一种基于马尔可夫背景与前景吸收链的图像显著性检测方法与流程

本发明涉及一种基于马尔可夫背景与前景吸收链的图像显著性检测方法，属于图像检测技术领域。

背景技术：

图像显著性检测，是计算图像中各个部分的显著性(吸引人们视觉注意的程度)，从而将最显著(吸引程度最高)的区域查找出来。

基于图的显著性传播机制，已成为显著性检测领域中常用的策略之一。研究者以图论为基础，为图像建立图模型，将图像分割成多个区域，一个区域对应图中的一个节点，而节点之间的边也随之定义。根据图像的一些先验知识，可将图像的部分节点标记为种子节点，然后设计传播模型传播种子节点的显著性，经过传播扩散，图中每个节点被赋予相应的显著值。常见的先验有背景先验、前景先验、中心先验、形状先验、颜色先验等；常见的传播模型有马尔可夫模型、流形排序模型、元胞自动机模型、随机游走模型等。

jiang等发表的《saliencydetectionviaabsorbingmarkovchain》论文中，提出了基于马尔可夫吸收链的图像显著性检测方法(简称mc方法)，该方法以边界节点为背景种子集，将其复制为虚拟的吸收节点，图像中所有的节点作为转移节点，从任意一个转移节点出发，进行随机游走，根据到达吸收节点的被吸收时间，来衡量转移节点的显著性。

mc方法不足之处在于：一是边界背景种子的选取不够准确，某些图像1～2个边界中，可能会出现显著目标；二是在背景种子样本空间中，边界背景种子只覆盖到其中一部分，在一定程度上会影响传播的效率；三是在传播过程中，对一些较特殊的图像，可能会有部分背景没有被很好地抑制，个别奇异节点的显著值会很大，显著性区域没有被有效突出；四是只考虑基于背景种子的吸收传播，传播方式单一化；五是显著图中前景和背景不够均匀，尚需进一步优化处理。

技术实现要素：

本发明所要解决的技术问题是提供一种基于马尔可夫背景与前景吸收链的图像显著性检测方法，综合应用多种技术于一体，从背景与前景两个维度着手，能够显著提高图像显著性的检测效率。

本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种基于马尔可夫背景与前景吸收链的图像显著性检测方法，用于实现目标图像中显著性目标的检测，包括如下步骤：

步骤a.获得目标图像中的显著特征点，构建凸包，然后进入步骤b；

步骤b.针对目标图像进行超像素分割处理，获得各个超像素，然后获得两两超像素之间的相似度，并进入步骤c；

步骤c.定义沿目标图像边缘一周、宽度为d的区域为边界区域，根据若超像素中包含位于边界区域的像素点，则判定该超像素属于候选边界背景集b0的规则，构建候选边界背景集b0，然后进入步骤d；

步骤d.根据目标图像中两两超像素之间的相似度，分别针对候选边界背景集b0中的各个超像素，获得与该超像素之间相似度不小于预设相似度阈值的其余各个超像素，并结合该超像素、共同构成该超像素所对应的相似区域，进而获得候选边界背景集b0中各个超像素分别所对应的相似区域，然后进入步骤e；

步骤e.分别针对候选边界背景集b0中各个超像素所对应的相似区域，获得超像素所对应相似区域的边界连通性，再根据相似区域的边界连通性，获得该超像素属于背景的概率，然后删除候选边界背景集b0中、概率小于预设背景概率阈值的超像素，更新为边界背景集b1，然后进入步骤f；

步骤f.获得目标图像中各个超像素分别相对边界背景集b1的显著值，并获得平均值，作为相对背景显著平均值；然后选择目标图像中边界区域与凸包之间区域内、同时小于预设背景显著阈值与相对背景显著平均值的超像素，加入边界背景集b1，更新为背景种子集b，并进入步骤g；

步骤g.构建目标图像中全部超像素所对应的无向图g，然后根据无向图g中各边的权重，构建无向图g所对应的邻接矩阵w，并进入步骤h；

步骤h.根据无向图g与背景种子集b，构建背景吸收马尔可夫链图然后结合无向图g所对应的邻接矩阵w，获得背景吸收马尔可夫链图所对应的关联矩阵a，并根据关联矩阵a，获得背景吸收马尔可夫链图所对应的概率转移矩阵p，最后根据被吸收时间，获得目标图像中各个超像素分别相对背景种子集b的显著值，并进入步骤i；

