网站视觉显著性描述与检测模型。在计算机视觉领域的各方向例如目标检测、图像分割、以及图像和视频压缩中, 显著性检测都得到了广泛应用, 用以得到显著性区域。其显示结果是一幅用以描述源图像中各位置相对于其周边“显著”程度的灰度图, 即显著图。
总体上来说, 视觉显著性检测的方法可以分为两大类, 分别是自底向上数据驱动的显著性提取和自顶向下任务驱动的显著性提取。考虑到自顶向下的显著性提取是根据特定的任务建立, 理论和应用均具有局限性, 本文重点介绍自底向上数据驱动的显著性提取类型。同时, 目前显著性检测中的绝大多数研究成果均是研究自底向上的由底层特征驱动的计算模型。下面对视觉显著性检测模型的发展历程做一个简单的梳理。
Niebur等人提出第一个具有实际意义的视觉显著性检测算法, 而具有里程碑式的视觉显著性检测模型则是由美国加州理工学院的Christof Koch教授和美国南加州大学的Laurent Itti副教授二人于1998年合作提出, 对输入图像分布计算得到亮度、颜色和方向3个通道的高斯金字塔, 再对各金字塔计算中央周边差运算得到特征图, 最后将各通道的特征图也分别规则化后合并得到最终的显著图, 具有较高的计算机适用度。GBVS是基于图论求取显著性, 提取过程类似于Itti等人模型模拟视觉原理, 但在显著图的生成过程中加入Markov链, 利用图的模型计算中央周边差, 然后通过纯数字计算得到显著性。DISK算法用样本方差和峰度估计假设的广义高斯概率密度函数, 然后计算中央周边的相互信息。基于中央周边差的显著性算法考虑局部特征的对比往往用多尺度而不是单个尺度的方案以更好地求得显著图, 然而多尺度算法的计算花销较大运算较慢, 并且由于频繁地使用邻近插值导致显著图的分辨率降低, 也一定程度丢失了目标边缘信息除此以外, SR算法和IG算法等基于图像空间频域分析的显著性检测算法也都是隶属于自底向上的显著性检测经常采用的代表性算法, 它们具有运算速度较快的优点, 但IG算法计算的显著图中显著区域的显著度较低, 无法很好地突出最显著的位置;SR算法没有考虑颜色特征, 也没保存足够多的高频信息, 使得显著图中显著区域的边界不够清晰。显著性模型在上个世纪八十年代就被提出, 但是直到近几年才出现许多新的显著性建模思想, 并且形成了一个热门的研究领域。
