Modifification of Gradient Vector Flow using Directional Contrast for Salient Object Detection

引用格式

[1] Srivastava G, Srivastava R. Modification of gradient vector flow using directional contrast for salient object detection[J]. IEEE MultiMedia, 2019, 26(4): 7-16.

研究的背景

MDC：minimum directional contrast，最小方向对比度，是一种先验知识，前景目标将在所有方向都有很高的对比度，而背景对象至少会在一个方向对比度很低，因为它要连接到背景之中，因此前景目标的MDC会比背景目标的高一些。MDC将图像根据每个像素点分为左上、左下、右上、右下四个部分，每个部分的方向对比度是该部分所有像素点的所有channel跟该像素点的对应channel的差的平方的双重求和，该计算可以通过使用integral image的概念在$O(1)$时间内完成(QVGA分辨率下1.5ms即可计算完成)。
integral image(积分图像)：其原理是将原图像中的像素值转化为其前所有像素值之和，以四个像素为例，则$S’(x,y)=S(x-1,y-1)+S(x,y-1)+S(x-1,y)+S(x,y)$，这样的方式计算速度很快。
GVF：gradient vector flow，梯度向量流，是一种矢量场，该场通过在变分框架中最小化能量泛函而从图像中导出的。其中最小化采用解耦的线性偏微分方程实现。使用这些场进行分割的snakes(也称作active contour model，主动轮廓模型，是指将图像分割问题转换为求解能量泛函最小值的问题的算法)被称为GVF snakes。snake，也就是主动轮廓模型，被定义为一条曲线$y(u)=|x(u),y(u)|,u\in[0,1]$，然后通过最小化能量泛函，将这条曲线向显著性目标的边界逼近。关于snake可以参考下面两个网址进行学习：主动轮廓模型(一)以及主动轮廓模型(二)。
二者单独使用都不能得到很好地效果，单独使用GVF不能得到很好地边界，而MDC在前景背景相似时会发生“泄露”现象(比如水面倒影)。

使用的方法（创新点）

希望通过背景信息增强显著目标信息，借此来分析场景信息。将MDC(最小方向对比度)的梯度添加到了GVF的能量泛函的数据项中。
生成一个边缘图，用于保留图像的边缘特征，但是并非所有边都与我们的任务有关，因此，一些边缘信息需要被删除。边缘图的计算方法如下：首先计算图像的梯度:
$$
F=avg|\nabla I_{ch}|,ch=R,G,B
$$
然后生成边缘图：
$$
g(i,j)=\begin{cases} F(i,j),\text{if F(i,j)>mean(F)} \\ 0,\text{otherwise}\end{cases}
$$
整体的算法如下图所示：

评估方法

F-measure，PR曲线等