显著性论文学习：GlobalContrastbasedSalientRegionDetection

在这篇论文中，作者提出了两种显著性检测方法，分别是基于直方图统计的对比度的方法（HC）和基于区域的对比度的方法（RC）。

 

一、基于直方图统计的对比度（HC）

一个像素的显著性值用它和图像中其它像素颜色的对比度来定义。例如，图像I中像素Ik的显著性值定义为：

其中D（Ik,Ii）为像素Ik和像素Ii在L*a*b空间的颜色距离度量。可以按照像素顺序展开为：

其中N为图像I的像素值。由于忽略了空间关系，这种定义下具有相同颜色值的像素具有相同的显著性值。使具有相同颜色值cj的像素归到一起：

优化：

1、基于直方图的加速：加速的关键在于减少图像像素颜色的总数。作者将每个通道的颜色从255量化为12个不同的值，并且将出现频率较小的颜色丢掉。在确保保留下的颜色种类包括了95%的像素，我们可以将颜色种类数目减少到n=85左右。剩下5%的颜色的像素所占的颜色被直方图中距离最近的颜色代替。

2、颜色空间平滑：颜色量化后肯呢个会产生瑕疵。因此用平滑操作来改善每个颜色的显著性，将每个颜色的显著性值替换为相似颜色（用L*a*b距离测量）显著性值的加权平均。选择m=n/4个最近邻颜色来改善颜色的显著性值：

二、基于区域的对比度（RC）

流程：RC方法首先将图像分割成若干区域，然后计算区域及颜色对比度，再用每个区域和其他区域对比度加权和来为此区域定义显著性值。权值由区域空间距离决定，较远的区域分配较小的权值。

1、用稀疏直方图比较来计算区域对比度

首先，用基于图的图像分割方法将输入图像分割成若干区域。然后，为每个区域建立颜色直方图。对于每个区域rk，我们通过测量它与其他区域的颜色对比度来计算它的显著性值：

2、空间加权区域对比度

通过在公式5中引进空间权值，增加区域的空间影响效果。近邻的区域增大影响，较远的区域减小影响。对任意区域rk，基于空间加权区域对比度的显著性定义为：

 

2015版论文改进

一、基于空间加权区域对比度的显著性公式：

 

dk表示rk区域中像素到图片中心的平均距离

改进原因：当一个区域的边界和图片的边界相互重叠的部分很长的时候，这个区域通常都是非显著性的区域，也就是背景，因此基于这样的一个先验知识，我们可以根据dk的大小来给区域的显著性不同的值，dk越大，表明区域越可能在边界，因此显著性越小，反之dk越小，表明区域可能在图片的中心部分，更可能是显著性区域，因此其显著性增大。该处理提高了显著性检测的效果。

 

二、让显著性区域更为均匀平滑，做法和11年论文中对HC算法做的颜色空间平滑一样。

 

参考资料

1、论文：Global Contrast based Salient Region Detection

2、论文主页（内含论文和代码）：https://mmcheng.net/zh/salobj/comment-page-1/#comments