總體上來說, 視覺顯著性檢測的方法可以分為兩大類, 分別是自底向上數據驅動的顯著性提取和自頂向下任務驅動的顯著性提取。考慮到自頂向下的顯著性提取是根據特定的任務建立, 理論和應用均具有局限性, 本文重點介紹自底向上數據驅動的顯著性提取類型。同時, 目前顯著性檢測中的絕大多數研究成果均是研究自底向上的由底層特征驅動的計算模型。下面對視覺顯著性檢測模型的發展歷程做一個簡單的梳理。
Niebur等人提出第一個具有實際意義的視覺顯著性檢測算法, 而具有里程碑式的視覺顯著性檢測模型則是由美國加州理工學院的Christof Koch教授和美國南加州大學的Laurent Itti副教授二人于1998年合作提出, 對輸入圖像分布計算得到亮度、顏色和方向3個通道的高斯金字塔, 再對各金字塔計算中央周邊差運算得到特征圖, 最后將各通道的特征圖也分別規則化后合并得到最終的顯著圖, 具有較高的計算機適用度。GBVS是基于圖論求取顯著性, 提取過程類似于Itti等人模型模擬視覺原理, 但在顯著圖的生成過程中加入Markov鏈, 利用圖的模型計算中央周邊差, 然后通過純數字計算得到顯著性。DISK算法用樣本方差和峰度估計假設的廣義高斯概率密度函數, 然后計算中央周邊的相互信息。基于中央周邊差的顯著性算法考慮局部特征的對比往往用多尺度而不是單個尺度的方案以更好地求得顯著圖, 然而多尺度算法的計算花銷較大運算較慢, 并且由于頻繁地使用鄰近插值導致顯著圖的分辨率降低, 也一定程度丟失了目標邊緣信息除此以外, SR算法和IG算法等基于圖像空間頻域分析的顯著性檢測算法也都是隸屬于自底向上的顯著性檢測經常采用的代表性算法, 它們具有運算速度較快的優點, 但IG算法計算的顯著圖中顯著區域的顯著度較低, 無法很好地突出最顯著的位置;SR算法沒有考慮顏色特征, 也沒保存足夠多的高頻信息, 使得顯著圖中顯著區域的邊界不夠清晰。顯著性模型在上個世紀八十年代就被提出, 但是直到近幾年才出現許多新的顯著性建模思想, 并且形成了一個熱門的研究領域。
本文地址：http://123beaconmarketing.com//article/27098.html
