Salient object detection method by combining Boolean map and grayscale rarity
Chuwei Li, Zhilong Zhang, Weiping Yang · Journal of Image and Graphics · 2020
目的基于超像素分割的显著物体检测模型在很多公开数据集上表现优异，但在实际场景应用时，超像素分割的数量和大小难以自适应图像和目标大小的变化，从而使性能下降，且分割过多会耗时过大。为解决这一问题，本文提出基于布尔图和灰度稀缺性的小目标显著性检测方法。方法利用布尔图的思想，提取图像中较为突出的闭合区域，根据闭合区域的大小赋予其显著值，形成一幅显著图；利用灰度稀缺性，为图像中的稀缺灰度值赋予高显著值，抑制烟雾、云、光照渐晕等渐变背景，生成另一幅显著图；将两幅显著图融合，得到具有全分辨率、目标突出且轮廓清晰的显著图。结果在3个数据集上与14种显著性模型进行对比，本文算法生成的显著图能有效抑制背景，并检测出多个小目标。其中，在复杂背景数据集上，本文算法具有最高的F值（F-measure）和最小的MAE（mean absolute error）值，AUC（area under ROC curve）值仅次于DRFI（discriminative regional feature integration）和ASNet（attentive saliency network）模型，AUC和F-measure值比BMS（Boolean map based saliency）模型分别提高了1.9%和6.9%，MAE值降低了1.8%；在SO200数据集上，本文算法的F-measure值最高，MAE值仅次于ASNet，F-measure值比BMS模型提高了3.8%，MAE值降低了2%；在SED2数据集上，本文算法也优于6种传统模型。在运行时间方面，本文算法具有明显优势，处理400×300像素的图像时，帧频可达12帧/s。结论本文算法具有良好的适应性和鲁棒性，对于复杂背景下的小目标具有良好的显著性检测效果。