计算机视觉教程(第3版)PPT第04章-显著性检测-.pptx

第4章 显著性检测 显著性是一个与主观感知相关联的概念，视觉显著性常归因于场景区域在底层特性方面的变化或对比而导致的综合结果 显著性在中间语义层次上表达了图像的特性 对于显著性的可靠估计往往并不需要对任何实际场景内容的高层理解 不同的显著性可用其易感知性来描述 图像中的显著极值的有效提取对于图像分析和处理具有重要的意义和应用价值

目录contents4.1 显著性概述4.2 基于对比度的检测4.3 基于最稳定区域的检测4.4 显著目标区域提取及效果评价

4.1显著性概述 显著性指能使一个特征、图像点、图像区域或目标的鉴别性或相对于其环境更显眼的量/特性显著性的内涵 显著性与人对世界的关注或注意有关。关注或注意是一个心理学概念，是心理过程的一种具有共性的特征，属于认知过程的内容 作为一个中层的语义线索，显著性可帮助填补低层特征和高层类别间的鸿沟

4.1显著性概述(1) 高层语义特征：人在观察中经常注意到的对象（如人脸、汽车等）经常对应图像中的显著区域，本身具有一定的认知语义含义(2) 认知稳定性：显著区域对场景亮度、对象位置、朝向、尺度、以及观察条件等比较鲁棒(3) 全局稀缺性：从全局范围来看，显著区域出现的频率比较低（局部、稀少），且不容易由图像中的其他区域复合而得到(4) 局部差异性：显著区域总是与周围区域具有明显的特性（颜色、边缘、朝向）差异显著区域的特点

4.1显著性概述 显著图反映了图像中各部分吸引人注意的程度 显著图的质量是评价显著性检测算法好坏的重要标准，也与显著区域的特点密切关联 (1) 能突出最为显著的物体（与人感知一致） (2) 能使整个显著物体各部分具有比较一致的突出程度（完整提取目标） (3) 能给出精确完整的显著物体边界（分离） (4) 能给出全分辨率的检测结果（实用）显著图质量的评价

4.1显著性概述 视觉注意力机制有两个基本特征：指向性（表现为对出现在同一时段的多个刺激有选择性）和集中性（表现为对干扰性刺激的抑制能力） 注意力机制主要分为两大类：自底向上数据驱动的预注意机制和自顶向下任务驱动的后注意机制 用计算机来模拟人类视觉注意机制的模型称为视觉注意力模型 一个视觉注意力模型对图像中的显著区域用视觉注意力（VA）图来表示视觉注意力机制和模型

4.1显著性概述(1) 对图像信号的处理域：空域/变换域(2) 检测算法的流程：自底向上/自顶向下(3) 考虑计算对象：基于注视点/显著区域(4) 检测结果分辨率：像素级的方法和基于区域（包括超 像素）的方法(5) 考虑辅助信息：将检测方法分为仅利用图像自身信息 的内部方法和还利用图像“周边”信息的外部方法(6) 显著性与主观感知相关联，所以除可借助计算模型也 可考虑仿生学的方法显著性检测方法分类

4.1显著性概述 主要有5个模块，输入和输出可有不同的形式 其他3个模块也列出了一些常用的方法和技术基本检测流程

4.2基于对比度的检测 计算对比度的方法主要分为3大类： (1) 利用局部对比度先验知识 将每个像素仅仅与图像局部中某些像素比较 (2) 利用全局对比度先验知识 将目标像素与图像中其余所有像素进行特征差异度计算 (3) 利用背景先验知识 背景先验：图像的四周对应背景对比度检测

4.2基于对比度的检测 基于直方图对比度的算法 一个像素的显著性是该像素与图像中所有其他像素之间的颜色/灰度的对比度之和具有相同颜色/灰度的像素会具有相同的显著性值，将对应具有相同颜色/灰度值ci的像素Ii分在同一组基于对比度幅值对应直方图表达，计算快捷

4.2基于对比度的检测 基于区域对比度的算法 将输入图像初步分成多个区域，通过计算区域对比度（RC）获取其显著性值 Dc(Ri,Rj)度量区域间在L*a*b*空间中的颜色距离引入空间信息以调整区域权重基于对比度幅值

4.2基于对比度的检测 考虑图像中对比度的整体分布因素 图(a)为原始图像，图(b)为理想结果 以图(c)中的标记像素为中心，大的显著性数值主要分布在其右下方。以图(d)中的标记像素为中心，大的显著性数值则在各个方向上的分布都差不多基于对比度分布

4.2基于对比度的检测 (1) 对图像进行超像素分割 (2) 计算超像素的最大环绕对比度 (3) 计算相对对比度方差 (4) 将该方差数值转换为显著性值基于对比度分布流程

4.2基于对比度的检测 对属于内部的超像素区域，其各个方向的最大对比度值都比较大；而对属于外部的超像素区域，其各个方向的最大对比度值有比较大的差别对比度分布计算

4.2基于对比度的检测 属于显著物体内部的超像素区域的相对标准方差（RSD）比属于显著物体外部的超像素区域的相对标准方差小（显著性与相对标准方差成反比）显著性