步骤i.将目标图像中各个超像素分别相对边界背景集b1的显著值、与目标图像中各个超像素分别相对背景种子集b的显著值进行融合，获得目标图像中各个超像素相对背景的显著值；然后根据各个超像素相对背景的显著值，结合预设相对背景显著阈值，针对目标图像中各个超像素进行前景与背景的划分，实现目标图像中前景与背景的划分。

作为本发明的一种优选技术方案，所述步骤i中，获得目标图像中各个超像素相对背景的显著值后，进入如下步骤：

步骤j.选择目标图像中各个超像素相对背景的显著值中最大值的预设倍数，作为前景显著阈值，然后选择凸包中、相对背景的显著值不小于前景显著阈值的超像素，构成前景种子集f，然后进入步骤k；

步骤k.按步骤h的方法，基于吸收马尔可夫链，获得目标图像中各个超像素相对前景种子集f的显著值，即目标图像中各个超像素相对前景的显著值，并进入步骤l；

步骤l.根据预设权重，将目标图像中各个超像素相对背景的显著值、与目标图像中各个超像素相对前景的显著值进行融合，获得目标图像中各个超像素的显著值，然后根据各个超像素的显著值，结合预设相对显著阈值，针对目标图像中各个超像素进行前景与背景的划分，实现目标图像中前景与背景的划分。

作为本发明的一种优选技术方案，所述步骤l中，获得目标图像中各个超像素的显著值之后，利用平滑机制针对目标图像中超像素的显著值进行平滑处理更新，然后根据各个超像素的显著值，结合预设相对显著阈值，针对目标图像中各个超像素进行前景与背景的划分，实现目标图像中前景与背景的划分。

作为本发明的一种优选技术方案，所述步骤b中，按如下公式：

获得两两超像素之间的相似度simij，其中，vi、vj分别为目标图像中的任意超像素，dcolor(vi,vj)表示超像素vi与超像素vj在cielab颜色空间的欧式距离，σ²表示预设平衡参数，σ²＝0.1。

作为本发明的一种优选技术方案，所述步骤e中，分别针对候选边界背景集b0中各个超像素所对应的相似区域，按如下公式：

获得超像素所对应相似区域的边界连通性其中，表示候选边界背景集b0中第i个超像素所对应相似区域的边界连通性，δ(·)表示指函数，当超像素时，否则表示候选边界背景集b0中第i个超像素所对应相似区域，表示候选边界背景集b0中第i个超像素所对应相似区域中的第j个超像素，表示候选边界背景集b0中第i个超像素、与候选边界背景集b0中第i个超像素所对应相似区域中的第j个超像素之间的相似度。

作为本发明的一种优选技术方案，所述步骤e中，根据相似区域的边界连通性，按如下公式：

获得该超像素属于背景的概率其中，表示候选边界背景集b0中第i个超像素属于背景的概率，表示候选边界背景集b0中第i个超像素所对应相似区域的边界连通性，

作为本发明的一种优选技术方案，所述步骤f中，根据如下公式：

sbg1(i)＝scolor(i)·wdis(i)

获得目标图像中各个超像素分别相对边界背景集b1的显著值sbg1(i)，其中，sbg1(i)表示目标图像中第i个超像素相对边界背景集b1的显著值，scolor(i)表示目标图像中第i个超像素与边界背景集b1的颜色差异，表示边界背景集b1中第j个超像素，nb表示边界背景集b1中超像素的总数，表示目标图像中第i个超像素、与边界背景集b1中第j个超像素在cielab颜色空间的欧式距离，wdis(i)表示目标图像中第i个超像素与边界背景集b1的空间差异，表示目标图像中第i个超像素中心坐标位置、与边界背景集b1中第j个超像素中心坐标位置之间的欧式距离，

作为本发明的一种优选技术方案，所述步骤g中，以目标图像中全部超像素为节点，结合如下规则定义节点之间的边，构成无向图g；

各节点分别与其空间邻居节点相连，以及各节点分别与其各空间邻居节点的邻居节点相连接，并且边界背景集b1中的所有节点之间两两相互连接；

然后按如下公式：

获得无向图g中各边的权重wi'j'，构建无向图g所对应的邻接矩阵w，其中，vi'、vj'分别表示无向图g中彼此之间存在边的两超像素，wi'j'表示无向图g中第i'超像素与第j'超像素之间边的权重，dcolor(vi',vj')表示无向图g中彼此之间存在边的两超像素在cielab颜色空间的欧式距离，σ²表示预设平衡参数。

作为本发明的一种优选技术方案，所述步骤h中，将目标图像中的所有超像素作为转移节点，针对背景种子集b中的超像素进行复制，作为虚拟的吸收节点，基于无向图g，以转移节点、吸收节点，结合如下规则定义节点之间的边，构成背景吸收马尔可夫链图

1)转移节点自身关系：每个转移节点存在自环，即转移节点可连接到自身，边长权重为1；

2)转移节点之间关系：转移节点之间与无向图g中对应节点之间关系一致；

3)转移节点与虚拟吸收节点之间关系：若转移节点存在对其复制的虚拟吸收节点，则该转移节点指向其对应的虚拟吸收节点，并与之单向连接，同时与该转移节点相连接的其他转移节点，分别指向该转移节点所对应的虚拟吸收节点，并与之单向连接；

4)虚拟吸收节点之间关系：各个虚拟的吸收节点之间是没有关联的；

5)虚拟吸收节点自身关系：每个吸收节点存在自环，边长权重为1；

针对背景吸收马尔可夫链图中的节点重新排列，将转移节点排在前面，吸收节点排在后面，依据此排序，按如下公式：

获得背景吸收马尔可夫链图的关联矩阵其中，n表示背景吸收马尔可夫链图中节点总数，k表示目标图像中超像素总数，表示背景吸收马尔可夫链图中第i个节点，表示背景吸收马尔可夫链图中第j个节点，表示背景吸收马尔可夫链图中与第i个节点相连接各节点序号的集合，表示的复制节点，表示背景吸收马尔可夫链图中与第个节点相连接各节点序号的集合，表示的复制节点。

作为本发明的一种优选技术方案，所述步骤i中，按如下公式：

将目标图像中各个超像素分别相对边界背景集b1的显著值、与目标图像中各个超像素分别相对背景种子集b的显著值进行融合，获得目标图像中各个超像素相对背景的显著值sbg(i)，其中，sbg1(i)表示目标图像中第i个超像素相对边界背景集b1的显著值，sbg2(i)表示目标图像中第i个超像素相对背景种子集b的显著值，θ为预设平衡因子；

所述步骤l中，按如下公式：

s(i)＝αsbg(i)+(1-α)sfg(i)

将目标图像中各个超像素相对背景的显著值sbg(i)、与目标图像中各个超像素相对前景的显著值sfg(i)进行融合，获得目标图像中各个超像素的显著值s(i)，其中，α为预设权重。

本发明所述一种基于马尔可夫背景与前景吸收链的图像显著性检测方法，采用以上技术方案与现有技术相比，具有以下技术效果：

本发明所设计基于马尔可夫背景与前景吸收链的图像显著性检测方法，有益效果具体表现在：第一，通过超像素相似性，而不是通过边的权重，寻找相似性区域，从而优化边界连通性算法，计算出边界中每一个超像素属于背景的概率，将背景概率值较低的超像素，从候选边界背景集中剔除，得到准确的边界背景集；第二，基于空间加权的颜色对比，在凸包、边界背景集以外的区域，适当增加一些背景节点作为背景种子，将其与边界背景集合并得到背景种子集，以提高算法效率；第三，为了突出显著目标，将边界先验显著图与背景吸收显著图融合，得到第一阶段的基于背景显著图，并为第二阶段前景种子的选择奠定基础；第四，基于第一阶段显著图，在凸包的范围内，筛选准确的前景种子集；第五，充分利用基于背景与基于前景检测方法的互补性，分别进行有效传播，并对传播结果进行合理融合及平滑优化。

附图说明

图1是本发明设计基于马尔可夫背景与前景吸收链的图像显著性检测方法的流程图；

图2是本发明与其他方法在ecssd数据集上pr(准确率、召回率)曲线对比示意图；

图3是本发明与其他方法在ecssd数据集上准确率、召回率和f-measure值对比示意图；

图4是本发明与其他方法在ecssd数据集上部分视觉效果对比示意图。

具体实施方式

下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。

本发明设计了一种基于马尔可夫背景与前景吸收链的图像显著性检测方法，用于实现目标图像中显著性目标的检测，实际应用当中，如图1所示，具体包括如下步骤。

步骤a.利用颜色增强harris算子，通过使用颜色特征，对原始图像进行harris角点检测，根据检测到的显著特征点，获得目标图像中的显著特征点，构建凸包h，然后进入步骤b；凸包h大致确定了目标图像中显著性区域的范围，凸包h外为背景区域，显著性目标在凸包h内，但凸包h内仍包含了不少背景区域。

