[发明专利]一种显著性数据集的评测方法

说明书

本发明提供一种评价显著性数据集性能的评价方法，包括以下步骤：统计显著区域大小占据整幅图像的比例，统计与图像边缘相连的显著区域的个数占所述显著性数据集所有显著区域的比例，统计显著区域和整幅图像的RGB颜色特征差，计算所述步骤1至步骤3中的每个所述显著性数据集的性能分值。本发明能够从不同的角度对数据集进行统计从而综合对数据集的性能进行评测。有助于研发客观和科学的显著性检测算法，避免为了迎合数据库偏差而进行鲁棒性不高的算法设计。

技术领域

本发明涉及图像处理的技术领域，特别是一种显著性数据集的性能评测方法。

背景技术

从显著性数据集的相关文献来看，显著性数据集来自于两个领域：一个是专门为了显著性研究而建立的数据集，另一种是从图像分割领域延伸过来的显著性数据集。目前，许多数据集的图像结构简单，前景和背景具有明显的差异，例如颜色差异，这样就会导致图像中的显著对象比较容易检测到。另外，许多显著性数据集都带有明显的中心偏差。然而对于数据集的评测方法并不多。

论文(Visual Saliency Based on Scale-Space Analysis in the FrequencyDomain.pami.2012)中构建了一个包含235幅图像的数据集，并且对数据集中的显著对象的大小进行认为的划分：包含大显著对象的图像、包含中等显著对象的图像、包含小显著对象的图像。然而，这种判断显著对象尺寸的原则是相当主观的，没有对显著对象的尺寸进行规定，判断原则不能让人信服。

背景先验已经多次用在显著性的计算中。测地显著性检测方法[Y.Wei,F.Wen,W.Zhu,and J.Sun.(2012),’Geodesic saliency using background priors’,ECCV,pp.29–42]就是一个代表性的工作，判断的主要依据是图像的边界区域更可能为图像的背景。论文[W.Zhu,S.Liang,Y.Wei,and J.Sun,(2014),’Saliency optimization fromrobust background detection’,CVPR,pp.2814–2821]将边界连接度多为先验信息辅助显著对象的检测，算法鲁棒性变得更强。此外，论文[H.Jiang,J.Wang,Z.Yuan,Y.Wu,N.Zheng,and S.Li,(2013),’Salient object detection:A discriminative regional featureintegration approach’,CVPR,pp.1–8]提出了背景度(backgroundness)的概念，背景度可以看做是对象性(objectness)的对立物，从相反的角度去度量显著性。但是这些文献的共同问题是当显著对象与图像边界相连的时候算法将不再有效。所以，可以认为显著对象连接边界的时候增加了显著对象的检测难度。

在众多的显著性检测文献中，都把对比度看做计算显著性的关键。当前景对象和背景具有明显的颜色差异的时候，显著对象比较容易检测出来。当前景对象和整幅图像差异较小的时候，自然增大了显著对象检测的难度。

发明内容

为了解决上述的技术问题，本发明提出制定了下面的三个统计方法来衡量数据集的性能：1、显著区域大小占整幅图像的比例，2、与图像边缘相连的显著区域的个数以及占数据集所有显著区域的比例，3、显著区域和整幅图像的RGB颜色特征差，然后再计算每个数据集的性能分值，通过性能分值来说明数据集的性能好坏。

本发明提供一种显著性数据集性能的评测方法，包括以下步骤：

步骤1：统计显著区域大小占据整幅图像的比例；

步骤2：统计与图像边缘相连的显著区域的个数占所述显著性数据集所有显著区域的比例；

步骤3：统计显著区域和整幅图像的RGB颜色特征差；

步骤4：计算所述步骤1至步骤3中的每个所述显著性数据集的性能分值。