来构建颜色协方差矩阵，并从加权框中学习GMM的剩余参数（属于每个分量平均值和概率）。我们使用索引表（详见§1.3），将图像像素与直方图框相关联，以实现计算效率。

§1.2基于空间重叠的分量聚类

直接基于GMM的颜色聚类忽略了图像中有价值的空间相关性。我们探索这种空间关系的潜力，以建立GMM分量之间的成对相关性，其中两个GMM分量ci和cj的相关性被定义为它们的空间协议：

在GMM表示中，属于每个GMM分量的像素Ix的概率向量通常是稀疏的（具有非常高的归属于前两个分量之一的概率）。

这可以一次扫描图像，同时找到所有相关的成对分量。对于每个像素，我们只选择具有最高概率的前两个分量，并使该像素仅对这两个分量有贡献。在实现中，我们通过3×3均匀核模糊属于每个分量的图像像素的概率图，以允许相关计算考虑一个小的周围邻域。

将这些GMM分量的相关矩阵作为其基于消息传递的聚类的相似性[22]。 我们使用基于消息

传递的聚类，因为它不需要预定义簇的数目，适用于未知的底层分布。

在这样的聚类之后，每个像素颜色Ix属于每个簇C的概

率是其属于簇C中的所有GMM分量c的概率之和：

其中Ib是Ix的量化直方图框的颜色。

§1.3分层表示和索引

所提出的表示方法具有索引表的4层分层结构，以有效地关联跨层关系。第0层包含所有图像像素，因此可以生

成全分辨率显着图。 在后续层次的构建过程中，包括第一层中的直方图表示，第二层中的GMM表示以及第三层中的聚

类表示，我们记录将下层与较高层相关联的索引表，可以高效地实现层关联。当估计§4中的全局显着性时，我们主要在

可行的情况下在较高层工作，以便允许大尺度感知上的均匀元素接收类似的显着值，并加快计算时间。在分层表示中，

只有第0层包含大量元素。（与图像像素相同）。 随后层中元素的数量要小得多：≈85，15和<15。

二、全局显著性估计

§2.1 全局唯一性（GU）

全局分量ci的唯一性被定义为与所有其他分量的加权颜色对比：

其中D（ci，cj）是两个GMM分量ci和cj的质心之间的空间距离，使用σ2= 0.4来允许遥远的区域也有助于全局唯一性。

全局唯一性是为第2层中的GMM分量定义的，在估计GU显着性时，需要抽象组件的平均颜色。我们不会直接在第

3层工作，因为这个顶层的平均颜色不能准确地捕获其潜在的复杂色彩分布。为了进一步纳入重要的空间重叠相关性，

属于同一簇的GMM分量的唯一显着性最终被平均，以鼓励语义相关的区域接收类似的显着性。

§2.2颜色空间分布(CSD)

定义聚类分量C的水平空间方差为：

其中xh是像素x的x坐标，，聚类分量C的空间方差为：

其中垂直方差与水平方差类似。最终定义C的CSD为：

其中是平衡边界作物效应的中心加权归一化术语，dx是从像素x到图像中心的距离。

对于所有C，V（C）和D（C）都被归一化为[0,1]在公式（8）中。在实现中，我们将每个直方图颜色的显着值设置为

，如上所述，使用像素和直方图框之间的索引方案来有效地分配每个像素的显着性。

§2.3显著性融合

我们自动选择两个显着图之间的整体来整合两个线索，并根据[26]中的紧凑性度量生成一个最终的显着图，该算法使用

紧凑的假设选择空间方差较小的显着图。 这是通过将显着性图视为概率分布函数并使用公式(7)来评估其空间方差来实现的。