层次图融合的显著性检测*

王慧玲，罗 斌

1.阜阳师范学院 计算机与信息工程学院，安徽 阜阳 236000

2.安徽大学 计算机科学与技术学院，合肥 230601

层次图融合的显著性检测*

王慧玲1,2，罗 斌2+

1.阜阳师范学院 计算机与信息工程学院，安徽 阜阳 236000

2.安徽大学 计算机科学与技术学院，合肥 230601

WANG Huiling,LUO Bin.Saliency detection based on hierarchical graph integration.Journal of Frontiers of Computer Science and Technology,2016,10(12)：1752-1762.

显著性目标检测在物体分割、自适应压缩和物体识别等领域有众多应用，从自然场景中准确检测出最重要的区域一直是个挑战。针对现有的基于图的流形排序算法，因忽略特征的空间信息而导致检测准确率不高的问题，提出了一种基于流形排序的多尺度显著性检测算法。首先对原始图像进行多尺度下的超像素分解。然后利用边界先验，根据流形排序算法计算查询点与其余结点的相关度排序。最后通过构建图模型，从多层结构中分析显著性线索，对显著图进行融合得到最终结果。在ASD、CSSD、ECSSD和SOD数据集上，同9种流形算法进行对比实验，结果表明该算法在保持高查全率的同时也提高了准确率。

显著性检测；流形排序；超像素分割；多尺度分析；图模型

1 引言

显著性物体检测旨在根据人类视觉注意，从图像中找出最突出的部分，而如何模拟人眼视觉注意机制，使计算机视觉拥有类似人眼的能力，便是显著性检测研究的目标。近几十年来，显著性检测得到很快的发展，应用在如图像分割[1]、图像检测[2]、物体识别[3-4]、视频摘要[5]等众多领域。从上世纪80年代开始，众多领域的专家对显著性进行深入的研究，在机器视觉领域也提出了各种显著性检测方法。

大部分低层视觉模型中很有影响力的因素是对比度。这些显著性检测方法利用图像内部信息（如颜色、亮度、方向等低层特征）来计算图像显著性，大致可分为局部方法和全局方法两大类。

局部对比度方法利用当前区域相对于局部邻域的稀有度来获取显著性目标。Itti等人[6]定义了基于多尺度特征对比度来获取图像显著性的计算模型。Liu等人[7]利用条件随机场（conditional random field，CRF）来融合图像的显著性特征，并从背景中分离出显著性物体。Ma等人[8]提出了通过模糊增长模型来扩展基于局部对比度的显著性分析方法。Goferman等人[9]利用图像上下文信息和高层语义信息来提高显著性检测的效果。但是这些局部对比度方法易于突出显著性物体的轮廓，而不是整个目标。

全局对比度方法利用当前区域与其他所有区域的对比度来计算显著性值，可以均匀地突出整个显著性目标。Zhai等人[10]使用当前像素与其余所有像素的差异来定义像素级显著性。Achanta等人[11]利用当前像素与整个图像的平均色差来计算显著性。Cheng等人[12]同时考虑空间关系和特征对比度，使用直方图加速算法得到图像显著图。然而，全局显著性检测算法在前景显著性目标和背景特征相似时，检测效果不理想。

一些利用先验信息的方法也取得了明显的进步。Xie等人[13]利用图像关键点构造凸包，设置其包含的区域为前景，通过贝叶斯框架来获取显著性目标。Wei等人[14]将图像边界作为背景，通过计算先验背景与其他区域块的测地线距离来计算显著性。Xu等人[15]提出了综合采用背景和前景的层次先验估计的显著性检测策略。

近年来，图模型也被应用到显著性检测中，而且有着很高的检测准确率。Harel等人[16]运用马尔可夫随机场的特点构建二维图像的马尔可夫链，通过求其平衡分布得到显著图。Jiang等人[17]对图像进行超像素分割，利用吸收马尔可夫链进行显著性检测。Yang等人[18]将图像边界的超像素块作为背景，使用K-正则图来表示结点间的空间关系，计算基于背景种子点的流形排序，并以此为基础计算前景种子点与其他区域的相似度排序得分，获得最终的显著图。

