《Salient Region Detection and Segmentation》
AC算法也是Achanta等提出的,与FT算法类似,只是在求欧式距离时使用的均值不再是整幅图像的均值,而是选取不同大小邻域内的均值(三种大小)分别求取欧式距离,再相加得到。
理解了FT算法,AC就比较好理解了,
Sm2=(l-Lm2)^2+(a-Am2)^2+(b-Bm2)^2;
Sm3=(l-Lm3)^2+(a-Am3)^2+(b-Bm3)^2;
连续三篇介绍Achanta的显著算法,这一篇是三个中效果最好的。Achanta的三种算法都很类似,也是显著算法中比较好理解的,只要看懂了其中一篇,另外两篇也就很容易看懂了。原理一样,唯一的不同之处在于每篇中计算均值所取的邻域均不相同。这里我只主要写一下对MSSS算法中的邻域的理解。
假设对于图像中任一点(x,y),图像高和宽分别为h、w。
高度 :(y-y0):(y+y0
)
转载:http://blog.sina.com.cn/s/blog_c303278b0101aiyg.html
算法实现过程如下:
(1)读取图像,进行高斯滤波,并转换到lab空间
(2)分别求取该点附近h/8邻域lab空间的均值Lm1、Am1、Bm1。以及h/4邻域lab空间的均值Lm2、Am2、Bm2和h/2邻域lab空间的均值Lm3、Am3、Bm3。
(3)数据融合,Sm1=(l-Lm1)^2+(a-Am1)^2+(b-Bm1)^2;
(4)显著图Sm=Sm1+Sm2+Sm3
《SALIENCY DETECTION USING MAXIMUM SYMMETRIC SURROUND》
则其邻域范围如下:宽度 :(x-x0):(x+x0)
其中:x0=min(x,w-x),y0=min(y,h-y0)
算法实现过程与FT几乎一样:
(1)读取图像,进行高斯滤波,并转换到lab空间
(2)分别求取该点邻域内lab的均值Lm、Am、Bm。
(3)数据融合,Sm=(l-Lm)^2+(a-Am)^2+(b-Bm)^2