下载文档原格式
显著性检测技术在图像处理中的应用与优化摘要：随着数字图像的广泛应用，人们对于图像处理技术的需求也越来越高。
显著性检测技术作为一种重要的图像处理技术，可以识别和提取出图像中最具显著性的目标或区域。
本文将介绍显著性检测技术的原理与方法，并探讨其在图像处理中的应用和优化。
一、引言随着数字图像的普及，图像处理技术成为了计算机视觉领域的重要研究方向之一。
显著性检测技术是图像处理中的重要组成部分，它可以帮助我们识别和提取出图像中最具显著性的目标或区域，为后续的图像处理任务提供重要信息。
二、显著性检测技术的原理与方法1.背景与定义显著性检测指的是在一幅图像中寻找与周围环境显著不同的目标或区域。
这些目标或区域通常具有较高的对比度、颜色鲜艳和纹理丰富等特点。
显著性检测的目标是在图像中准确地找出这些显著目标或区域。
2.常见方法（1）基于全局对比度的方法：通过计算目标区域与背景区域之间的对比度来判断显著性。
（2）基于频域分析的方法：将图像转换到频域，利用频域特征提取显著性信息。
（3）基于目标和背景模型的方法：建立目标和背景模型，通过比较像素与模型之间的差异来确定显著性。
三、显著性检测技术在图像处理中的应用1.图像分割显著性检测技术能够帮助将图像分割成具有显著特征的目标区域和背景区域，为图像分析和理解提供基础。
2.目标检测与识别显著性检测技术可以帮助定位和识别图像中的目标物体，提高目标检测和识别的准确性和效率。
3.图像增强与修复通过识别出图像中的显著目标或区域，可以针对性地进行图像增强和修复，提高图像的质量和清晰度。
4.视觉注意模型构建显著性检测技术可以帮助构建视觉注意模型，即模拟人类的视觉注意机制，将注意力集中于图像的显著目标或区域。
四、显著性检测技术的优化1.算法优化针对目前显著性检测中存在的问题，如对噪声和复杂背景的敏感性，算法可以进行优化和改进，提高显著性检测的准确性和稳定性。
2.多模态融合借鉴多种数据源（如图像、视频、语音等）进行融合，可以进一步提高显著性检测的性能和鲁棒性。
一种基于颜色和纹理的显著性目标检测算法丁祖萍;刘坤;王成【摘要】Visual saliency detection has very important applications in many aspects such as image segmentation, adap-tive compression and object recognition. This paper presents a saliency detection algorithm based on HSV color, texture and spatial position. By this method, the image is divided into small pieces in order to get the local information of the image, and color saliency map is computed in combination with theimages’color uniqueness and spatial distribution to compute color saliency map. At the same time, the paper uses Gabor filters at different scales and directions to get the tex-ture feature vector, and then calculates the difference of texture feature vectors to get the texture saliency map. Finally, the combination of the two gets a final saliency map. The experimental results show that this method can get satisfactory results in terms of detection and noise immunity, etc.%视觉显著性检测是很多计算机视觉任务的重要步骤，在图像分割、自适应压缩和识别物体方面都有很重要的应用。
自然场景下基于边界先验的图像显著性检测范青;于凤芹;陈莹【摘要】为了对自然场景中的显著目标进行准确检测,提出一种基于边界先验的图像显著性检测方法.采用简单线性迭代聚类的超像素分割算法将图像分割为颜色和纹理具有一致性的超像素,根据边界先验理论,分别计算4个边界的边界先验显著图,并且融合成为粗略的显著图,大致区分图像的背景和显著目标,将边界先验显著图的质心作为显著目标的中心位置进行空间显著性分析,从而突出显著目标,得到最终的显著图.仿真结果表明,与Itti算法、基于对比的方法、基于图论的方法等相比,该方法能够均匀地突出显著对象,有效地抑制背景.【期刊名称】《计算机工程》【年(卷),期】2016(042)001【总页数】5页(P278-281,286)【关键词】超像素分割;边界先验;空间显著性;显著性检测;背景区域【作者】范青;于凤芹;陈莹【作者单位】江南大学物联网工程学院,江苏无锡214122;江南大学物联网工程学院,江苏无锡214122;江南大学物联网工程学院,江苏无锡214122【正文语种】中文【中图分类】TN911.73图像显著性检测是指快速而准确地定位并提取图像中最吸引人类关注的区域。
在图像分析领域,对不同的图像区域赋予不同的处理优先级,能极大提高现有图像分析方法的效率。
目前,图像显著性检测在目标识别[1]、图像检索[2]、视觉搜索[3]、图像视频压缩[4]等领域都有着广泛应用。
