[發(fā)明專利]一種基于二進(jìn)制的前景圖相似度評測方法

有效

• 申請?zhí)枺?/td>: 201810171102.8
• 申請日: 2018-03-01
• 公開（公告）號: CN108416768B
• 公開（公告）日: 2021-05-25
• 發(fā)明（設(shè)計(jì)）人: 范登平;程明明;曹洋;吳宇寰;任博
• 申請（專利權(quán)）人: 南開大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 天津耀達(dá)律師事務(wù)所 12223
• 代理人: 張耀

本發(fā)明公開了一種基于二進(jìn)制的前景圖相似度評測方法，屬于圖像處理技術(shù)領(lǐng)域，該方法包含如下步驟：a.求對齊矩陣：利用前景圖中每個(gè)像素點(diǎn)的值減去前景圖均值得到對齊矩陣；b.求相似度矩陣：相似度的度量是在預(yù)測的前景圖與真實(shí)人工標(biāo)注的前景圖之間進(jìn)行的，通過計(jì)算預(yù)測前景圖和真實(shí)前景圖的對齊矩陣，然后將兩個(gè)矩陣對應(yīng)元素的乘積作為其相似度矩陣；c.矩陣歸一化：對相似度矩陣的元素逐一歸一化，使矩陣中的元素值介于?1和1之間；d.矩陣元素拉伸：對歸一化后的相似度矩陣值進(jìn)行非線性拉伸；e.求相似度：對拉伸后的相似度矩陣求平均值就是最終的前景圖相似度。本方法能夠得到更加準(zhǔn)確的前景圖相似度評測結(jié)果。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，特別涉及到一種基于二進(jìn)制的前景圖相似度評測方法。

背景技術(shù)

在圖像分割、對象檢測、對象識別、前景提取及顯著性對象檢測等許多重要的應(yīng)用領(lǐng)域中，前景圖相似度評測是一個(gè)非常重要的問題。通常情況下，預(yù)測的前景圖是由檢測前景的模型得到的一個(gè)二進(jìn)制映射圖，為了度量預(yù)測出的前景圖的相似度，就要將其與手工標(biāo)記的真實(shí)前景圖進(jìn)行比較，以此來判斷前景圖預(yù)測模型提取前景的能力。傳統(tǒng)的二進(jìn)制前景圖相似度評測方法都是基于像素方式的，如P.Jaccard提出的“′Etude comparativede la distribution florale dans une portion des alpes et des jura.Bull SocVaudoise Sci Nat,37:547–579,1901”。基于該方法R.Margolin等人又提出了Fbw指標(biāo)“Howto evaluate foreground maps？In CVPR,pages 248–255,2014”。然而，這些方法都忽略了前景圖中的結(jié)構(gòu)相似度。2017年Deng-Ping Fan等人提出了“Structure-measure:A NewWay to Evaluate Foreground Maps,ICCV,2017”，該方法集中討論了非二進(jìn)制前景圖相似度的評價(jià)方法，相比傳統(tǒng)的評價(jià)方法其評價(jià)可靠性有了很大的提高。對于二進(jìn)制的前景圖相似度評測問題來說，它與非二進(jìn)制前景圖相似度的評測是有本質(zhì)的差別的。非二進(jìn)制的前景圖，其每個(gè)元素的值介于0和1之間，是一個(gè)連續(xù)的值代表它是前景的概率大小。因此在度量相似度時(shí)，Structure-measure考慮了亮度，對比度是有效的。而二進(jìn)制的前景圖，其元素的值是不連續(xù)的，非0即1，這與二進(jìn)制前景圖的評測完全迥異，Structure-measure所考慮的一些非二進(jìn)制的特性在二進(jìn)制情況下便不滿足，因此Structure-measure并不能直接應(yīng)用到二進(jìn)制前景圖相似度的評測上。通過分析發(fā)現(xiàn)，傳統(tǒng)的指標(biāo)以及這一最新的指標(biāo)要么忽略了圖像級別的信息，要么將像素級別信息與圖像級別的信息分開考慮。而視覺生理學(xué)研究表明，人眼對相似度的感知是局部和全局同時(shí)感知的。由于忽略了這一特性，當(dāng)前的方法并不能給予前景圖相似度一個(gè)合理的評測，將會導(dǎo)致賦予高相似度的前景圖以低的得分這樣一個(gè)錯(cuò)誤的評測。

發(fā)明內(nèi)容

本發(fā)明需要解決的技術(shù)問題是針對已有的評價(jià)相似度方法未能同時(shí)考慮到像素級別和圖像級別相似度而提出一種能同時(shí)考慮這兩者相似度的方法。本發(fā)明首先對輸入的前景圖與其均值求差，得到對齊矩陣。然后計(jì)算預(yù)測前景圖與真實(shí)前景圖對齊矩陣之間對應(yīng)元素的乘積得到相似性矩陣，進(jìn)一步對相似性矩陣歸一化、元素拉伸，最后求該矩陣的平均值就得到了預(yù)測前景圖的相似度。

本發(fā)明公開了一種基于二進(jìn)制的前景圖相似度評測方法，該方法包括如下步驟:

a.對齊矩陣：本方法利用前景圖中每個(gè)像素點(diǎn)的值減去前景圖均值得到對齊矩陣，這種方法可以將局部的信息與全局信息結(jié)合起來；

b.相似度矩陣：相似度的度量是在預(yù)測的前景圖與真實(shí)人工標(biāo)注的前景圖之間進(jìn)行的，通過計(jì)算預(yù)測前景圖和真實(shí)前景圖的對齊矩陣，然后將兩個(gè)矩陣對應(yīng)元素的乘積作為其相似度矩陣；

c.矩陣歸一化：對相似度矩陣的元素逐一歸一化，使矩陣中的元素值介于-1和1之間，-1表示完全不相似，1表示完全相似，相似程度最高；