使用文献[18]的算法进行显著性检测时，由于自然图片本身的多样性和复杂性，不同图像显著性目标的大小未知，超像素分割尺寸直接影响检测结果的准确性。

针对上述问题，多尺度的方法可以减少因单一尺度分割误差所带来的检测结果不准确，保持和弥补不同尺度分割的优缺点，提出一种多层图融合的显著性检测算法。算法在对原始图像进行多尺度超像素分割的基础上，考虑其空间特征，利用层次图模型对多层显著图进行整合，进一步提高检测结果的准确性。

2 基于图的流形排序显著性方法

基于图的流形排序算法[18]manifold ranking，MR）是在构建K-正则图的基础上，将显著性检测转化为种子点与其余结点之间的相似度流形排序。给定图像的点集X={x1,x2,…,xn}∈Rm×n，构建基于X的图模型G=(V,E)，其中V是关于X的顶点集，E是顶点之间的边集合。y=[y1,y2,…,yn]T为指示向量，在流形排序算法中，如果xi为查询，则yi=1，否则yi=0。定义排序函数：f:X→Rn来计算查询种子点到每个顶点xi的相关性排序得分。其排序得分可通过式（1）最优化得到。

其中，W=[wij]n×n是边加权的关联矩阵，，xi和xj为区域i和 j在CIELab颜色空间的特征值。 D=diag(d11,d22,…,dnn)是图G的度矩阵，其中，参数u控制平滑约束（第一项）和拟合约束（第二项）。

对式（1）求导，并使其结果等于0，得到关于排序函数的最优解，文献[19]给出严格证明。其优化结果的矩阵表示为：

其中，I是单位矩阵;α=1/(1+u)；S=D-1/2WD1/2是规范化的拉普拉斯矩阵。本质上说，流形排序可以看成获得正项实例和负项实例的二分类问题。对式（2）进行改进（文献[18]的实验结果证明式（3）效果更优），使用非规范化的拉普拉斯矩阵。

利用图像边界大多是背景的先验信息，通过式（4）分别计算基于上、下、左、右4边的显著性图，即St(i)、Sd(i)、Sl(i)、Sr(i)，计算公式为：

观察可知，图像的分割效果受分割尺度的约束。根据图像本身的差异性，不同的分割尺度适用于不同的图像。单一使用某一种分割尺寸会影响分割效果的准确性，利用多尺度图像之间的空间信息可以改善显著性检测结果。

Fig.1 Multi-scale saliency maps of MR method图1 文献[18]MR算法不同尺度显著图

3 层次图融合的显著性检测算法

本文算法的主要内容包括：多尺度超像素分割、层次显著性计算、多尺度显著图融合。算法流程如图2所示。

3.1 尺度的选择

基于像素的显著性检测算法，以像素为单位，未考虑像素之间的空间组织关系，使算法的效率过低。超像素分割算法比较符合人类的视觉感知，并且包含较少的冗余，在很大程度上降低了图像后续处理的复杂度[20]。本文使用SLIC（simple linear iterative cluster）[20]算法为图像中层信息的特征提取提供了空间支持。根据不同分割数目的约束，对原始图像进行多尺度超像素分割。根据实验结果分析，图像的分割尺寸对于显著性目标检测的效果有很大的影响。超像素分割尺度（即包含像素个数）越小，在增加计算成本的同时，一些小的显著区域会被检测出来，产生的分割误差对显著性计算结果的影响越小。当目标内部出现与边界特征相似的区域时，会出现目标内部突出不均匀的情况。相应地，超像素尺寸越大（即包含的像素个数越多），则图像中的有些目标区域可能被忽略，其产生的分割误差对最终结果的影响越大，但显著性物体内部可能保持均匀性。

Fig.2 Flow chart of this paper method图2 本文算法流程图

因此，为了兼顾检测结果的细节和整体，在突出显著性区域的同时，不忽略小的目标。本文对7种分割尺寸进行统计，在利用检测结果的基础上，同时考虑算法计算的时间复杂度。选择3个超像素分割尺寸，分别是100、200、400。使得单层图像在保持相对结构的同时，局部范围内聚焦具有类似属性的像素。

定义X={x1,x2,…,xn}∈Rm×n，X表示原图像，n表示超像素块的数目。其中xi={L,a,b,x,y,num}∈Rm表示第i个元素的特征空间；L、a、b分别代表区域xi在Lab颜色空间的3个参数；x、y是超像素块xi的中心位置坐标；num是超像素块xi中包含的像素个数。

3.2 生成单层显著图

在对原始图像进行不同尺度超像素分割的基础上，根据基于图的流形排序算法（MR）[18]计算单层显著性图。MR算法[18]将每个超像素作为一个结点，利用结点之间的连接性来构造闭环图。首先，设置当前结点与邻接点，以及与邻接点有公共边的结点连接，并将连接结点的度扩展为k。同时认为图像的边界是背景，位于边界的结点也是连接的。利用K-正则图表示结点之间的空间关系。在构图的基础上，利用图像内在的流形结构将图像标记为背景或前景。同一图像在3种尺度下的流形排序结果如图3所示。

Fig.3 Saliency maps of different scales图3 不同尺度显著图

从图3观察可知，大尺度的超像素块检索出大尺寸的结构，反映图像的整体结构信息；而小尺寸则易检测出更多的局部细节。

3.3 构建层次图模型

不同层次其检测结果存在差异性，无法确定使用哪一层可以达到最好的结果。因此为了更合理地计算显著性结果，在利用单层流形排序的基础上，构建不同层次之间的图形结构，利用层次推断的方法，对多尺度的显著图进行融合，得到最终的显著图。

多层融合算法充分利用层次内结构信息及多层之间的结构与特征，其计算结果更符合人类视觉机制。本文利用SLIC算法在不同尺寸下对原始图像进行超像素分割。SLIC算法基本思想是：首先生成K（超像素尺寸）个种子点，然后在每个种子点的周围空间搜索距离该种子点最近的若干像素，将其归为一类，直至所有像素归类完毕[20]。根据SLIC算法的特点，不同层次之间的超像素块并不存在严格的包含关系。因此，本文算法利用图模型对多层显著图进行融合，如图4所示。

Fig.4 Multi-scale integration图4 多尺度图融合

其中根结点为原始图像，每层结点为其对应层次的超像素块，当上、下层区域交集非空，则存在边。本文融合算法通过求解式（5）的最优化问题获得：

L项是层次项，为不同层次的相关区域分配相似的显著性值，以便有效地纠正初始显著性误差，定义为：

φl强调层次之间的一致性，根据图模型，通过置信度传播[21]可以达到全局最优解。传播过程包括自底而上和自顶而下的两个步骤。自底向上步骤更新变量，即在其两个邻接层通过最优化式（5），产生相对于初值和其父结点的新显著性值，直到根结点。根据上一个阶段获得的结果，再自顶向下更新每个变量直到最低层，得到最终显著性值。其效果如图5所示。

3.4 像素级显著性分配

根据层次模型融合的基于区域的计算结果，特征从超像素级映射到像素级。传统上采样对超像素块中的每个像素赋予相同值，没有考虑其与其他区域的特征对比度与空间距离的影响。

本文设置像素级显著性为其所在超像素块的显著性值与周围二近邻区域显著性值进行高斯线性加权，计算公式为：

其中，ri为第i个像素的初始显著性值；rj为其周围邻域的显著性值；pi和pj分别为当前像素与其周围像素的位置坐标；δ1和δ2用来平衡颜色特征和位置信息的约束。

Fig.5 Saliency maps of multi-scale method图5 多尺度算法效果图

4 实验结果及分析

为了客观证明提出算法的有效性，本文在4个显著性公用数据集上与9种流形的显著性算法进行实验对比。数据集包括ASD、CSSD、ECSSD和SOD，这4个数据集均提供有精确标注的Ground Truth图像，有利于进行客观评价。9种参与比较的显著性算法分别是FT（基于频率域的图像显著性算法）[11]、CA（基于上下文感知的显著性算法）[9]、RC（基于全局区域对比度算法）[12]、SF（基于滤波的显著性算法）[22]、SR（基于空间频域分析的显著性算法）[23]、BS（贝叶斯显著性算法）[13]、IM（一种谱残差的显著性算法）[24]、MR[18]、HS（多层显著性算法）[25]。

4.1 数据集

ASD数据集：众多文献中最流行的数据集，包含1 000幅自然图像，从由5 000张图像组成的MSRA-B数据集中选出，每张图像仅含单个目标，且目标与背景差异较明显。

CSSD和ECSSD数据集：来源于BSD和PASCAL VOC数据集及互联网。有些图像目标混杂于背景，而有些图像包含多个目标，且目标间差异较大。CSSD数据集由200幅包含场景的图像组成，ECSSD数据集是CSSD的扩展，其包含1 000张背景复杂的图片。

SOD数据集：被认为是具有挑战的显著性数据集，由300幅背景复杂，前景多样的图片组成。其中有些图片前景目标与背景的特征相似，这也增加了显著性检测的难度。

4.2 定量分析

为了客观比较实验结果，实验选用显著性检测领域最常用的P-R（准确率-召回率）曲线来进行定量分析。其中P为检测结果中正确结果的占比；R为正确检测结果在真值图中的占比。

首先将多种算法计算得到的显著图调整到[0-255]，依次选取0到255为阈值，对显著图进行二值化处理。将二值化后的图像与Ground Truth进行比较，计算出准确率与召回率，画出P-R曲线。

图6（a）显示了多种方法在ASD数据集上的P-R曲线效果图。从P-R曲线可以看出，本文算法要优于经典的FT、CA、RC、SF、SR全局显著性目标检测算法，也优于基于边界先验的MR算法和多层次HS算法。

为了验证本文算法对复杂场景下显著性目标检测的有效性，也进行了多种算法对比度实验。从图7～图9（a）可知，本文算法在CSSD、ECSSD和SOD数据集上效果更优。

Fig.6 Precision-Recall curves and F-measure histogram of different methods onASD dataset图6 多种算法在ASD数据集上P-R曲线与F-measure柱状图比较

在进行显著性效果评价时，准确率与召回率往往互相影响，有些算法准确率提高时召回率可能下降。因此经常使用F-measure来衡量算法的整体性能。F-measure计算公式如下：

Fig.7 Precision-Recall curves and F-measure histogram of different methods on CSSD dataset图7 多种算法在CSSD数据集上P-R曲线与F-measure柱状图比较

Fig.8 Precision-Recall curves and F-measure histogram of different methods on ECSSD dataset图8 多种算法在ECSSD数据集上P-R曲线与F-measure柱状图比较

根据文献[8]，本文实验中设置β2=0.3，强调准确率所占比重。

从图6～图9（b）评估指标直方图可以看出，在数据集ASD上，本文算法的准确率与MR算法相当，在数据集CSSD、ECSSD和SOD上，本文算法准确率与HS算法相当。但在4个数据集上，本文算法F-measure的值均高于CA、FT、SR、IM、SF、RC、BS、MR和HS算法，其F-measure分别达到0.900 0、0.785 3、0.703 8和0.596 7。

