图像显著性的理解

       图像显著性是图像中重要的视觉特征，体现了人眼对图像的某些区域的重视程度。自从1998年Itti的工作以来，产生了大量的显著性映射方法，图像显著性也广泛应用于图像压缩、编码、图像边缘和区域加强、显著性目标分割和提取等.

      对于一幅图像来说，用户只对图像中的部分区域感兴趣，这部分感兴趣的区域代表了用户的查询意图，而多数剩余的不感兴趣区域则与用户查询意图无关.显著区域是图像中最能引起用户兴趣、最能表现图像内容的区域.事实上，显著区域的选择是非常主观的，由于用户任务和知识背景的不同，对于同一幅图像，不同的用户可能会选择不同的区域作为显著区域. 常用的方法是利用人的注意力机制为基础计算图像的显著度.认知心理学的研究表明，图像中有些区域能显著的吸引人的注意，这些区域含有较大的信息量.认知科学家已经提出了许多数学模型来模拟人的注意力机制.由于利用了图像认知过程中的一般规律，这样提取的显著区域比较符合人的主观评价.
      图像显著性分析应用广泛，主要包括：基于显著性区域的自适应图像压缩和编码，基于显著性度量的图像边缘或区域加强，基于显著性分析的目标分割或提取等。
      目前出现越来越多的显著性分析算法，有些人将这些算法进行了一定的分类。[8]中提到将目前显著性分析的算法分成三类：第一类是基于低层视觉特征的显著性分析算法，其代表性算法是[1]中提出的算法（Itti算法），这是一种模拟生物体视觉注意机制的选择性注意算法，比较适合处理自然图像。第二类是不基于任何生物视觉原理的纯数学计算方法，这类主要有[7]中提到的一种全分辨率的算法（AC算法）和[9]中提出的基于空间频域分析的剩余谱算法(SR算法)。第三类是将前两种进行融合的方法，其代表性算法是[6]中提出基于图论的算法（GBVS算法），这种算法在特征提取的过程中类似Itti算法去模拟视觉原理，但在显著图生成的过程引入马尔可夫连，用纯数学计算的来得到显著值。而在[10]中又将显著性分析算法分成以下三类：考虑局部特征的，例如Itti算法和GBVS算法；考虑整体性的，例如SR算法和[8]中提出的算法（IG算法）；局部与整体结合的,例如[10]，[11]中提出的算法。

        常用的显著性方法介绍: