بهبود الگوریتم تشخیص نقشه برجستگی مبتنی بر CRF با استفاده از ویژگی‌های مبتنی بر تجزیه ماتریس

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد، دانشکده برق و کامپیوتر، دانشگاه سمنان، سمنان،

2 استادیار، دانشکده برق و کامپیوتر، دانشگاه سمنان، سمنان

چکیده

یکی از مراحل پردازشی مهم در سیستم بینایی انسان آشکارسازی نقشه برجستگی یک صحنه می‌باشد. با توجه به اینکه نقشه برجستگی تصویر می‌تواند در الگوریتم‌های مانند بخش‌بندی، فشرده‌سازی و بازیابی تصویر کاربرد داشته باشد، ارائه یک مدل کارآمد برای تشخیص برجستگی مورد توجه محققین قرار گرفته است. علیرغم اینکه تاکنون کارهای زیادی در این زمینه انجام شده است، اما تاکنون یک مدل موثر و کارآمد که بتواند با محاسبات کم نقشه برجستگی تصویر را آشکار کند، ارائه نشده است. برای این منظور، ما یک الگوریتم ساده و تحت نظارت برای شناسایی نقشه برجستگی با استفاده از میدان تصادفی شرطی (CRF) و نشانه‌های برجستگی پیشنهاد می‌کنیم. در روش پیشنهادی برای آموزش CRF از ویژگی‌های کنتراست محلی، مرکز سوگیری و  پس‌زمینه‌ای استفاده شده است، علاوه بر این سه ویژگی برای کارایی بهتر، ویژگی‌ جدیدی مبتنی بر تجزیه ماتریس به کار گرفته شده است. در ادامه CRF با توجه به ویژگی‌های 20 تصویر که به تصویر ورودی نزدیک هستند، آموزش می‌بیند. در نهایت برجستگی تصویر ورودی با توجه به وزن‌های محاسبه شده در مرحله آموزش، نشانه‌های برجستگی تصویر ورودی و مبنای درستی محاسبه می‌شود. روش پیشنهادی در دقت و سرعت اجرای الگوریتم نسبت به سایر روش‌ها برتری دارد.

کلیدواژه‌ها


عنوان مقاله [English]

Improvement of CRF-Based Saliency Detection Algorithm Using Matrix Decomposition Based Features

نویسندگان [English]

  • Mohammad Shouryabi 1
  • Mohammad Javad Fadaeieslam 2
1 Electrical and Computer Engineering Faculty, Semnan University,Semnan, Iran
2 Electrical and Computer Engineering Department, Semnan University Semnan, Iran
چکیده [English]

One of the most important processing steps in the human vision system is the detection of a scene saliency map. Since saliency map can be applied to algorithms such as segmentation, compression and image retrieval, Researchers have focused on providing an efficient model to recognize it. Although a lot of works have been done in this area, the obtained saliency maps are still not satisfying enough. For this purpose, we propose a simple and supervised algorithm to identify the saliency map using a conditional random field (CRF) and saliency cues. In the proposed method, local contrast, center-bias, and backgroundness features have been used for CRF training. Additionally, a new feature based on matrix decomposition has been employed to improve the performance. In the following, CRF has been trained according to the features of 20 images close to the input image. Finally, input image saliency is estimated according to calculated weights in the training phase, input image saliency cues, and ground truths. The proposed method outperforms other methods in terms of algorithm implementation accuracy and speed.

کلیدواژه‌ها [English]

  • Detection of a Scene Saliency
  • Conditional Random Field
  • Matrix Decomposition

