显著性图谱的评价

近来也是做学位论文,其中有一张是对比了当前比较多的图像显著性方法,很多显著性算法都或者给出源码,或者给出可执行程序,或者是提供已分割的结果。

在有以上内容后,如何进行显著性的结果进行评价呢?我看到很多precision-recall曲线图,我以为很多作者都会给出评价的源码,然而实际并没有,虽然评价代码也很容易可以通过matlab编程得到,但无论怎样,还是有点麻烦的,起码我评价9个显著性算法,它得在我电脑上跑将近半天多(也是我偷懒没有优化吧)

对比的方法有:

算法名称 参考文献 实现代码
谱残差(SR) Hou[40] 作者提供的Matlab代码
频率调谐(FT) Achanta[26] 作者提供的Matlab代码
视觉注意(LC) Zhai[25] 作者提供的可执行代码
基于直方图的对比度(HC) Cheng[31] 作者提供的可执行代码
基于区域的对比度(RC) Cheng[31] 作者提供的可执行代码
分层显著性检测(HSD) Yan[47] 作者提供的可执行代码
图的流形排序(GBMR) Yang[49] 作者提供的Matlab代码
全局线索(GC) Cheng[60] 作者提供的可执行代码
稠密稀疏重建(DSR) Li[52] 作者提供的可执行代码

首先,先看看precisionrecall的计算方法:

假设 \(Result\) 表示实际分割结果的前景像素点集合,\(GT\) 表示该图像真值(Ground Truth)的前景像素值,则precisionrecall的计算如下:

\[precision = \frac{Result\cap{GT}}{Result} \]

\[recall= \frac{Result\cap{GT}}{GT} \]

\[F_{\beta} = \frac{(1+(\beta)^{2})\times{precision\times{recall}}}{(\beta)^{2}precision+recall} \]

做过显著性的应该都知道,显著性图是一个从0~255的灰度图,并没有指定哪些是前景,哪些是背景,那么是如何评价的呢?

对于显著性图谱的评测,有种方法叫做固定阈值法,即使阈值从0~255变化,得到每一个阈值对应的precisionrecall,遂有了曲线图,其中最高点即为该算法的最佳阈值点。

如下,即是对比图:

precision-recall

fbeta

附上我自己写的比较低效率的评测代码:

代码1,计算实验所需的数据,并保存:

clc;
clear all;

srcDir = './Saliency/';

gtFiles = dir([srcDir '*.bmp']);

numFile = length(gtFiles);

maxPixel = 255;

step = 1;

preMatrix = zeros([1 maxPixel/step+1]);
recMatrix = zeros([1 maxPixel/step+1]);


extNames = {'SR', 'FT', 'LC', 'HC', 'RC', 'DSR', 'GBMR', 'GC', 'HSD'};

preMatrixes = zeros([9 maxPixel/step+1]);
recMatrixes = zeros([9 maxPixel/step+1]);

for k=1:9
    fprintf('class: %d ...\n',k);
    for i=0:maxPixel/step
        precision = 0;
        recall = 0;
        fprintf('%d \t',i);
        for j=1:numFile
            [path name ext] = fileparts(gtFiles(j).name);
            salFilePath = [srcDir name '_' char(extNames(k)) '.png'];
            gtLogical = logical(rgb2gray(imread([srcDir gtFiles(j).name])));
            salFile = imread(salFilePath);
            salFile(find(salFile >= i*step))=255;
            salFile(find(salFile < i*step))=0;
            salLogical = logical(salFile);
            
            gtNum = length(find(gtLogical==1));
            salNum = length(find(salLogical==1));
            interNum = length(find((gtLogical & salLogical)==1));
            
            curPre = interNum/salNum;
            curRec = interNum/gtNum;
            
            precision = precision + curPre;
            recall = recall + curRec;
        end
        precision = precision/numFile;
        recall = recall/numFile;
        
        preMatrix(1,i+1) = precision;
        recMatrix(1,i+1) = recall;        
    end
    fprintf('\n');
    
    preMatrixes(k,:) = preMatrix;
    recMatrixes(k,:) = recMatrix;
end

save savePreName 'preMatrixes';
save saveRecName 'recMatrixes'

代码2,利用实验数据绘制对比数据图:

clc;
clear all;

load savePreName.mat;
load saveRecName.mat;

extNames = {'SR', 'FT', 'LC', 'HC', 'RC', 'DSR', 'GBMR', 'GC', 'HSD'};
lineColors = zeros([9 3]);
lineColors(1,:) = [1 0 0];
lineColors(2,:) = [0 1 0];
lineColors(3,:) = [0 0 1];
lineColors(4,:) = [1 1 0];
lineColors(5,:) = [1 0 1];
lineColors(6,:) = [0 1 1];
lineColors(7,:) = [0.4 0.5 0];
lineColors(8,:) = [1 0 0.5];
lineColors(9,:) = [1 0.5 0.5];

figure(1);


for k=1:9
    
    recall = recMatrixes(k,:);
    precision = preMatrixes(k,:);
    
    plot(recall, precision, 'Color',lineColors(k,:), 'linewidth', 2);
    hold on;
    
end

hold off;
xlabel('Recall');
ylabel('Precision');
legend('SR', 'FT', 'LC', 'HC', 'RC', 'DSR', 'GBMR', 'GC', 'HSD');
grid on;
axis([0 1 0 1]);

Fbeta = zeros([9 256]);
for k=1:9
    for i=0:255
        rec = recMatrixes(k,i+1);
        pre = preMatrixes(k,i+1);
        Fbeta(k,i+1) = (1+0.3)*pre*rec/(0.3*pre+rec);
    end
end

figure(2);

for k=1:9
    plot(Fbeta(k,:),'Color',lineColors(k,:), 'linewidth', 2);
    hold on;
end
hold off;
xlabel('Threshold');
ylabel('Fbeta');
legend('SR', 'FT', 'LC', 'HC', 'RC', 'DSR', 'GBMR', 'GC', 'HSD');
grid on;
axis([0 255 0 1]);
posted @ 2015-03-26 14:55  Moondark  阅读(2235)  评论(1编辑  收藏  举报