步骤b.采用slic(simplelineariterativecluster，简单线性迭代聚类)算法，针对目标图像进行超像素分割处理，获得各个超像素，然后按如下公式：

获得两两超像素之间的相似度simij，并进入步骤c；其中，vi、vj分别为目标图像中的任意超像素，dcolor(vi,vj)表示超像素vi与超像素vj在cielab颜色空间的欧式距离。

ci、cj分别为超像素vi、vj的cielab颜色均值特征向量。

σ²表示预设平衡参数，实际应用中，σ²＝0.1，simij值越接近1，说明两超像素之间越相似。

在不少情况下，图像的4个边界均为背景，但也会有一些图像，其1～2个边界上出现显著目标的一部分，如果这部分内容被选取作为背景节点，将会降低基于背景先验及吸收的显著性检测准确性。

步骤c.定义沿目标图像边缘一周、宽度为d的区域为边界区域，根据若超像素中包含位于边界区域的像素点，则判定该超像素属于候选边界背景集b0的规则，构建候选边界背景集b0，然后进入步骤d。

候选边界背景集b0所包含超像素的横坐标范围为{x|0≤x≤d∪w-d≤x≤w}，纵坐标范围为{y|0≤y≤d∪h-d≤y≤h}，w*d为目标图像的分辨率。

步骤d.根据目标图像中两两超像素之间的相似度，分别针对候选边界背景集b0中的各个超像素，获得与该超像素之间相似度不小于预设相似度阈值的其余各个超像素，并结合该超像素、共同构成该超像素所对应的相似区域，进而获得候选边界背景集b0中各个超像素分别所对应的相似区域，然后进入步骤e，实际应用中，预设相似度阈值的取值范围为[0.7,0.9]。

步骤e.分别针对候选边界背景集b0中各个超像素所对应的相似区域，按如下公式：

获得超像素所对应相似区域的边界连通性其中，表示候选边界背景集b0中第i个超像素所对应相似区域的边界连通性，δ(·)表示指函数，当超像素时，否则表示候选边界背景集b0中第i个超像素所对应相似区域，表示候选边界背景集b0中第i个超像素所对应相似区域中的第j个超像素，表示候选边界背景集b0中第i个超像素、与候选边界背景集b0中第i个超像素所对应相似区域中的第j个超像素之间的相似度。

再根据相似区域的边界连通性按如下公式：

获得该超像素属于背景的概率则相似区域边界连通性越大，其属于背景的概率越大，其中，表示候选边界背景集b0中第i个超像素属于背景的概率，

然后删除候选边界背景集b0中、概率小于预设背景概率阈值的超像素，更新为边界背景集b1，然后进入步骤f，实际应用当中，预设背景概率阈值的取值范围为[0.2,0.4]。

若一个超像素与边界背景集b1差异越大，则该超像素越可能属于显著目标；若差异很小，则该超像素属于背景区域的可能性较大，此外，边界背景集b1对超像素显著性的贡献，还跟空间距离相关，通常离得越近对比度越高。

步骤f.根据如下公式：

sbg1(i)＝scolor(i)·wdis(i)

获得目标图像中各个超像素分别相对边界背景集b1的显著值sbg1(i)，其中，sbg1(i)表示目标图像中第i个超像素相对边界背景集b1的显著值，scolor(i)表示目标图像中第i个超像素与边界背景集b1的颜色差异，表示边界背景集b1中第j个超像素，nb表示边界背景集b1中超像素的总数，表示目标图像中第i个超像素、与边界背景集b1中第j个超像素在cielab颜色空间的欧式距离，实际应用中，wdis(i)表示目标图像中第i个超像素与边界背景集b1的空间差异，表示目标图像中第i个超像素中心坐标位置、与边界背景集b1中第j个超像素中心坐标位置之间的欧式距离，实际应用中，

接着获得目标图像中所有超像素分别相对边界背景集b1的显著值sbg1(i)的平均值，作为相对背景显著平均值；然后选择目标图像中边界区域与凸包h之间区域内、同时小于预设背景显著阈值与相对背景显著平均值的超像素，加入边界背景集b1，更新为背景种子集b，并进入步骤g；实际应用中，预设背景显著阈值＝0.05。

