显著性检测初步总结

目前相对传统的显著性检测方法主要分为两类:

一类是纯数据驱动独立于任务的自底而上的显著性检测方法(主要基于生物学原理),另一类是受意识支配依赖于任务的自顶而下的显著性检测方法(主要基于机器学习)。

自顶而下的图像显著性检测方法

自顶而下的显著性模型一般包括特征学习和显著性计算两个部分。

由于人类自顶而下的选择注意由高层的脑部信息所控制,对于同一场景不同的人注意的结果不同,其动机、情感等因素比较难以控制和分析,因此构建自顶而下的显著性模型比较复杂,所以对于这类显著性模型的研究不是很多。

 

自底而上的图像显著性检测方法

1.特征提取:常用的有颜色特征、纹理特征、形状特征、运动特征、局部特征、图像频率(相对较新)等

颜色特征:数字图像采用的基本颜色表示是RGB,常用的其它颜色表示空间有CMYK,CIE XYZ,CIE Luv,CIELAB,YUV,HSV,HIS等。

CIELAB颜色特征是显著性检测中最常使用的图像特征,也是目前为止显著性检测中最为高效的特征。,因为CIELAB颜色模型将亮度和色度分量分开,更加接近人类视觉特性。研究显示,视觉对亮度的敏感度远远不如色度,所以可以推论之,色度和亮度的感受神经细胞是互相独立的。这与CIELAB颜色模型一致。

2.通过选择上述的几种特征得到特征图。

3.之后进行特征显著性计算,包括多尺度比较方法、区域比较方法、全局均值比较方法等方法。

显著性检测标准

1)   突出的最为显著的物体

2)   一致的高亮整个显著物体

3)   精确符合物体的边界

4)   较高的抗噪性

5)   全分辨率

自底而上的显著性检测方法实例可以看一下itti的经典方法

应用

简单看了一些有关显著性检测应用的论文,有以下应用实例:

图像压缩通过显著性检测方法获得图像的感兴趣区域,通过对不同的区域采用不同的压缩方法使得压缩后的图像中感兴趣区域的清晰度比非感兴趣区域感更高,提高压缩质量。

视频显著性检测:考虑相邻帧之间的相关性,通过帧内计算和相邻帧之间的比较来计算每个区域的显著性程度。

视频的显著性检测还能应用在视频目标跟踪,运动检测,视频压缩等领域。

自动抠图对图像进行显著性的计算,大致分割出前景和背景,从而自动生成标注前景、背景、未知区域的三色图;最后,使用抠图算法就可以无须人工完成自动抠图。

显著性检测相关的生物学原理

另外附上显著性检测的一些重要生物学原理

Center-surround原理

典型的视觉神经元只有一个小区域比较敏感,这个小区域被称为中心。如果在中心周围的区域也产生刺激,那么这个刺激会抑制中心对视觉神经元的刺激。这种结构使得视觉神经元对局部空间不连续性比较敏感,特别适合检测出与局部周围环境相比比较突出的位置。这也是视网膜、外侧膝状体和初级视觉皮层的工作原理。这可以说是采用局部对比度进行显著性检测的理论基础。

双色对立原理

在大脑皮层中有一个中心区域对信号的接受能力较强,在两种颜色同时刺激该区域的时候,一种会使其兴奋,另一种会抑制其兴奋。这种机制被称为双色对立。而在神经元周围的区域,情况恰好相反。这种存在于绿色和红色、黄色和蓝色之间的上色对立机制通常是在宽频调谐的绿色和红色、黄色和蓝色颜色特征之上建立的。

对比度原理

对比度可以是纹理上的、也可以是形状上的或者是颜色上的,对比度的大小反映出了一个区域和其周边区域存在的差异程度的大小,因此对比度越大的物体,它们之间的显著性越大,越能够吸引人们的注意。

时间: 2024-10-10 13:21:09

显著性检测初步总结的相关文章

paper 27 :图像/视觉显著性检测技术发展情况梳理(Saliency Detection、Visual Attention)

