基于马尔科夫吸收概率的显着区域检测_MAP（Saliency Region Detection Based on Markov Absorption Probabilities）

详见卢湖川主页

在本文中，我们通过利用显着性检测与马尔科夫吸收概率之间的关系，提出一种新颖的自下而上的突出物体检测方法。

首先，我们通过把加权图上部分图像边界作为背景（仅使用左侧和顶侧作为背景），通过马尔科夫吸收概率计算初步显着图。每个元素的显著性被定义为与其最相似的几个左和右虚拟边界节点的相应吸收概率的总和。第二，通过将图像元素与从初步显着图提取的前景提示的相关性进行排序来获得更好的结果，其可以有效地强调对象背景，其计算处理与第一阶段中的计算类似，但与前者大致不同。最后，利用三个优化技术 - 基于内容的扩散机制，超像素抑制函数和引导过滤器，进一步修改第二阶段广义的显着图，这被证明是有效和互补的。

在本文中，我们从图像图模型的随机游走的前景中模拟显着性检测。 在Graph-based visual saliency中，Harel通

过在完全连接的图上的遍历马尔科夫链的平衡处的每个节点的访问频率来突出显着区域。在本工作中，每个图像区域的

显着性是通过2环图模型上的马尔科夫吸收概率来测量的。给出了基于前景线索从背景分离显着区域的详细描述。

主要工作：

a 考虑稀疏二环图像上的显着性检测和马尔可夫吸收概率之间的关系，并且可以基于该图像很好地估计图像

的前景的粗略位置;

b 开发了一种有效的方法来增强显着区域，抑制背景，在实践中得到体面的表现;

c 提出了区域显着性检测的几种修复技术，有效平滑突出物体并抑制背景。

一、吸收马尔可夫链基因

马尔可夫链：

给定一系列数据，，该过程从这些状态之一开始并且从一个状态连续移动到另一个状态，如果

链当前处于状态si，则以由称为转换概率的pij表示的概率移动到状态sj。因此，马尔可夫链可以由转移矩阵P确定。

遍历马尔可夫链是一个可以从任一状态到任一状态移动的链，不一定是移动一步。马可夫链的状态si称为吸收状态，如

果它不再改变到其他状态，即pii = 1。若马尔可夫链至少具有一个吸收状态，则该链是吸收的。并且，如果从某一状态

出发，最终被某一状态吸收，不一定是在一个单一的步骤。在吸收马尔可夫链中，不吸收的状态成为瞬态。对于具有

k个吸收状态和m个瞬态的任意吸收Markov链，如果我们排列所有状态，使得在吸收状态之前列出瞬态，则将获得过渡

矩阵P的规范形式，

是瞬间状态的概率转移矩阵，中的元素证明转移和吸收状态之间的转移概率，I是k*k的单

位矩阵。从上面矩阵P的规范形式，可以得到另一矩阵：

这被称为矩阵P的基本形式，N的元素nij给出了过程如果在瞬态状态si开始时改变为瞬态状态sj的预期次数。对于吸收

马尔科夫链中的每个瞬态状态si，其最终将被吸收状态sj吸收。 该过程在以给定的吸收状态结束的概率由吸收概率矩

阵给出：