步骤g.以目标图像中全部超像素为节点，结合如下规则：

各节点分别与其空间邻居节点相连，以及各节点分别与其各空间邻居节点的邻居节点相连接，并且边界背景集b1中的所有节点之间两两相互连接。

定义节点之间的边，构建目标图像中全部超像素所对应的无向图g＝<v,e>，其中，v为无向图g中节点集合，e为无向图g中边集合。

然后按如下公式：

获得无向图g中各边的权重wi'j'，构建无向图g所对应的邻接矩阵w，并进入步骤h；其中，vi'、vj'分别表示无向图g中彼此之间存在边的两超像素，wi'j'表示无向图g中第i'超像素与第j'超像素之间边的权重，dcolor(vi',vj')表示无向图g中彼此之间存在边的两超像素在cielab颜色空间的欧式距离，σ²表示预设平衡参数。

步骤h.根据无向图g与背景种子集b，将目标图像中的所有超像素作为转移节点，针对背景种子集b中的超像素进行复制，作为虚拟的吸收节点，基于无向图g，以转移节点、吸收节点，结合如下规则定义节点之间的边，构成背景吸收马尔可夫链图

1)转移节点自身关系：每个转移节点存在自环，即转移节点可连接到自身，边长权重为1；

2)转移节点之间关系：转移节点之间与无向图g中对应节点之间关系一致；

3)转移节点与虚拟吸收节点之间关系：若转移节点存在对其复制的虚拟吸收节点，则该转移节点指向其对应的虚拟吸收节点，并与之单向连接，同时与该转移节点相连接的其他转移节点，分别指向该转移节点所对应的虚拟吸收节点，并与之单向连接；

4)虚拟吸收节点之间关系：各个虚拟的吸收节点之间是没有关联的；

5)虚拟吸收节点自身关系：每个吸收节点存在自环，边长权重为1；

然后针对背景吸收马尔可夫链图中的节点重新排列，将转移节点排在前面，吸收节点排在后面，依据此排序，结合无向图g所对应的邻接矩阵w，按如下公式：

获得背景吸收马尔可夫链图的关联矩阵其中，n表示背景吸收马尔可夫链图中节点总数，n＝m+k，m表示背景种子集b中超像素总数，k表示目标图像中超像素总数，表示背景吸收马尔可夫链图中第i个节点，表示背景吸收马尔可夫链图中第j个节点，表示背景吸收马尔可夫链图中与第i个节点相连接各节点序号的集合，表示的复制节点，表示背景吸收马尔可夫链图中与第个节点相连接各节点序号的集合，表示的复制节点。

接着根据关联矩阵a，获得背景吸收马尔可夫链图所对应的概率转移矩阵p，最后根据被吸收时间，获得目标图像中各个超像素分别相对背景种子集b的显著值sbg2(i)，此过程具体如下。

在关联矩阵a的基础上，进而求出度矩阵该矩阵对角线上的元素是连接到该节点的权重之和。因此，背景吸收马尔可夫链图的概率转移矩阵p＝d^-1a，它同样也是稀疏矩阵，其元素表示节点转移到的概率。

背景吸收马尔可夫链图所对应的概率转移矩阵p可以写成简单的标准形式，可表示为：

其中，子方阵包含任意两个转移节点之间的转移概率；子阵包含任意一个转移节点转移到任意一个吸收节点的概率；o是m*k维子阵；i表示m*m维单位子方阵，该矩阵含义是吸收节点之间不可相互转移，吸收节点转移到自身的概率是1。

背景吸收马尔可夫链图的基本矩阵为基本矩阵m中的元素表示随机游走者从背景吸收马尔可夫链图的转移节点出发，在到达某个吸收节点之前，经历过转移节点的平均次数。

随机游走者从转移节点出发，最终到达某一个吸收节点，之间经过所有转移节点的总次数，即为转移节点的被吸收时间，对应的值为记元素均为1的k维列向量e＝[1,1,…,1]^t，则计算被吸收时间的公式为：

t＝me

为k维列向量，记录各个转移节点的被吸收时间。转移节点的值越大，说明被吸收到背景种子节点的时间越慢，转移节点越可能是显著目标；反之，转移节点的值越小，说明被吸收到背景种子节点的时间越快，转移节点越可能是背景。

