استخراج مؤثر نقشه برجستگی تصویر با استفاده از تقویت تباین رنگ و بافت غالب

روش‌های هوشمند در صنعت برق

مقاله 7، دوره 14، شماره 54، شهریور 1402، صفحه 109-120   

نوع مقاله: مقاله پژوهشی

نویسندگان

مسعود خزاعی فدافن^{* 1}؛ ناصر مهرشاد²؛ سید محمد رضوی²

¹گروه مهندسی برق- دانشگاه فنی و حرفه‌ای، تهران، ایران

²دانشکده مهندسی برق و کامپیوتر- دانشگاه بیرجند، بیرجند، ایران

چکیده

در این مطالعه، الگوریتمی موثر و کارآمد برای تشخیص نقشه برجستگی تصویر بر اساس مدل­سازی پاسخ سریع سیستم بینایی انسان به تغییرات شدت روشنائی، بافت و رنگ ارائه شده است. برخی موارد مانند الهام گرفتن از عملکرد سیستم بینایی انسان، عدم نیاز به آموزش، کاهش تعداد رنگ، کاهش کانال­های رنگی و استفاده صحیح از حداقل اطلاعات بافت در االگوریتم باعث افزایش کارایی آن شده است. در روش پیشنهادی در مرحله اول، با توجه به حساسیت سیستم بینایی انسان به سیگنال­های با کنتراست بالاتر، فقط کانال با کنتراست بالاتر برای استخراج نقشه برجستگی رنگ استفاده و سپس با استفاده از مولفه شدت روشنایی در فضای رنگ Lab و با استفاده از مدل محاسباتی سلول ساده کورتکس بینایی نقشه برجستگی شدت روشنائی و نقشه برجستگی بافت استخراج می­شوند. در نهایت، با ترکیب نقشه­های برجستگی رنگ، شدت روشنائی و بافت، نقشه برجستگی به­دست می­آید. روش پیشنهادی و روش­های موجود برروی پایگاه داده­های MSRA10K و ECSSD آزمایش شده است. نتایج پیاده­سازی­ها نشان می­دهد که الگوریتم ترکیبی پیشنهادی برای تشخیص نقشه برجستگی با استفاده از ویژگی­های رنگ و بافت غالب، در پایگاه داده ECSSD به ترتیب دارای میانگین خطای مطلق، امتیاز معیار F و سطح زیر منحنی ROC ، 173/0 ، 789/0 و 891/0 و در پایگاه داده MSRA10K به ترتیب 178/0، 790/0 و 919/0 است که در مقایسه با سایر مدل­ها بیانگر عملکرد بهتر روش پیشنهادی نسبت  به سایر روش­ها است.

کلیدواژه‌ها

استخراج ویژگی؛ سیستم بینایی انسان؛ مدل محاسباتی سلول ساده نقشه برجستگی

مراجع

[1] R. Nasiripour, H. Farsi, S. Mohamadzadeh, "Visual saliency object detection using sparse learning", IET Image Processing, vol. 13, no. 13, pp. 2436-2447, Nov, 2019 (doi: /10.1049/iet-ipr.2018.6613).

[2] P. Etezadifar, H. Farsi, "Scalable video summarization via sparse dictionary learning and selection simultan­eously", Multimedia Tools and Applications, vol. 76, no. 6, pp. 7947-7971, 2017 (doi: 10.1007/s110­42-0­16-3433-z).

[3] M. Guo, Y. Zhao, C. Zhang, Z. Chen, "Fast object detection based on selective visual attention", Neurocom­put­ing, vol. 144, pp. 184-197, Nov. 2014 (doi: 10.1016/j.neucom.2014.04.054).

[4] V. Bhateja, M. Nigam, A.S. Bhadauria, A. Arya, E.Y.D. Zhang, "Human visual system based optimized mathematical morphology approach for enhancement of brain MR images", Journal of Ambient Intelligence and Humanized Computing, pp. 1-9, July 2019 (doi: 10.1007/s12652-019-01386-z).

[5] Y. Ding, "Human visual system and vision modeling", Visual Quality Assessment for Natural and Medical Image, pp. 27-43, 2018 (doi: 10.1007/978-3-662-56497-4_3).

[6] P. Lv, S. Sun, C. Lin, G. Liu, "A method for weak target detection based on human visual contrast mechanism", IEEE Geoscience and Remote Sensing Letters, vol. 16, no. 2, pp. 261-265, Feb 2018 (doi: 10.1109/LGRS.­2018.2866154).

[7] M.H. Karimi, R. Ebrahimpour, N. Bagheri, "A human visual system based temporal model for semantic levels categorization", IEEE Access, vol. 9, pp. 32873-32881, 2020 (doi: 10.1109/ACCESS.2020.2966507).

[8] P. Sharma, "Perceptual image difference metrics, saliency maps and eye tracking", Master's Thesis, 2008.

[9] Z.H. Chen, Y. Liu, B. Sheng, J.N. Liang, J. Zhang, Y.B. Yuan, "Image saliency detection using gabor texture cues", Multimedia Tools and Applications, vol. 75, no. 24, pp. 16943-16958, 2016 (doi: 10.1007/s11042-015-2965-y).

[10] Y. Chen, J. Tao, Q. Zhang, K. Yang, X. Chen, J. Xiong, R. Xia, J. Xie, "Saliency detection via the improved hierarchical principal component analysis method", Wireless Communications and Mobile Computing, vol. 2020, Article Number: 8822777,  May 2020 (doi: 10.1155/2020/8822777).

[11] K. Zolna, K.J. Geras, K. Cho, "Classifier-agnostic saliency map extraction", Computer Vision and Image Understanding, vol. 19, Article Number: 102969, July 2020 (doi: 10.1016/j.cviu.2020.102969).

[12] K. Duncan, S. Sarkar, "REM: Relational entropy-based measure of saliency", Proceedings of the ICCVGIP, pp. 40-47, 2010 (doi: 10.1145/1924559.1924565).

[13] O.L. Meur, P.L. Callet, D. Barba, D. Thoreau, "A coherent computational approach to model bottom-up visual attention", IEEE Trans. on Pattern Analysis and Machine Intelligence, vol. 28, no. 5, pp. 802-817, May 2006 (doi: 10.1109/TPAMI.2006.86).

[14] Y.F. Ma, H.J. Zhang, "Contrast-based image attention analysis by using fuzzy growing", Proceedings of    ACM, pp. 374-381, Nov. 2003 (doi: 10.1145/957013.957094).

[15] Z. Yu, H.S. Wong, "A rule based technique for extraction of visual attention regions based on real-time clustering", IEEE Trans. on Multimedia, vol. 9, no. 4, pp. 766-784, June 2007 (doi: 10.1109/TM­M.200­7.893351).

[16] D. Chen, T. Jia, C. Wu, "Visual saliency detection: from space to frequency,"  Signal Processing: Image Communication, vol. 44, pp. 57-68, May 2016 (doi: 10.1016/j.image.2016.03.003).

[17] M. Zhang, Y. Wu, Y. Du, L. Fang, Y. Pang, "Saliency detection integrating global and local information", Journal of Visual Communication and Image Representation, vol. 53, pp. 215-223, May 2018 (doi: 10.1016/j.jvcir.2018.03.019).

[18] Z. Rahman, Y.F. Pu, M. Aamir, F. Ullah, "A framework for fast automatic image cropping based on deep saliency map detection and gaussian filter", International Journal of Computers and Applications, vol. 41, no. 3, pp. 207-217, 2019 (doi: 10.1080/1206212X.2017.1422358).

[19] S. Goferman, L. Zelnik-Manor, A. Tal, "Context-aware saliency detection", IEEE Trans. on Pattern Analysis and Machine Intelligence, vol. 34, no. 10, pp. 1915-1926, Oct 2012 (doi: 10.1109/TPAMI.2011.272).

[20] M. Sadeghi, H. marvi, A. Ahmadifard, "A new and efficient feature extraction method for robust speech recognition based on fractional fourier transform and differential evolution optimizer", Journal of Modeling in Engineering, vol. 18, no. 61, pp. 85-96, 2020 (doi: 10.22075/JME.2020.19267.1821).

[21] P.F. Felzenszwalb, D.P. Huttenlocher, "Efficient graph-based image segmentation", International journal of Computer Vision, vol. 59, no. 2, pp. 167-181, 2004 (doi: 10.1023/B:VISI.0000022288.19776.77).

[22] L. Itti, C. Koch, E. Niebur, "A model of saliency-based visual attention for rapid scene analysis", IEEE Trans. on Pattern Analysis and Machine Intelligence, vol. 20, no. 11, pp. 1254-1259, Nov. 1998 (doi: 10.1109/3­4.73­0558).

[23] L. Itti, C. Koch, "Computational modelling of visual attention", Nature Reviews Neuroscience, vol. 2, no. 3, pp. 194-203, 2001 (doi: 10.1038/35058500).

[24] R. Achanta, S. Hemami, F. Estrada, S. Susstrunk, "Frequency-tuned salient region detection", Proceeding of the IEEE/CVPR, pp. 1597-1604, Miami, FL, USA, June 2009 (doi: 10.1109/CVPR.2009.5206596).

[25] L. Zhang, L. Yang, T. Luo, "Unified saliency detection model using color and texture features", PloS One, vol. 11, no. 2, Article Number: e0149328, Feb. 2016 (doi: 10.1371/journal.pone.0149328).

[26] H. Zhang, W. Wang, G. Su, L. Duan, "A simple and effective saliency detection approach", Pattern Recognition (ICPR),  pp. 186-189, Tsukuba, Japan, Nov. 2012.

[27] F. Perazzi, P. Krähenbühl, Y. Pritch, A. Hornung, "Saliency filters: Contrast based filtering for salient region detection", Proceeding of the IEEE/CVPR), pp. 733-740, Providence, RI, USA, June 2012 (doi: 10.1109/CV­PR­.2012.6247743).

[28] L. Itti, C. Koch, "Feature combination strategies for saliency-based visual attention systems", Journal of Electronic imaging, vol. 10, no. 1, pp. 161-169, 2001 (doi: 10.1117/1.1333677).

[29] X. Hou, L. Zhang, "Saliency detection: A spectral residual approach", Proceeding of the IEEE/CVPR, pp. 1-8, Minneapolis, MN, USA, June 2007 (doi: 10.1109/CVPR.2007.383267).

[30] G. Yildirim, S. Süsstrunk, "FASA: Fast, accurate, and size-aware salient object detection", Proceeding of the in ACCV, pp. 514-528, Singapore, Singapore,Nov. 2014 (doi: 10.1007/978-3-319-16811-1_34).

[30] X. Xu, N. Mu, L. Chen, X. Zhang, "Hierarchical salient object detection model using contrast-based saliency and color spatial distribution", Multimedia Tools and Applications, vol. 75, no. 5, pp. 2667-2679, 2016 (doi: 10.1007/s11042-015-2570-0).

[32] L. Zhang, J. Dai, H. Lu, Y. He, G. Wang, "A bi-directional message passing model for salient object detection", Proceeding of the IEEE/CVPR, pp. 1741-1750, Lake City, UT, USA, June 2018 (doi: 10.110­9/CVP­R.2018.00187).

[33] Z. Luo, A. Mishra, A. Achkar, J. Eichel, S. Li, P.M. Jodoin, "Non-local deep features for salient object detection", Proceeding of the IEEE/CVPR, pp. 6609-6617, Honolulu, HI, USA, July 2017 (doi: 10.110­9/C­VP­R.2017.698).

[34] S. Jia, N.D. Bruce, "Richer and deeper supervision network for salient object detection", Computer Vision and Pattern Recognition, Article Number: arXiv:1901.02425, Jan. 2019 (doi: 10.48550/arXiv.1901.02425).

[35] R.C. Gonzalez , R.E. Woods, "Object recognition", Digital Image Processing, 3^rd Edition, Pearson, pp. 861-909, 2008.

[36] N. Chaji,  H. Ghassemian, "Texture-gradient-based contour detection", EURASIP Journal on Applied Signal Processing, vol. 2006, pp. 1-8, 2006 (doi: 10.1155/ASP/2006/21709).

[37] M.M. Cheng, N.J. Mitra, X. Huang, P.H. Torr, S.M. Hu, "Global contrast based salient region detection", IEEE Trans. on Pattern Analysis and Machine Intelligence, vol. 37, no. 3, pp. 569-582, 2015 (doi: 10.1109/TPAMI.2014.2345401).

[38] Q. Yan, L. Xu, J. Shi, J. Jia, "Hierarchical saliency detection", Proceeding of the IEEE/CVPR, pp. 1155-1162, Portland, OR, USA, June 2013 (doi: 10.1109/CVPR.2013.153).

[39] L. Zhang, Z. Gu, H. Li, "SDSP: A novel saliency detection method by combining simple priors", Processing of the IEEE/ICIP, pp. 171-175, Melbourne, VIC, Australia, Sept. 2013 (doi: 10.1109/ICIP.2013.6738036).