自适应非规则图
Y. Zhou, T. Zhang, S. Huo, C. Hou, and S.-Y. Kung, “Adaptive Irregular Graph Construction-Based Salient Object Detection,” IEEE Trans. Circuits Syst. Video Technol., vol. 30, no. 6, pp. 1569–1582, Jun. 2020, doi: 10.1109/TCSVT.2019.2904463.
这篇文章提出了一种基于自适应非规则图构建的显著目标检测方法。传统的基于传播的显著目标检测方法通常构建一个 k-规则图用于显著性传播，但这种方法在处理大面积平滑区域时容易导致不必要的迭代错误，从而过度突出背景区域。为了解决这个问题，本文提出了一种自适应非规则图，根据区域的平滑度、颜色等特征进行聚类分析，并根据聚类结果调整连接密度，从而避免在大面积平滑区域进行不必要的迭代。实验结果表明，该方法在六个主要的基准数据集上表现优于其他最先进的方法。
模型特点：
- 自适应非规则图： 该方法用自适应非规则图替换了传统的 k-regular 图，并根据图像场景的局部一致性和全局对称性，动态调整节点之间的连接密度，从而有效地抑制背景区域，并均匀地突出显示显著目标。
- 背景种子选择策略： 该方法考虑了对比度和目标先验知识，并采用自适应阈值法准确标注背景种子，从而提高了初始显著值的可靠性。
- 显著值传播算法： 该方法基于自适应非规则图进行显著值传播，能够有效地抑制背景区域，并均匀地突出显示显著目标。
模型方法：
- 超像素分割
使用 SLIC 算法将输入图像分割成多个超像素。每个超像素包含多个像素，并具有代表其平均颜色和位置的特征。
超像素分割有助于将图像分解成更易于处理的单元，并为后续的图构建和显著值传播提供基础。 - 背景种子选择
对比度先验： 计算每个超像素与其他所有超像素之间的颜色对比度，并根据空间距离进行加权，得到一个反映超像素显著性的分数。
目标先验： 使用高斯模型强调图像中心区域，并抑制远离图像中心的区域，从而得到一个反映目标位置的分数。
背景种子标注： 将对比度分数和目标位置分数相乘，得到一个综合反映超像素显著性和目标位置的分数。然后，使用自适应阈值法将分数较低的超像素标注为背景种子。 - 自适应非规则图构建
初始图模型： 基于图像场景的局部一致性和全局对称性，构建一个初始图模型。该模型确保相邻的超像素和图像边缘的超像素之间有连接，从而降低它们之间的测地距离。
图聚类算法： 基于初始图模型的亲和矩阵，选择连接权重较大的边，并将连接这些边的超像素划分为同一组。这样可以将具有相似特征的超像素聚集在一起，并为后续的图连接密度调整提供基础。
最终图模型： 基于图聚类结果，增加同一组内超像素之间的连接密度，并减少包含背景种子组之间的连接密度。这样可以使同一组内的超像素更容易传播显著值，而包含背景种子组之间的超像素则不容易传播显著值，从而有效地抑制背景区域。 - 显著值传播
初始化： 将背景种子的软标签设置为 1，将其他超像素的软标签设置为 0。
迭代传播： 使用图传播算法将背景种子的信息传播到其他超像素，直到软标签向量收敛。
背景区域抑制： 将传播后的软标签向量进行归一化，得到背景区域抑制后的显著图。 - 显著值映射
将超像素级别的显著值映射到像素级别，得到像素级别的显著图。
使用 sigmoid 函数增强显著图的对比度，得到最终的显著图。