基于低秩矩阵的的图像显著性检测

如果矩阵的秩远远小于其行数或者列数，那么这类矩阵就称为低秩矩阵。低秩分解的基本思想是：若输入数据矩阵是由两种特征比较明显的数据或组成部分，其中一种成分的数据矩阵具有稀疏特性而另一种具有低秩特性，那么该矩阵就可以通过凸优化方法恢复出低秩成分和稀疏成分。因此，通过低秩分解可以将图像背景近似地表示为一个低秩矩阵，使用稀疏部分代表完成背景冗余信息和前景显著目标的分离。

全局低秩显著性检测算法

全局低秩显著性检测算法首先根据自然图像前景目标和背景亮度、颜色的差异性重构出图像前景显著目标；然后利用低秩分解对图像中的非显著性区域进行抑制。

提取对比度

计算CIE＊Lab颜色空间三通道图像与其均值之差的绝对值。由下式的到：

式中j的取值为1，2，3表示CIE＊Lab颜色空间的三个颜色通道；I cj 表示j通道均值之差的绝对值，表示j通道对比度特征。

获取初始显著图

根据上式计算所得三通道对比度特征分别取出标准差最大的I'cj和二维熵最小的I'‘cj，通过权重融合的到初始显著图具体计算方法如下：

其中Ic为所得初始显著图。标准差主要衡量数据值偏离算数平均值的程度。标准差越大，这些值的偏离平均值就越大。在本文的图像显著性检测算法中，若标准差越大则认为其与背景的差异性越大，显著性越高。具体计算如下：

式中S为图像矩阵的标准差，N为像素点的个数，Xi为第i个像素点的值，为图像矩阵的均值。

图像的二维信息熵相比图像的一维信息熵考虑了图像中的空间信息。计算如下：

gn表示为高斯滤波器，x为二维图像信号，其原理是首先对输入二维信号经过高斯滤波消除空间位置信息的干扰后再计算其信息熵，显著图的熵越小说明其显著程度越高。

使用标准差最大和二维熵最小的两个指标加权得到的初始显著图如下：

全局低秩分解

对得到的初始显著图进行低秩分解，得到初始显著图的低秩部分和稀疏部分，计算方法如下：

<