算法学习之显著性检测

        最近看了些图像和网格的显著性检测(Saliency Detection)的文章, 并且实现了其中的一些算法. 关于显著性检测的文章虽然很多, 但是大致可以分为两类. 一类是从局部的特征描述出发, 计算它和背景平均值的差异, 如果差异大, 或者出现的频率小, 则说明它比较显著. 另一类从上层的认知信息出发, 比如人脸识别, 广一点的就是特定物体的识别. 还有一类比较特别, 用了eye tracker来检测人眼的看点. 最近也看见一些科技公司在做人眼控制程序的小应用, 算是一种人机交互吧. 总的来说, 方法就这么两类, 实际应用的话, 还是要根据具体需求来设计算法.  显著度的检测, 比较常见的应用又图像的retargetting, 分类, 检索, 3D模型的视角自动调节, 网格简化等等. 网格, 点云和图像虽然看起来是不同的数据, 但是处理手法是相通的, 比较常见的情况是, 有些图像上的应用直接推广到几何上, 或者反过来. 对于第一类算法没什么好说的, 属于比较低层次的算法. 对于第二类的物体识别, 其实可以看作是对第一类算法的推广, 第一类算法局限于自身, 从自身来找显著性, 而第二类算法把图像或者几何物体搜集起来作为一个整体数据, 然后从这个整体中来度量它的显著性. 一类常见的手法是应用机器学习, 比如半监督学习方法来识别显著性. 接下来我准备做这方面的一些尝试, 整合一些机器学习的工具到Magic3D里面. 

转载自：http://write.blog.csdn.net/postedit?ref=toolbar

随着项目的进行，学习的过程没有一点点的记录下来，还是觉得有点小遗憾的，回想几个步骤，如果电脑死机了，我还会快速编写出来吗。

在特征物提取的时候，看了两个显著物检测算法，一个RC，另一个FT。不知道在学习过程中，我还是比较喜欢FT，觉得神奇一点，检测后通过meansift技术进行分割的。

FT学习参考：http://ivrlwww.epfl.ch/supplementary_material/RK_CVPR09/.其中源代码已经提供好了，可以下载学习一下

贴出了我对数据转换的函数，转换后的imgBuffer类型数据可以直接用于FT提供的代码了，感兴趣的可以尝试一下。

void Mat2Vuint(const Mat& image,vector<UINT>& imgBuffer)
{
int height=image.rows;
int width=image.cols;
long imgSize= height*width;
imgBuffer.resize(imgSize);
uchar yy=255;
uchar sR,sG,sB;
int dex=0;
for(int i=0;i<height;i++)//RGBתLAB
for (int j=0;j<width;j++)
{
sR=(image.at<Vec3b>(i,j)[2]);
sG=(image.at<Vec3b>(i,j)[1]);
sB=(image.at<Vec3b>(i,j)[0]);//要注意RGB三通道的存储方式是BGR
imgBuffer[dex]=yy<<24|sR<<16|sG<<8|sB;
dex++;
}
}

下图是我测试的结果图片，就是将一幅图中觉得比较显著的区域分割出来的，原来大家好好看看参考资料即可。在看原代码时，将RGB通道的mat格式与源代码中的格式进行转换时代码调了一段时间，中间还是蛮容易出错的。

上述转载自：http://blog.csdn.net/u013967613/article/details/51234666

ft显著性检测代码下载：http://ivrlwww.epfl.ch/supplementary_material/RK_CVPR09/

关于显著性检测更多代码：http://mmcheng.net/zh/code-data/

更多介绍：http://www.cnblogs.com/Imageshop/p/3889332.html