对被吸收时间向量t归一化，得到向量则根据获得目标图像中各个超像素分别相对背景种子集b的显著值sbg2(i)。

最后进入步骤i。

步骤i.按如下公式：

将目标图像中各个超像素分别相对边界背景集b1的显著值sbg1(i)、与目标图像中各个超像素分别相对背景种子集b的显著值sbg2(i)进行融合，获得目标图像中各个超像素相对背景的显著值sbg(i)，然后进入步骤j；其中，sbg1(i)表示目标图像中第i个超像素相对边界背景集b1的显著值，sbg2(i)表示目标图像中第i个超像素相对背景种子集b的显著值，θ为预设平衡因子，实际应用中，θ＝5，在一定程度上，可抑制背景吸收显著图中的背景噪声。

步骤j.选择目标图像中各个超像素相对背景的显著值中最大值的预设倍数，作为前景显著阈值，实际应用中，选择目标图像中各个超像素相对背景的显著值中最大值的0.7倍，作为前景显著阈值，然后选择凸包中、相对背景的显著值不小于前景显著阈值的超像素，构成前景种子集f，然后进入步骤k。

步骤k.按步骤h的方法，基于吸收马尔可夫链，获得目标图像中各个超像素相对前景种子集f的显著值，即目标图像中各个超像素相对前景的显著值sfg(i)，并进入步骤l。

步骤l.sbg(i)与sfg(i)是互补的，前者能突出显著目标，后者可以较好地抑制背景噪声，根据预设权重α，按如下公式：

s(i)＝αsbg(i)+(1-α)sfg(i)

将目标图像中各个超像素相对背景的显著值sbg(i)、与目标图像中各个超像素相对前景的显著值sfg(i)进行融合，获得目标图像中各个超像素的显著值s(i)，考虑到sbg(i)与sfg(i)的贡献大小相当，实际应用中取α＝0.5。

为了突显显著性目标，弱化背景区域，利用平滑机制针对目标图像中超像素的显著值进行平滑处理更新，具体如下。

s*＝argmin(μ∑i,jwij(s^*(i)-s^*(j))²+∑i(s^*(i)-s(i))²)

上式中，s为sbg(i)与sfg(i)融合后的组合显著图，即s＝[s(1),s(2),…,s(k)]^t；s^*为平滑处理后的最终显著图，s^*＝[s^*(1),s^*(2),…,s^*(k)]^t。

等式右边函数的第一项为平滑度约束，等式右边函数的第二项为拟合约束，其中参数μ控制平滑度约束和拟合约束的平衡。也就是说，一个好的显著图s^*不应该在相邻超像素之间变化太多，并且不应该与初始显著图(这里为组合显著图s)相差太多。

将等式右边函数项μ∑i,jwij(s^*(i)-s^*(j))²+∑i(s^*(i)-s(i))²导数设置为0，来计算最小解。通过变换，得到最终显著图s^*的计算公式。

s^*＝λ(d'-w+λi)^-1s

上式中，w为无向图g的邻接矩阵，w＝(wij)k*k；对角矩阵d'＝diag(∑jwij)；i为单位矩阵；λ＝1/(2μ)，实际应用中取λ＝0.02。

然后根据各个超像素的显著值，结合预设相对显著阈值，针对目标图像中各个超像素进行前景与背景的划分，实现目标图像中前景与背景的划分。

基于如图2至图4所示，上述技术方案所设计基于马尔可夫背景与前景吸收链的图像显著性检测方法，有益效果具体表现在：第一，通过超像素相似性，而不是通过边的权重，寻找相似性区域，从而优化边界连通性算法，计算出边界中每一个超像素属于背景的概率，将背景概率值较低的超像素，从候选边界背景集中剔除，得到准确的边界背景集；第二，基于空间加权的颜色对比，在凸包、边界背景集以外的区域，适当增加一些背景节点作为背景种子，将其与边界背景集合并得到背景种子集，以提高算法效率；第三，为了突出显著目标，将边界先验显著图与背景吸收显著图融合，得到第一阶段的基于背景显著图，并为第二阶段前景种子的选择奠定基础；第四，基于第一阶段显著图，在凸包的范围内，筛选准确的前景种子集；第五，充分利用基于背景与基于前景检测方法的互补性，分别进行有效传播，并对传播结果进行合理融合及平滑优化。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。