4.3 直观对比

从MR算法[18]实验效果分析可知，图10中的第1幅图片其显著性目标接触图像的边界；第5幅和第7幅图片部分边界与显著性目标特征相似，这两种情况造成显著性目标检测不完整。图10的第2、3、4和6行显著性目标大小不一，在不同分割尺寸下产生最优的分割效果，使用单一尺寸的MR算法效果不理想。通过视觉效果图10在多种方法的实验结果可知，IM算法效果最差，该算法能大致检测出显著性目标，但存在检测出的显著性区域边界模糊，突出不均匀的情况。FT算法能够找出图像中具有特殊像素的区域，但存在突出显著性区域不够完整的情况。HC算法能够检测出图像中颜色对比度高的区域，却会导致错误识别部分颜色对比度高的背景区域为前景。CA算法很好地突出了显著性区域的边缘，但显著性物体内部检测不完全。BS、SR和MR算法完整地突出整个显著性区域，但对背景的抵制较差。本文算法在突出整个图像显著性区域的基础上，也更好地抵制了图像中非显著性区域。从图10多种算法视觉效果图中也可以看出，本文算法具有更好的检测准确度，能统一且均匀地突出整个显著性目标，与Ground Truth更接近，最终显著图具有更高的准确率和完整性。

Fig.9 Precision-Recall curves and F-measure histogram of different methods on SOD dataset图9 多种算法在SOD数据集上P-R曲线与F-measure柱状图比较

Fig.10 Saliency maps computed by different methods图10 多种算法效果图

4.4 与单层算法比较

本文算法考虑多层图像之间的特征信息，与单尺度图像在SOD数据集上进行了准确率-召回率的比较，其他3个数据集上的总体比较结果类似。从图11中可以看出，不同层次的图像其效果不同。大尺寸对于大的显著性目标的检测结果比较完整，小尺寸对于图像的细节检测得比较好。总的来说，层1包含小结构信息，容易检测出与边界有较大差异的细节，其平均检测效果较层2与层3好。而层2和层3分割尺寸较大，每个超像素块包含的像素个数多，其检测的误差偏大，但仍然存在与尺度相关的问题。本文算法也优于直接对多尺度显著图求均值的效果。

Fig.11 Precision-Recall curves of different scales on SOD database图11 SOD数据集多层与单层P-R曲线

4.5 运行时间比较

在Intel®CoreRMi5-2410M CPU和4 GB RAM环境下进行算法的对比实验。多种算法的平均运行时间如表1所示。其中，本文算法的SLIC分割花费了0.696 s（大约36%），利用流形排序算法得到3个尺度的显著图计算花费了0.618 s（32%），多尺度图像的融合花费0.464 s（24%）。本文算法增加了3次超像素分割与显著性计算，因此其运行时间稍微高于MR、FT、IM和RC算法，但是明显低于BS、CA算法。结合上面的3种量化指标，本文算法仍然具有优势。

Table 1 Comparison of average running time on different methods表1 多种算法平均运行时间比较

5 结束语

本文针对传统基于图的流形排序算法忽略显著图层次信息的问题，提出了一种多尺度的流形排序算法。利用多尺度分析，产生不同的显著性检测结果图，并利用图模型对多个显著图进行融合。在4种显著性检测数据集上与9种显著性方法进行对比实验，结果显示了本文算法的有效性和优越性。

接下来的工作考虑对图模型进行优化，利用层次信息来构建多层图模型，提高种子点选取的正确性；其次，考虑利用图像轮廓等高层信息来提高图像对于复杂场景下显著性物体检测的完整性和准确率；另外，在本文算法中，超像素分割花费了36%的时间，接下来也从提高分割速度方面对算法进行优化。同时，考虑将本文算法应用到如目标跟踪、物体识别等具体检测任务中，提高现有算法的有效性与准确性。

[1]Borji A,Cheng Mingming,Jiang Huaizu,et al.Saliency object detection:a survey[J].arXiv:1411.5878,2014.

[2]Ren Zhixiang,Gao Shenghua,Chia L T,et al.Region-based saliency detection and its application in object recognition [J].IEEE Transactions on Circuits&Systems for Video Technology,2014,24(5):769-779.

[3]Li W T,Chang H S,Lien K C,et al.Exploring visual and motion saliency for automatic video object extraction[J].IEEE Transactions on Image Processing,2013,22(7):2600-2610.

