Selective Search算法与演示

小小詹同学

发布于 2019-11-12 16:55:34

1K0

发布于 2019-11-12 16:55:34

文章被收录于专栏：小詹同学小詹同学

算法详解

在对象检测RCNN模型中使用了SS(Selective Search)进行区域推荐，改进了传统图像检测进行全局开窗检测的高计算消耗，典型的对象检测网络RCNN的结构如下：

其中SS作为一种区域推荐算法作为检测框，它是一种基于图像层次纹理、大小、形状进行分割与合并的算法。SS算法对输入图像的过度分割以后作为算法输入，图示如下：

SS算法进行区域推荐ROI生成会执行如下步骤

对每个分割区域计算外接矩形框，作为区域推荐窗口
对每组相邻的分割区域根据相似性进行合并
不断重复1～2

上述步骤中产生大的ROI区域不断被添加到，图像也从最初的过度分割到完全分割、到最终的完全合并。这种基于不同层次的合并被称为自底向上的分割方法。如下图所示：

相似性计算

颜色相似性 根据两个分割区域的颜色直方图的相似度来进行比较，颜色相似计算直方图方法是把0～255总计256个维度分为25个BIN、对RGB三通道得到25x3=75个维度数值，比较两个分割区域的这两组75个数值，采用直方图交叉来计算直方图相似程度，公式如下：

纹理相似性 纹理本质上是图像的梯度、所以计算图像高斯梯度(基于高斯核)、分为8个方向、每个方向上计算颜色直方图、颜色直方图分为10个BIN这样就得到10x8=80个向量，对于彩色RGB图像得到80x3=240个描述子向量作为纹理特征，比较纹理特征相似度的方法与颜色相似性相同。

大小与形状相似性

根据外界矩形框的面积大小，排序得到前2000个ROI区域作为RCNN的区域推荐框。

OpenCV代码演示

OpenCV在扩展模块图像处理中已经包含了SS算法，可以通过API直接创建SS模型对象，调用其方法实现区域推荐功能，代码演示如下：

import cv2

if __name__ == '__main__':
    cv2.setUseOptimized(True);
    cv2.setNumThreads(4);

    # read image
    im = cv2.imread("D:/images/dog.jpg")
    # resize image
    newHeight = 200
    newWidth = int(im.shape[1] * 200 / im.shape[0])
    im = cv2.resize(im, (newWidth, newHeight))
    cv2.imshow("input", im)

    # 创建算法+设置输入图像
    ss = cv2.ximgproc.segmentation.createSelectiveSearchSegmentation()
    ss.setBaseImage(im)

    # 使用SS快速版本
    ss.switchToSelectiveSearchFast()

    # 执行SS
    rects = ss.process()
    print('Total Number of Region Proposals: {}'.format(len(rects)))

    # 推荐100个ROI
    numShowRects = 100
    imOut = im.copy()

    # 显示前100个区域外接矩形框
    for i, rect in enumerate(rects):
        if i < numShowRects:
            x, y, w, h = rect
            cv2.rectangle(imOut, (x, y), (x + w, y + h), (0, 255, 0), 1, cv2.LINE_AA)
        else:
            break

    # show output
    cv2.imshow("SS-Demo", imOut)
    cv2.waitKey(0)
    cv2.destroyAllWindows()