1. 早期C. Koch与S. Ullman的研究工作. 他们提出了非常有影响力的生物启发模型. C. Koch and S. Ullman . Shifts in selective visual attention: Towards the underlying neural circuitry. Human Neurobiology, 4(4):219-227, 1985. C. Koch and T. Poggio. Predicting the Visual World: Silenc

(不断更新)关于显著性检测的调研-Salient Object Detection: A Survey

<Salient Object Detection: A Survey>作者:Ali Borji.Ming-Ming Cheng.Huaizu Jiang and Jia Li 基本按照文章中文献出现的顺序. 一.L. Itti, C. Koch, and E. Niebur, "A model of saliency-based visual attention for rapid scene analysis," IEEE TPAMI, 1998. 一个用于快速场景分析

显著性检测:&#39;Saliency Detection via Graph-Based Manifold Ranking&#39;论文总结

对显著性检测的一些了解: 一般认为,良好的显著性检测模型应至少满足以下三个标准: 1)良好的检测:丢失实际显著区域的可能性以及将背景错误地标记为显著区域应该是低的: 2)高分辨率:显著图应该具有高分辨率或全分辨率以准确定位突出物体并保留原始图像信息: 3)计算效率:作为其他复杂过程的前端,这些模型应该快速检测显著区域. 最早在心里学和神经科学等多个学科上,就开始进行显著物体的检测.在计算机视觉领域,已经在人类关注机制的建模方面做出了努力,特别是自下而上的注意机制. 这种过程也称为视觉显著性检测.

关于图像的显著性检测

   图像显著性检测-Saliency Detection via Graph-Based Manifold Ranking 显著性检测是很多计算机处理的预处理,有限的计算机资源来处理数以亿计的图片,不仅耗资巨大,而且往往时间复杂度高. 那么如果说将这些资源集中在图片的显著性区域,就往往可以取得更好的成果,最直接的就是可以摒弃掉一些背景信息,使得“重要部分”能够凸显出来.目前关于图像显著性检测的论文有好多种类. 其中本人正在研究的一篇是<Saliency Detection via Graph-

显著性检测

参考文献:http://www.cnblogs.com/CCBB/archive/2011/05/19/2051442.html 1.一个简单的matlab例子 1 clear 2 clc 3 4 %% Read image from file 5 inImg = im2double(rgb2gray(imread('256.png'))); 6 %%inImg = imresize(inImg, 64/size(inImg, 2)); 7 8 %% Spectral Residual 9 my

运动目标检测知识整理(背景建模 VIBE 背景差分 帧间差分 光流 HOG Adaboost SVM 显著性检测)

显著性检测(saliency detection)评价指标之KL散度距离Matlab代码实现

步骤1:先定义KLdiv函数: function score = KLdiv(saliencyMap, fixationMap) % saliencyMap is the saliency map % fixationMap is the human fixation map map1 = im2double(imresize(saliencyMap, size(fixationMap))); map2 = im2double(fixationMap); % make sure map1 and

四种比较简单的图像显著性区域特征提取方法原理及实现-----&gt; AC/HC/LC/FT。

laviewpbt  2014.8.4 编辑 Email:[email protected]   QQ:33184777 最近闲来蛋痛,看了一些显著性检测的文章,只是简单的看看,并没有深入的研究,以下将研究的一些收获和经验共享. 先从最简单的最容易实现的算法说起吧: 1. LC算法 参考论文:Visual Attention Detection in Video Sequences Using Spatiotemporal Cues. Yun Zhai and Mubarak Shah.  Pa

四种简单的图像显著性区域特征提取方法-----&gt; AC/HC/LC/FT。

四种简单的图像显著性区域特征提取方法-----> AC/HC/LC/FT. 分类: 图像处理 2014-08-03 12:40 4088人阅读 评论(4) 收藏 举报 salient region detec显著性检测 laviewpbt  2014.8.3 编辑 Email:[email protected]   QQ:33184777 最近闲来蛋痛,看了一些显著性检测的文章,只是简单的看看,并没有深入的研究,以下将研究的一些收获和经验共享.      先从最简单的最容易实现的算法说起吧: 1