總體上來(lái)說(shuō), 視覺(jué)顯著性檢測(cè)的方法可以分為兩大類, 分別是自底向上數(shù)據(jù)驅(qū)動(dòng)的顯著性提取和自頂向下任務(wù)驅(qū)動(dòng)的顯著性提取?？紤]到自頂向下的顯著性提取是根據(jù)特定的任務(wù)建立, 理論和應(yīng)用均具有局限性, 本文重點(diǎn)介紹自底向上數(shù)據(jù)驅(qū)動(dòng)的顯著性提取類型。同時(shí), 目前顯著性檢測(cè)中的絕大多數(shù)研究成果均是研究自底向上的由底層特征驅(qū)動(dòng)的計(jì)算模型。下面對(duì)視覺(jué)顯著性檢測(cè)模型的發(fā)展歷程做一個(gè)簡(jiǎn)單的梳理。
Niebur等人提出第一個(gè)具有實(shí)際意義的視覺(jué)顯著性檢測(cè)算法, 而具有里程碑式的視覺(jué)顯著性檢測(cè)模型則是由美國(guó)加州理工學(xué)院的Christof Koch教授和美國(guó)南加州大學(xué)的Laurent Itti副教授二人于1998年合作提出, 對(duì)輸入圖像分布計(jì)算得到亮度、顏色和方向3個(gè)通道的高斯金字塔, 再對(duì)各金字塔計(jì)算中央周邊差運(yùn)算得到特征圖, 最后將各通道的特征圖也分別規(guī)則化后合并得到最終的顯著圖, 具有較高的計(jì)算機(jī)適用度。GBVS是基于圖論求取顯著性, 提取過(guò)程類似于Itti等人模型模擬視覺(jué)原理, 但在顯著圖的生成過(guò)程中加入Markov鏈, 利用圖的模型計(jì)算中央周邊差, 然后通過(guò)純數(shù)字計(jì)算得到顯著性。DISK算法用樣本方差和峰度估計(jì)假設(shè)的廣義高斯概率密度函數(shù), 然后計(jì)算中央周邊的相互信息?；谥醒胫苓叢畹娘@著性算法考慮局部特征的對(duì)比往往用多尺度而不是單個(gè)尺度的方案以更好地求得顯著圖, 然而多尺度算法的計(jì)算花銷較大運(yùn)算較慢, 并且由于頻繁地使用鄰近插值導(dǎo)致顯著圖的分辨率降低, 也一定程度丟失了目標(biāo)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(cè)算法也都是隸屬于自底向上的顯著性檢測(cè)經(jīng)常采用的代表性算法, 它們具有運(yùn)算速度較快的優(yōu)點(diǎn), 但I(xiàn)G算法計(jì)算的顯著圖中顯著區(qū)域的顯著度較低, 無(wú)法很好地突出最顯著的位置;SR算法沒(méi)有考慮顏色特征, 也沒(méi)保存足夠多的高頻信息, 使得顯著圖中顯著區(qū)域的邊界不夠清晰。顯著性模型在上個(gè)世紀(jì)八十年代就被提出, 但是直到近幾年才出現(xiàn)許多新的顯著性建模思想, 并且形成了一個(gè)熱門的研究領(lǐng)域。
本文地址：http://cdrpkj.cn//article/27098.html
