视觉注意机制分为两个阶段:
一个是快速的、下意识的、自底向上、数据驱动的阶段;
一个是慢速的、任务依赖的、自顶向下、目标驱动的阶段。
显著性检测:
基于层次:多尺度的图像处理聚集起来成为最后的显著性映射;
基于频谱:把图像分解成Fourier或者Gabor频谱,选择重要的频谱系数;
基于图像对比度:利用均值像素亮度值来计算对比度,模拟出图像的显著性;
基于熵。
Bottom-up:
常用特征:常用的有颜色特征、纹理特征、形状特征、运动特征、局部特征、图像频率(相对较新)等。CIELAB颜色特征是显著性检测中最常使用的图像特征,也是目前为止显著性检测中最为高效的特征。,因为CIELAB颜色模型将亮度和色度分量分开,更加接近人类视觉特性。研究显示,视觉对亮度的敏感度远远不如色度,所以可以推论之,色度和亮度的感受神经细胞是互相独立的。这与CIELAB颜色模型一致。
显著性计算方法:多尺度比较方法、区域比较方法、全局均值比较方法。
Ex. Itti的经典算法(提出的方法,它通 过对亮度,颜色和方向特征图进行归一化求来模拟 过对亮度,颜色和方向特征图进行归一化求来模拟 HVS)
Top-down:
由于人类自顶而下的选择注意由高层的脑部信息所控制,对于同一场景不同的人注意的结果不同,其动机、情感等因素比较难以控制和分析,因此构建自顶而下的显著性模型比较复杂,所以对于这类显著性模型的研究不是很多。
Criteria:
1)突出的最为显著的物体
2)一致的高亮整个显著物体
3)精确符合物体的边界
4)较高的