[4]Tan Min,Hu Zhenfang,Wang Baoyuan,et al.Robust objectrecognition via weakly supervised metric and template learning[J].Neurocomputing,2016,181:96-107.

[5]Lee Y J,Ghosh J,Grauman K.Discovering important people and objects for egocentric video summarization[C]//Proceedings of the 2012 IEEE International Conference on Computer Vision and Pattern Recognition,Providence,USA, Jun 16-21,2012.Piscataway,USA:IEEE,2012:1346-1353.

[6]Itti L,Koch C,Niebur E.A model of saliency-based visual attention for rapid scene analysis[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1998,20(11): 1254-1259.

[7]Liu Tie,Sun Jian,Zheng nanning,et al.Learning to detect a salient object[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2011,32(2):353-367.

[8]Ma Yufei,Zhang HongJiang.Contrast-based image attention analysis by using fuzzy growing[C]//Proceedings of the 11th ACM International Conference on Multimedia, Berkeley,USA,Nov 2-8,2003.New York:ACM,2003: 374-381.

[9]Goferman S,Zelnik-Manor L,Tal A.Context-aware saliency detection[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2012,34(10):1915-1926.

[10]Zhai Yun,Shah M.Visual attention detection in video sequences using spatiotemporal cues[C]//Proceedings of the 14th Annual ACM International Conference on Multimedia, Santa Barbara,USA,Oct 23-27,2006.New York:ACM, 2006:815-824.

[11]Achanta R,Hemami S,Estrada F,et al.Frequency-tuned salient region detection[C]//Proceedings of the 2009 IEEE International Conference on Computer Vision and Pattern Recognition,Miami,USA,Jun 20-25,2009.Piscataway,USA: IEEE,2009:1597-1604.

[12]Cheng Mingming,Mitra N J,Huang Xiaolei,et al.Global contrast based salient region detection[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2015, 37(3):569-582.

[13]Xie Yulin,Lu Huchuan,Yang M H.Bayesian saliency via low and mid-level cues[J].IEEE Transactions on Image Processing,2013,22(5):1689-1698.

[14]Wei Yichen,Wen Fang,Zhu Wangjiang,et al.Geodesic saliency using background priors[C]//LNCS 7574:Proceedings of the 12th European Conference on Computer Vision, Florence,Italy,Oct 7-13,2012.Berlin,Heidelberg:Springer, 2012:29-42.

[15]Xu Wei,Tang Zhenmin.Exploiting hierarchical prior estimation for salient object detection[J].Acta Automatica Sinica, 2015,41(4):799-812.

[16]Harel J,Koch C,Perona P.Graph-based visual saliency[C]// Advances in Neural Information Processing Systems 19: Proceedings of the 20th Annual Conference on Neural Information Processing Systems,Vancouver,Canada,Dec 4-7,2006.Cambridge,USA:MIT Press,2007:545-552.

[17]Jiang Bowen,Zhang Lihe,Lu Huchuan,et al.Saliency detection via absorbing Markov chain[C]//Proceedings of the 2013 IEEE International Conference on Computer Vision, Sydney,Australia,Dec 1-8,2013.Piscataway,USA:IEEE Press,2013:1665-1672.

[18]Yang Chuan,Zhang Lihe,Lu Huchuan,et al.Saliency detection via graph-based manifold ranking[C]//Proceedings of the 2013 IEEE International Conference on Computer Vision and Pattern Recognition,Portland,USA,Jun 23-28, 2013.Piscataway,USA:IEEE,2013:3166-3173.

[19]Zhou Dengyong,Weston J,Gretton A,et al.Ranking on data manifolds[C]//Advances in Neural Information Processing Systems 16:Proceedings of the 17th Annual Conference on Neural Information Processing Systems,Vancouver,Canada,Dec 8-13,2003.Cambridge,USA:MIT Press, 2004:169-176.

[20]Achanta R,Shaji A,Smith K,et al.SLIC superpixles compared to state-of-the-art Superpixel methods[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2012, 34(11):2274-2282.

