Salient Region Detection using Weighted Feature Maps based on the Human Visual Attention Model
主要是根据不同的feature maps的自身特点来计算这个map的权重。
Itti等人提出了一个基于human visual attention 的模型，来检测一副图像里的显著区域，分为颜色对比、灰度、方向的特征来分别检测显著性，最后合成一幅显著性图。合成的方法有supervised learning, non-linear local competition, non-linear global competition等等。本文提出了一种根据不同feature saliency map 的特点来决定这些feature map组合最终map时加权和的各自权重，引入composite saliency indicator来衡量feature maps对最终map的贡献。
1）产生 color, intensity, orientation 的feature map，用[7]中的方法算出阈值，二值化。
2）用gift wrapping 算法计算包围显著性区域的凸多边形。
gift wrapping 算法：从最左边的点开始，如果有多个最左边的点，就选这些点里面最下面的。每次都选择所有点里面和起点的连线与x轴的夹角最小的作为凸多边形的下一个点。这样重复一直到回到起点。怎样选择夹角最小的呢？计算两个向量axb，如果结果为正，则a比b跟x轴的夹角更小。
3）用trapezoid method计算多边形的面积。
4）定义 saliency density。如果显著性点集中的点和它在显著性点集中的邻居差别小，saliency density就大。
5）只保留凸多边形面积小于图像面积的80%的feature map。选择其中凸多边形面积最小的作为reference map。
6）只保留和reference map的距离（可以为欧式距离或者别的距离）小于Tt的feature maps。
7）计算留下来的feature maps的权重wi，作加权和。如果一个feature map的凸多边形面积乘以saliency density越大，这个map的权重就越大。
结果检验：Due to the subjective nature of the problem，作者找了6个人，看40幅图片，判断Itti和自己的方法所得到的显著性部分是否反应了画面最引人注意的地方。结果是他的比Itti的好。