 Rolls, E. T., & Deco, G. (2006). Attention in natural scenes: neurophysiological and computational
bases. Neural networks, 19(9), 1383-1394.
 Borji, A., & Itti, L. (2013). State-of-the-art in visual attention modeling. IEEE transactions on pattern
analysis and machine intelligence, 35(1), 185-207.
 Itti, L., Koch, C., & Niebur, E. (1998). A model of saliency-based visual attention for rapid scene
analysis. IEEE Transactions on Pattern Analysis & Machine Intelligence, (11), 1254-1259.
 Bruce, N., & Tsotsos, J. (2006). Saliency based on information maximization. In Advances in neural
information processing systems (pp. 155-162).
 Achanta, R., Hemami, S., Estrada, F., & Süsstrunk, S. (2009). Frequency-tuned salient region detection.
In IEEE international conference on computer vision and pattern recognition (CVPR 2009) (No.
CONF, pp. 1597-1604).
 Hou, X., & Zhang, L. (2007, June). Saliency detection: A spectral residual approach. In 2007 IEEE
Conference on computer vision and pattern recognition (pp. 1-8). IEEE.
 Guo, C., Ma, Q., & Zhang, L. (2008, June). Spatio-temporal saliency detection using phase spectrum of
quaternion fourier transform. In 2008 IEEE Conference on Computer Vision and Pattern
Recognition (pp. 1-8). IEEE.
 Jiang, B., Zhang, L., Lu, H., Yang, C., & Yang, M. H. (2013). Saliency detection via absorbing markov
chain. In Proceedings of the IEEE international conference on computer vision (pp. 1665-1672).
 Li, A., Li, C., Wang, X., Eberl, S., Feng, D. D., & Fulham, M. (2013, November). Automated
segmentation of prostate MR images using prior knowledge enhanced random walker. In 2013
International Conference on Digital Image Computing: Techniques and Applications (DICTA)
(pp. 1-7). IEEE.
 Perazzi, F., Krähenbühl, P., Pritch, Y., & Hornung, A. (2012, June). Saliency filters: Contrast based
filtering for salient region detection. In 2012 IEEE conference on computer vision and pattern
recognition (pp. 733-740). IEEE.
 Wei, Y., Wen, F., Zhu, W., & Sun, J. (2012, October). Geodesic saliency using background priors. In
European conference on computer vision (pp. 29-42). Springer, Berlin, Heidelberg.
 Yang, C., Zhang, L., Lu, H., Ruan, X., & Yang, M. H. (2013). Saliency detection via graph-based
manifold ranking. In Proceedings of the IEEE conference on computer vision and pattern
recognition (pp. 3166-3173).
 Yang, J., & Yang, M. H. (2017). Top-down visual saliency via joint CRF and dictionary learning. IEEE
transactions on pattern analysis and machine intelligence, 39(3), 576-588.
 Lu, S., Mahadevan, V., & Vasconcelos, N. (2014). Learning optimal seeds for diffusion-based salient
object detection. In Proceedings of the IEEE Conference on Computer Vision and Pattern
Recognition (pp. 2790-2797).
 Lu, S., Mahadevan, V., & Vasconcelos, N. (2014). Learning optimal seeds for diffusion-based salient
object detection. In Proceedings of the IEEE Conference on Computer Vision and Pattern
Recognition (pp. 2790-2797).
 Tong, N., Lu, H., Ruan, X., & Yang, M. H. (2015). Salient object detection via bootstrap learning. In
Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 18841892).

 Qiu, W., Gao, X., & Han, B. (2017). A superpixel-based CRF saliency detection approach.
Neurocomputing, 244, 19-32.
 Oliva, A., & Torralba, A. (2001). Modeling the shape of the scene: A holistic representation of the
spatial envelope. International journal of computer vision, 42(3), 145-175.
 Peng, H., Li, B., Ling, H., Hu, W., Xiong, W., & Maybank, S. J. (2017). Salient object detection via
structured matrix decomposition. IEEE transactions on pattern analysis and machine intelligence,
39(4), 818-832.
 Lafferty, J., McCallum, A., & Pereira, F. C. (2001). Conditional random fields: Probabilistic models for
segmenting and labeling sequence data.
 Jiang, H., Wang, J., Yuan, Z., Wu, Y., Zheng, N., & Li, S. (2013). Salient object detection: A
discriminative regional feature integration approach. In Proceedings of the IEEE conference on
computer vision and pattern recognition (pp. 2083-2090).

 
 Fu, K., Gong, C., Yang, J., Zhou, Y., & Gu, I. Y. H. (2013). Superpixel based color contrast and color
distribution driven salient object detection. Signal Processing: Image Communication, 28(10),
1448-1463.
 Margolin, R., Tal, A., & Zelnik-Manor, L. (2013). What makes a patch distinct?. In Proceedings of the
IEEE Conference on Computer Vision and Pattern Recognition (pp. 1139-1146).
 Jiang, H., Wang, J., Yuan, Z., Liu, T., Zheng, N., & Li, S. (2011, September). Automatic salient object
segmentation based on context and shape prior. In BMVC (Vol. 6, No. 7, p. 9).
 Zhu, W., Liang, S., Wei, Y., & Sun, J. (2014). Saliency optimization from robust background detection.
In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 28142821).

 Li, Y., Hou, X., Koch, C., Rehg, J. M., & Yuille, A. L. (2014). The secrets of salient object
segmentation. In Proceedings of the IEEE Conference on Computer Vision and Pattern
Recognition (pp. 280-287).
 Sun, J., Lu, H., & Liu, X. (2015). Saliency region detection based on Markov absorption probabilities.
IEEE Transactions on Image Processing, 24(5), 1639-1649.
 Wang, L., Lu, H., Ruan, X., & Yang, M. H. (2015). Deep networks for saliency detection via local
estimation and global search. In Proceedings of the IEEE Conference on Computer Vision and
Pattern Recognition (pp. 3183-3192).
 Zhao, R., Ouyang, W., Li, H., & Wang, X. (2015). Saliency detection by multi-context deep learning.
In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 12651274).

 

 

CAPTCHA Image