總體上來(lái)說(shuō), 視覺(jué)顯著(zhù)性檢測的方法可以分為兩大類(lèi), 分別是自底向上數據驅動(dòng)的顯著(zhù)性提取和自頂向下任務(wù)驅動(dòng)的顯著(zhù)性提取?？紤]到自頂向下的顯著(zhù)性提取是根據特定的任務(wù)建立, 理論和應用均具有局限性, 本文重點(diǎn)介紹自底向上數據驅動(dòng)的顯著(zhù)性提取類(lèi)型。同時(shí), 目前顯著(zhù)性檢測中的絕大多數研究成果均是研究自底向上的由底層特征驅動(dòng)的計算模型。下面對視覺(jué)顯著(zhù)性檢測模型的發(fā)展歷程做一個(gè)簡(jiǎn)單的梳理。
Niebur等人提出第一個(gè)具有實(shí)際意義的視覺(jué)顯著(zhù)性檢測算法, 而具有里程碑式的視覺(jué)顯著(zhù)性檢測模型則是由美國加州理工學(xué)院的Christof Koch教授和美國南加州大學(xué)的Laurent Itti副教授二人于1998年合作提出, 對輸入圖像分布計算得到亮度、顏色和方向3個(gè)通道的高斯金字塔, 再對各金字塔計算中央周邊差運算得到特征圖, 最后將各通道的特征圖也分別規則化后合并得到最終的顯著(zhù)圖, 具有較高的計算機適用度。GBVS是基于圖論求取顯著(zhù)性, 提取過(guò)程類(lèi)似于Itti等人模型模擬視覺(jué)原理, 但在顯著(zhù)圖的生成過(guò)程中加入Markov鏈, 利用圖的模型計算中央周邊差, 然后通過(guò)純數字計算得到顯著(zhù)性。DISK算法用樣本方差和峰度估計假設的廣義高斯概率密度函數, 然后計算中央周邊的相互信息?；谥醒胫苓叢畹娘@著(zhù)性算法考慮局部特征的對比往往用多尺度而不是單個(gè)尺度的方案以更好地求得顯著(zhù)圖, 然而多尺度算法的計算花銷(xiāo)較大運算較慢, 并且由于頻繁地使用鄰近插值導致顯著(zhù)圖的分辨率降低, 也一定程度丟失了目標邊緣信息除此以外, SR算法和IG算法等基于圖像空間頻域分析的顯著(zhù)性檢測算法也都是隸屬于自底向上的顯著(zhù)性檢測經(jīng)常采用的代表性算法, 它們具有運算速度較快的優(yōu)點(diǎn), 但IG算法計算的顯著(zhù)圖中顯著(zhù)區域的顯著(zhù)度較低, 無(wú)法很好地突出最顯著(zhù)的位置;SR算法沒(méi)有考慮顏色特征, 也沒(méi)保存足夠多的高頻信息, 使得顯著(zhù)圖中顯著(zhù)區域的邊界不夠清晰。顯著(zhù)性模型在上個(gè)世紀八十年代就被提出, 但是直到近幾年才出現許多新的顯著(zhù)性建模思想, 并且形成了一個(gè)熱門(mén)的研究領(lǐng)域。
本文地址：http://havencoinwallet.com//article/27098.html
