Foreground and background segmentation is useful method for several vision applications such as object detection, retargeting and classification. In this paper, we introduce a novel algorithm for foreground and background segmentation that outputs automatically segmented image with well-defined boundaries at fast computation rate. Our model shows high accuracy compared with state-of-the-art algorithms without any training data or user-given prior. We also propose new underlying algorithms for achieving good segmentation. We use 1) enhanced saliency map as the initial cue for segmentation and 2) reformed Kullback- Liber Divergence (KLD) for computing weights between nodes which are constructed by color- texture Gaussian Mixture Model (GMM) in Graph Cut model. This distance is designed with consideration of spatial and visual coherence between each node. Our algorithm also enhances computation efficiency by using superpixels as the nodes in Graph Cut model. We evaluate our algorithm on MSRA database and demonstrate advantages our algorithm over several state-of-the-art saliency detection and segmentation methods.
주어진 영상으로부터 원하는 물체나 영역 즉, 전경(foreground)을 배경(background)로부터 분리(segmentation)하기 위해 지금까지 많은 노력들이 행하여져 왔다. 특히 이는 임의의 영상으로부터 물체를 찾아내거나 혹은 주어진 영상들을 여러 개의 집단으로 분류하는 등과 같은 다양한 영상처리 분야에서 활용될 수 있다. 이 논문에서는 이러한 전경과 배경의 영상분할에 대한 새로운 방법론을 제시하며, 이로부터 사용자의 도움이나 학습(training) 과정이 전혀 필요 없는, 즉 완벽하게 자동적으로 원하는 영역을 분리해내며, 분리된 영역의 경계선(boundary)이 잘 정의되어 있는 꽤 정확한 영상 분할 결과를 얻어내었다. 우리는 이 논문에서 전경-배경 영상분할(foreground-background segmentation)의 정확도 및 속도 향상을 위해서 필요한 기반이 되는 새로운 두 가지 알고리즘을 제시하였다. 즉, 우리는 1) 개선된 Saliency map을 생성하여 이를 영상 분할의 초기 지표(intial cue)로 사용하였으며, 2) color-texture GMM(Gaussian Mixture Model)로 구성된 Grpah Cut 모델에서의 각각의 그래프(graph)의 노드(node)간의 가중치(weight)를 개량된 KLD(Kullback-Liber Divergence)로 정의 하였다. 특히, 2)에서 정의된 새로운 거리 모델(distance model)은 각 노드간의 공간적, 시각적 유사성을 모두 고려하였다고 할 수 있다. 또한 우리가 제시한 방법론에서는 Superpixel을 사용함으로써 계산 속도 향상 및 물체의 자연스러운 경계선의 대한 정보 또한 활용할 수 있도록 하였다. 우리는 우리의 제시된 알고리즘을 MSRA(Microsoft Research Asia)에서 제공하는 데이터베이스(database)에 적용시켜서 기존의 state-of-art saliency 검출(detection) 모델들과 비교해 보았으며, 영상 분할(segmentation)의 성능 또한 살펴보았다. 실험 결과, 기존의 알고리즘보다 전반적으로 향상된 saliency 검출 결과를 확인 할 수 있었으며, 또한 만족할 만한 높은 precision/recall rate를 영상분할 과정에서 얻을 수 있었다.
