显著性检测（三）A Model of Saliency-Based Visual Attention for Rapid Scene Analysis

本文是显著性检测的开山之作，自1998年被发表，引用量接近8000次。这篇论文提出了一个视觉注意系统，灵感来自于早期灵长类动物视觉系统的神经元结构和行为。多尺度图像特征组合成一个单一的地形显著图。一种动态神经网络根据显著性降序选择位置。该系统通过快速选择、计算效率高的方式，对突出的位置进行详细分析，从而打破了场景理解的复杂问题。
本文所提出的显著性模型分为两个部分：首先提取图像特征，形成特征图进而得到显著图；然后模拟动态神经网络，将显著性按降序排列。
预处理：
输入为分辨率为640×480的静态彩色图像，使用二元高斯金字塔生成九个空间尺度，逐步通过低通滤波器，对图像做二次采样，生成从1:1（尺度0）到1:256（尺度8）的不同尺度的图像，加上原图共有9幅图像。
根据视觉机制中的“center-surround”理论，视觉神经元对局部空间的不连续性非常敏感。之前得到的9幅图像中，认为和原图相近的尺度是fine，和原图有较大差距的尺度是coarse。定义中心为尺度cϵ{2,3,4}中的像素，周围是尺度s=c+δ中的像素，其中δϵ{3,4}。这样我们得到六种(c,s)的组合，(2,5),(2,6),(3,6),(3,7),(4,7),(4,8).然后我们对这些组合做处理，不同尺度图之间的差异被标记为⊖，对精细的那个尺度做插值（也就是减少fine的图像的像素数使其与coarse的一致），然后做点对点的减法得到的就是差异。
前期特征提取：
强度：I=(r+g+b)/3，对红绿蓝三个颜色通道做均值。得到的I值用来产生高斯金字塔I(