阅读图像显著性检测论文三：Saliency Detection A Spectral Residual Approach

        本博客为博主原创，转载请注明地址：http://blog.csdn.net/xbcReal/article/details/53590039

        在介绍这篇论文之前我觉得很有必要介绍本篇论文的作者。侯晓迪，2003年进入上海交大，并于大三于CVPR发表学术论文Saliency detection: A spectral residual approach，引用次数2000+，加州理工大学计算与神经系统博士，计算机视觉和认知科学领域专家，创立了基于频域的视觉注意机制理论，是近10年来在视觉注意机制最有影响力的研究，是计算机视觉领域全球华人博士中学术文章被引用最多的作者(此话来自百度百科，现在是否依旧成立待考证)，现任图森科技联合创始人兼CTO。好了，人物介绍就到这儿了，下面进入正题，开始这篇论文的介绍。

        这篇文章最大的特点是什么？我认为是与特征无关。如果你阅读过本博客系列的前两篇文章，你会发现他们都用到了特征——颜色特征、纹理特征以及亮度特征等，但这篇论文作者一开始就说得很明白，是与特征、类别或者其他形式的先验知识无关的，他用到的工具是只要学过信号处理的人都会学到的傅里叶变换，大概说来是基于频谱的log函数，提取图像在频率域的残余，然后提出一种图像显著性检测的方法。

        首先讨论人类的视觉系统是如何实现显著性检测的？现在一般认为视觉系统的处理过程分为两步：第一步是并行的、简单的预注意处理，第二步 是串行的、缓慢而又复杂的注意处理过程。在第一步的过程中，人们对眼前所出现的事物，总会有一些底层特征是突然冒出来的，比如方向、纹理、边缘、亮度等，论文中用“pop up”一词来表示这种行为，以目标检测的角度来看，在第一步过程中突然冒出来的东西被看做是目标的候选物体，即这些东西可能就是我们想检测的目标。相关文献给这种候选物体起了一个专业的名字，叫做proto object。为了找到这些proto objects，人们提出了许多模型，比较有名的有Itti的基于生物视觉的模型等，但是这些模型作为一个预注意处理系统，花费的计算量偏大了。现在大多数模型都是在找目标物体的特征和性质，而没有一个与物体类别无关的用来做显著性检测的模型。这也正是这篇论文想要做的，想找到一个共性适用于几乎所有的显著性检测任务&#x