本博客为博主原创,转载请注明地址:http://blog.csdn.net/xbcReal/article/details/53635559
这是出自CVPR 2012年的一篇文章,目前谷歌学术引用次数500+,与前面提取特征或者转到频率域做的方法不同,这篇文章使用了非常直观的对比度来描述显著性,笔者认为是非常符合人类视觉系统的认知方式的,是一篇非常不错的文章,值得我们去了解。
本文提出的图像显著性检测的算法模型包括以下四个步骤:
1、给定一张图片,首先将其分解为一些紧凑而又均匀的元素,这些元素减去了多余的细节。
2-3、在这个减去多余细节的基础上,提出了两种计算元素对比度的方法,一种用来计算这些元素的唯一性,一种用来计算这些元素的空间分布。
4、根据元素对比度,得到显著性图。
作者也给出了一个基于这个算法的完整的例子,见下图:
而本篇文章的核心思想来自于一项研究,该研究结果表示:对低层特征显著性影响最大的因子就是对比度。因此从文章题目也可以看出来,本文的一个核心就是对比度。更具体一点地讲,本文所提出的算法基于这样的一个观察到的现象:一张图片可以被分解为许多基本的、结构性表示的元素,这些元素减去了多余的细节,与此同时,这些元素还可以得到一个非常直观的符合人类视觉的、基于对比度的显著性图。下面具体介绍算法流程及细节,同样分为4步,分别对应于本文开始提到的四个步骤。
1、Abstraction(减去多余的细节)
在本文中做abstraction的方法来自于已有的SLIC超像素分割算法的改进,SLIC本来是在RGBXY这个空间中,利用KNN聚类法做的超像素分割,而本文是在LabXY空间中利用KNN聚类法做的超像素分割。如果读者对超像素分割没有概念的话,可以暂且简单的想象为把一个图片中局部相似的区域聚成一个元素,这样图像的基本组成单元就从像素级别转为了元素级别的。超像素分割的效果可以参见下图: