[发明专利]视觉显著性检测算法适用性预测与性能盲评价方法

说明书

本发明公开了一种视觉显著性检测算法适用性预测与性能盲评价方法，涉及识别方法技术领域，包括算法适用性分析模块和显著性检测性能盲评价模块，算法适用性分析模块在仅给定原始图像的条件下，通过适用性预测网络预测并筛选最适用于该图像的候选显著性方法，再将候选的显著性方法生成的显著图输入显著性检测性能盲评价模块，最后进行排序，得到最佳显著图。在进行显著性检测性能盲评价时，通常需要预先生成每种算法的显著图，再输入质量评估网络进行排序，选择分数最高的显著图，但生成每种算法的显著图耗费大部分时间，降低了质量评价的效率，视觉显著性检测算法适用性预测与性能盲评价方法解决了该技术问题，还具有全面、精度高等优点。

技术领域

本发明涉及识别方法技术领域，尤其是一种视觉显著性检测算法适用性预测与性能盲评价方法。

背景技术

视觉显著性检测旨在通过设计智能算法模拟人的视觉特点，自动检测出数字图像中易受到观察者关注的显著区域，并通过热度图的形式加以标注和显示。因视觉显著性检测在各类高级视觉感知算法中的重要作用，近年来这一问题得到了广泛地关注和研究。视觉显著性检测可应用于诸多高级计算机视觉问题中，例如图像压缩、图像拼接、图像分割等。给定待检测图像，视觉显著性检测算法输出像素级的显著性预测图，以输出灰度显著性值为例，高灰度值区域标记显著性目标(前景对象)区域，低灰度值区域标记非显著性目标(背景)区域。显著性检测结果的优劣对于基于显著性技术的其他视觉任务有着重要的影响。由于不同显著性检测方法的设计思路各异，加之不同的图像所含有的视觉模式复杂繁多，所以不同的图像往往适配不同的显著性检测方法。在真实的视觉任务中，由于通常无法预先提供真值标记文件，故无法用传统的量化评价方法进行评价，可靠的视觉显著性预测性能的盲评价方法在上述应用中尤为重要。

目前，有人利用深度显著性质量评估网络(Deep Saliency Quality AssessmentNetwork，简称DSQAN)，通过直接向深度网络中输入生成的显著图来评价其显著图的质量，该模型框架基于图像分类深度卷积网络，通过改造全连接层将显著图质量评估问题建模为回归问题，最终输出显著图的质量评分。但是DSQAN只采用了一种指标来评判显著图的优劣，显然基于单一评价指标的评价预测是较为片面的。另外，DSQAN的改进，采用了四种指标来度量显著图的优劣，分别为AUC、MAE、MAXF(精确率和召回率的加权平均值)和ADAPF(F度量的自适应阈值)，通过实验证明这四种指标互相影响，将这四种指标作为联合度量标准，所得到的显著图的质量评价更为鲁棒和可靠。但是改进的方法在进行显著图质量评估过程中仅利用了显著图的信息，并没有利用图像自身的内容信息，对于具有不同真实显著区域的图像，若给定相同的显著图，上述方法将会得到完全一致的得分，这显然不符合真实情况。

视觉显著性检测性能的盲评价指在没有人工干预及真值标记文件的情况下，由计算机自动地给出视觉显著性检测结果的质量评价。此外，自然图像中的视觉模式千差万别，加之不同的视觉显著性检测方法设计思路各异，各种方法往往适用于不同类型的图像。由于真实应用场景中并无待检测图像的显著性真值标记文件，自动地筛选出最适用于当前图像的检测算法从而获取最优的显著性检测结果意义重大。针对上述问题，需要提供一种视觉显著性检测算法适用性分析与性能盲评价方法，能够针对给定图像快速筛选适用的视觉显著性检测算法，并对选中方法的视觉显著性结果进行质量盲评。

发明内容

为解决显著性检测性能盲评价时，需要预先生成每种算法的显著图，再输入质量评估网络进行排序，选择分数最高的显著图，生成每种算法的显著图耗费大部分时间，降低了质量评价的效率的技术问题，本发明提供了一种视觉显著性检测算法适用性预测与性能盲评价方法，具体技术方案如下：

一种视觉显著性检测算法适用性预测与性能盲评价方法，包括显著性算法适用性预测网络模型、显著图质量评估网络模型和构建训练样本，所述构建训练样本分别输入显著性算法适用性预测网络模型和显著图质量评估网络模型中作为训练数据；

所述显著性算法适用性预测网络模型构建步骤包括：

步骤A1.建立深度卷积网络-AlexNet；