本发明属于图像处理技术领域，特别涉及到一种基于二进制的前景图相似度评测方法。
背景技术：
在图像分割、对象检测、对象识别、前景提取及显著性对象检测等许多重要的应用领域中，前景图相似度评测是一个非常重要的问题。通常情况下，预测的前景图是由检测前景的模型得到的一个二进制映射图，为了度量预测出的前景图的相似度，就要将其与手工标记的真实前景图进行比较，以此来判断前景图预测模型提取前景的能力。传统的二进制前景图相似度评测方法都是基于像素方式的，如p.jaccard提出的“′etudecomparativedeladistributionfloraledansuneportiondesalpesetdesjura.bullsocvaudoisescinat,37:547–579,1901”。基于该方法r.margolin等人又提出了fbw指标“howtoevaluateforegroundmaps？incvpr,pages248–255,2014”。然而，这些方法都忽略了前景图中的结构相似度。2017年deng-pingfan等人提出了“structure-measure:anewwaytoevaluateforegroundmaps,iccv,2017”，该方法集中讨论了非二进制前景图相似度的评价方法，相比传统的评价方法其评价可靠性有了很大的提高。对于二进制的前景图相似度评测问题来说，它与非二进制前景图相似度的评测是有本质的差别的。非二进制的前景图，其每个元素的值介于0和1之间，是一个连续的值代表它是前景的概率大小。因此在度量相似度时，structure-measure考虑了亮度，对比度是有效的。而二进制的前景图，其元素的值是不连续的，非0即1，这与二进制前景图的评测完全迥异，structure-measure所考虑的一些非二进制的特性在二进制情况下便不满足，因此structure-measure并不能直接应用到二进制前景图相似度的评测上。通过分析发现，传统的指标以及这一最新的指标要么忽略了图像级别的信息，要么将像素级别信息与图像级别的信息分开考虑。而视觉生理学研究表明，人眼对相似度的感知是局部和全局同时感知的。由于忽略了这一特性，当前的方法并不能给予前景图相似度一个合理的评测，将会导致赋予高相似度的前景图以低的得分这样一个错误的评测。
技术实现要素：
本发明需要解决的技术问题是针对已有的评价相似度方法未能同时考虑到像素级别和图像级别相似度而提出一种能同时考虑这两者相似度的方法。本发明首先对输入的前景图与其均值求差，得到对齐矩阵。然后计算预测前景图与真实前景图对齐矩阵之间对应元素的乘积得到相似性矩阵，进一步对相似性矩阵归一化、元素拉伸，最后求该矩阵的平均值就得到了预测前景图的相似度。
本发明公开了一种基于二进制的前景图相似度评测方法，该方法包括如下步骤:
a.对齐矩阵：本方法利用前景图中每个像素点的值减去前景图均值得到对齐矩阵，这种方法可以将局部的信息与全局信息结合起来；
b.相似度矩阵：相似度的度量是在预测的前景图与真实人工标注的前景图之间进行的，通过计算预测前景图和真实前景图的对齐矩阵，然后将两个矩阵对应元素的乘积作为其相似度矩阵；
c.矩阵归一化：对相似度矩阵的元素逐一归一化，使矩阵中的元素值介于-1和1之间，-1表示完全不相似，1表示完全相似，相似程度最高；
d.矩阵元素拉伸：对归一化后的相似度矩阵值进行非线性拉伸；
e.求相似度：对拉伸后的相似度矩阵求其平均值就是最终的前景图相似度。
本发明的有益效果为：本方法不需要复杂的计算就可以得到前景图的相似度，相比当前的其他评测方法，本发明方法的性能在实际应用场景中有9％～19％的提升，这使得二进制前景图相似度的评测结果更为可靠。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明:
图1为基于二进制的前景图相似度评测方法流程图。
图2为基于二进制的前景图相似度评测方法示意图。
具体实施方式
参照图1，表示基于二进制的前景图相似度评测方法流程图，图中表示的步骤为：
a.输入预测前景图以及真实前景图，其中预测前景图通常是前景检测模型所检测出的结果，而真实前景图为人手工标注的真实前景图。
b.分别将预测前景图和真实前景图减去其自身前景图的均值，得到2个对齐矩阵。这里的均值计算的均值是图像级别的均值，为了能够获得图像级别的统计信息。将前景图减去均值后得到的对齐矩阵描述了局部像素与图像级别的差异，可以同时捕捉局部和全局信息。
c.对上一步得到的2个对齐矩阵进行矩阵元素相乘就得到了相似度矩阵，相似性矩阵中的每个元素越大，表示两个预测前景图与真实前景图对应位置的相似度越高，反之亦然。
d.对相似度矩阵进行归一化后可将相似性矩阵的元素归一化到[-1,1]之间，-1表示对应位置的完全不相似，1表示完全相似。
e.当预测的前景图与真实的前景图已经非常接近时，例如相似度已经达到90％，要进一步达到100％的相似度，则需要再提高10％；对于另外一种情况，当预测前景图与真实前景图的相似度为0，增加10％的相似度，从而提高到10％。同样是10％的提高，但前者从90％到100％要比从0％到10％困难得多。基于这一思想，本方法接着对相似度矩阵的每个元素做非线性拉伸。若xij表示归一化后的相似性矩阵x的第i行j列的元素，拉伸就是对相似性矩阵的每个元素xij计算下式：
f(x)为拉伸函数。这样可以使得相似度更高的位置能获得更高的权重。
f.最后将线性拉伸后的相似性矩阵f(x)进行求和平均,即计算下式：
得到最终相似度s(p.s.similarity)，其中m和n为矩阵宽度和高度。大量的实验结果表明，本方法能够有效地评测前景图的相似度。
参照图2，表示本方法的示意图。各个阶段算法处理后可视化的结果，图2和图1表达同样的意思，主要是帮助理解图1中各个部分处理完之后的效果。符号说明如下：
(a)gt表示输入的真实前景图；(b)em表示输入的预测前景图；(c)ugt表示gt的均值；(d)uem表示em的均值；(e)