[21]Chang F R K,Frey B J,Loeliger A.Factor graphs and the sum-product algorithm[J].IEEE Transactions on Information Theory,2001,47(2):498-519.

[22]Perazzi F,Krahenbuhl P,Pritch Y,et al.Saliency filters:contrast based filtering for salient region detection[C]//Proceedings of the 2012 IEEE International Conference on Computer Vision and Pattern Recognition,Providence,USA,Jun 16-21, 2012.Piscataway,USA:IEEE,2012:733-740.

[23]Hou Xiaodi,Zhang Liqing.Saliency detection:a spectral residual approach[C]//Proceedings of the 2007 IEEE International Conference on Computer Vision and Pattern Recognition,Minneapolis,USA,Jun 18-23,2007.Piscataway,USA: IEEE,2007:1-8.

[24]Murray N,Vanrell M,Otazu X,et al.Saliency estimation using a non-parametric low-level vision model[C]//Proceedings of the 2011 IEEE International Conference on Computer Vision and Pattern Recognition,Colorado Springs,USA,Jun 20-25,2011.Piscataway,USA:IEEE,2011:433-440.

[25]Yan Qiong,Xu Li,Shi Jianping,et al.Hierarchical saliency detection[C]//Proceedings of the 2013 IEEE International Conference on Computer Vision and Pattern Recognition, Portland,USA,Jun 23-28,2013.Piscataway,USA:IEEE, 2013:1155-1162.

附中文参考文献：

[15]徐威,唐振民.利用层次先验估计的显著性目标检测[J].自动化学报,2015,41(4):799-812.

WANG Huiling was born in 1982.She received the M.S.degree at School of Computer Science and Technology,Harbin University of Science and Technology.Her research interest is digital image processing.

王慧玲（1982—），女，安徽阜阳人，于哈尔滨理工大学获得硕士学位，主要研究领域为数字图像处理。

LUO Bin was born in 1963.He received the Ph.D.degree in computer science from York University in 2002.Now he is a professor and Ph.D.supervisor at Anhui University,and the member of CCF.His research interests include large image database retrieval,image and graph matching,etc.

罗斌（1963—），男，安徽合肥人，2002年于英国约克大学计算机科学专业获得博士学位，现为安徽大学教授、博士生导师，CCF会员，主要研究领域为大规模图像数据库检索，图和图像匹配等。

Saliency Detection Based on Hierarchical Graph Integration*

WANG Huiling1,2,LUO Bin2+
1.School of Computer and Information Engineering,Fuyang Normal College,Fuyang,Anhui 236000,China
2.School of Computer Science and Technology,Anhui University,Hefei 230601,China
+Corresponding author:E-mail:wangsheng0417@sina.com

Visual saliency detection has many applications in object segmentation,adaptive compression,object recognition and so on.It has a challenge to accurately detect the most important regions from the nature images.This paper proposes a hierarchical saliency detection algorithm based on manifold ranking for the problem of low detection accuracy with the ignorance of the spatial layout information in the existing graph-based manifold ranking algorithms. Firstly,the super pixels by multi-scale analysis are done for the decomposition of the input image.Secondly,the boundary prior is used to compute the relevance ranking score between nodes by manifold ranking.Finally,by analyzing saliency cues from the multiple level graph model,the final saliency map is generated by combining the saliency maps.The experimental results on ASD,CSSD,ECSSD and SOD image datasets,demonstrate that the detection precision outperforms the nine state-of-the-art algorithms while still preserving high recall.

saliency detection;manifold ranking;super-pixel segmentation;multi-scale analysis;graph model

10.3778/j.issn.1673-9418.1607044

A

TP391.4

*The National High Technology Research and Development Program of China under Grant No.2014AA015104(国家高技术研究发展计划(863计划)).

Received 2016-07,Accepted 2016-09.

CNKI网络优先出版:2016-09-08,http://www.cnki.net/kcms/detail/11.5602.TP.20160908.1047.022.html