顯著性檢測初步總結

目前相對傳統的顯著性檢測方法主要分為兩類：

一類是純資料驅動獨立于任務的自底而上的顯著性檢測方法（主要基于生物學原理），另一類是受意識支配依賴于任務的自頂而下的顯著性檢測方法（主要基于機器學習）。

自頂而下的圖像顯著性檢測方法

自頂而下的顯著性模型一般包括特征學習和顯著性計算兩個部分。

由于人類自頂而下的選擇注意由高層的腦部資訊所控制，對于同一場景不同的人注意的結果不同，其動機、情感等因素比較難以控制和分析，是以建構自頂而下的顯著性模型比較複雜，是以對于這類顯著性模型的研究不是很多。

自底而上的圖像顯著性檢測方法

1.特征提取：常用的有顔色特征、紋理特征、形狀特征、運動特征、局部特征、圖像頻率（相對較新）等

顔色特征：數字圖像采用的基本顔色表示是RGB，常用的其它顔色表示空間有CMYK，CIE XYZ，CIE Luv，CIELAB，YUV，HSV，HIS等。

CIELAB顔色特征是顯著性檢測中最常使用的圖像特征，也是目前為止顯著性檢測中最為高效的特征。，因為CIELAB顔色模型将亮度和色度分量分開，更加接近人類視覺特性。研究顯示，視覺對亮度的敏感度遠遠不如色度，是以可以推論之，色度和亮度的感受神經細胞是互相獨立的。這與CIELAB顔色模型一緻。

2.通過選擇上述的幾種特征得到特征圖。

3.之後進行特征顯著性計算，包括多尺度比較方法、區域比較方法、全局均值比較方法等方法。

顯著性檢測标準

1)   突出的最為顯著的物體

2)   一緻的高亮整個顯著物體

3)   精确符合物體的邊界

4)   較高的抗噪性

5)   全分辨率

 自底而上的顯著性檢測方法執行個體可以看一下itti的經典方法

應用

簡單看了一些有關顯著性檢測應用的論文，有以下應用執行個體：

圖像壓縮：通過顯著性檢測方法獲得圖像的感興趣區域，通過對不同的區域采用不同的壓縮方法使得壓縮後的圖像中感興趣區域的清晰度比非感興趣區域感更高，提高壓縮品質。

視訊顯著性檢測：考慮相鄰幀之間的相關性，通過幀内計算和相鄰幀之間的比較來計算每個區域的顯著性程度。

視訊的顯著性檢測還能應用在視訊目标跟蹤，運動檢測，視訊壓縮等領域。

自動摳圖：對圖像進行顯著性的計算，大緻分割出前景和背景，進而自動生成标注前景、背景、未知區域的三色圖；最後，使用摳圖算法就可以無須人工完成自動摳圖。

顯著性檢測相關的生物學原理

 另外附上顯著性檢測的一些重要生物學原理

Center-surround原理

典型的視覺神經元隻有一個小區域比較敏感，這個小區域被稱為中心。如果在中心周圍的區域也産生刺激，那麼這個刺激會抑制中心對視覺神經元的刺激。這種結構使得視覺神經元對局部空間不連續性比較敏感，特别适合檢測出與局部周圍環境相比比較突出的位置。這也是視網膜、外側膝狀體和初級視覺皮層的工作原理。這可以說是采用局部對比度進行顯著性檢測的理論基礎。

雙色對立原理

在大腦皮層中有一個中心區域對信号的接受能力較強，在兩種顔色同時刺激該區域的時候，一種會使其興奮，另一種會抑制其興奮。這種機制被稱為雙色對立。而在神經元周圍的區域，情況恰好相反。這種存在于綠色和紅色、黃色和藍色之間的上色對立機制通常是在寬頻調諧的綠色和紅色、黃色和藍色顔色特征之上建立的。

對比度原理

對比度可以是紋理上的、也可以是形狀上的或者是顔色上的，對比度的大小反映出了一個區域和其周邊區域存在的差異程度的大小，是以對比度越大的物體，它們之間的顯著性越大，越能夠吸引人們的注意。

轉載于:https://www.cnblogs.com/neullf/p/4343511.html