根据显著性度量方法的不同,可将显著性方法分为基于像素的、基于全局分析的和基于区域的3类方法。
基于像素的方法是以像素为单位,计算其与其领域在不同特征下的对比度作为该像素的显著值,Itti等人使用中心-周围算子计算不同尺度上特征的差别来得到显著度[5],文献[6]提出了基于局部对比的显著性模型,计算像素与其邻域的特征距离得到显著图并使用区域增长的方式进一步从显著图中提取显著对象,基于像素的方法比较简单且容易实现,但是只能突出对比度比较大的显著对象的边缘。
Matlab中的图像特征描述和显著性分析方法近年来，随着计算机视觉和图像处理的迅速发展，图像特征描述和显著性分析已经成为研究的热点之一。
在图像处理的领域中，特征描述和显著性分析技术被广泛应用于图像检索、目标跟踪、图像拼接等应用中。
而Matlab作为一个功能强大的数学软件，提供了丰富的图像处理工具箱以及算法库，使得图像特征描述和显著性分析方法的实现和应用变得更加简单高效。
一、图像特征描述方法图像特征描述是指通过提取图像中的特定信息，将原始图像转化为一组具有独特性质的向量或者描述符。
常见的图像特征描述方法包括颜色特征描述、纹理特征描述和形状特征描述等。
1. 颜色特征描述：颜色是图像中最重要的特征之一，它可以通过颜色直方图、颜色矩、颜色共生矩阵等方式进行描述。
在Matlab中，可以利用imhist函数计算颜色直方图，或者使用color moments函数计算颜色矩。
2. 纹理特征描述：纹理是指图像中的细节和结构，描述图像纹理特征的方法有灰度共生矩阵、Gabor滤波器等。
在Matlab中，可以使用graycomatrix函数计算灰度共生矩阵，或者利用gabor函数进行Gabor滤波器变换。
3. 形状特征描述：形状是指物体的外部轮廓和结构，常用的形状特征描述方法有边缘直方图、轮廓矩和Hu不变矩等。
在Matlab中，可以利用edge函数计算边缘，或者使用regionprops函数计算轮廓矩和Hu不变矩。
二、显著性分析方法显著性分析是指在图像中找出与周围环境明显不同的对象或者区域，用于引起观察者的注意。
显著性分析方法可以分为基于全局信息和基于局部信息两类。
1. 基于全局信息的显著性分析方法：这类方法主要是从整幅图像的角度出发，通过计算图像的对比度、颜色分布以及结构特征等来确定图像中显著的区域。
在Matlab中，可以使用imcontrast函数进行图像的对比度增强，或者通过计算颜色直方图和纹理特征来实现。
2. 基于局部信息的显著性分析方法：这类方法主要是从局部区域的角度出发，通过计算图像的边缘、纹理、颜色等局部特征来确定显著的区域。
使用计算机视觉技术进行显著性检测的方法计算机视觉技术是人工智能领域的一个重要分支，旨在让计算机具备理解和解释图像和视频的能力。
在目标检测、图像分割和显著性检测等任务中，计算机视觉技术都发挥了重要作用。
本文将重点介绍使用计算机视觉技术进行显著性检测的方法。
显著性检测是指在一副图像中确定视觉注意力所集中的位置。
这个概念来源于人类的注意力机制，人们在观看一幅图像时，往往只会关注其中的一部分，而对其他内容不太关注。
计算机视觉领域利用图像处理和机器学习的方法，希望能够模拟人类的这种注意力机制，从而在图像处理、图像搜索和信息检索等应用中获得更好的效果。
显著性检测方法中较常用的一种是基于视觉特征的方法。
这种方法通过提取图像的颜色、纹理、边缘等信息，来判断图像中的显著目标。
其中，颜色特征的提取可以通过颜色直方图、颜色对比度等方式来实现；纹理特征的提取可以通过局部二值模式（LBP）或者灰度共生矩阵（GLCM）等方式来完成；边缘特征的提取可以通过Canny算子或者Sobel算子等方法来实现。
将提取到的特征进行加权，就可以得到显著性图，从而实现显著性检测。
除了基于视觉特征的方法，还有一类叫做基于图像分割的方法。
这些方法将图像分割成不同的区域，并通过计算各个区域的显著性得分，来确定图像中的显著目标。
目前较为常用的图像分割算法有k-means聚类、图割算法和均值漂移算法等。
在得到图像分割结果后，可以计算每个区域的显著性得分，得到显著性图。
这种方法相对于基于视觉特征的方法，更能考虑到图像的全局信息和上下文信息。
另外，基于深度学习的方法近年来也得到了广泛应用。
使用深度神经网络对图像进行特征提取和处理，可以获得更高的准确度和鲁棒性。
其中，卷积神经网络（CNN）是一种应用最广泛的深度学习模型，通过多层卷积和池化操作，可以提取出图像中不同尺度的特征。
通过在CNN的基础上进行改进，如引入注意力机制（Attention）或者空间金字塔池化（Spatial Pyramid Pooling），可以进一步提高显著性检测的性能。
遥感图像显著性目标检测算法研究遥感图像显著性目标检测算法研究摘要：随着遥感技术的快速发展，遥感图像在军事侦察、城市规划、环境监测等领域广泛应用。
图像中目标的显著性检测是遥感图像分析的重要任务之一。
本文对目前常用的遥感图像显著性目标检测算法进行总结和分析，并提出了一种基于深度学习的新型检测算法。
通过实验证明，该算法在遥感图像目标检测方面具有较高的准确性和鲁棒性。
关键词：遥感图像；显著性目标检测；算法研究；深度学习一、引言随着卫星技术、航空摄影技术的快速发展，遥感图像广泛应用于军事侦察、城市规划、环境监测等领域。
遥感图像中包含大量的目标信息，而目标的显著性目标检测对于图像理解、分类和定位具有重要意义。
因此，研究高效准确的遥感图像显著性目标检测算法具有实际应用价值和研究意义。
二、常见的遥感图像显著性目标检测算法1. 基于颜色特征的算法基于颜色特征的算法通过提取图像中目标的颜色分布信息，利用目标与背景的颜色差异来进行目标的显著性检测。
该算法简单高效，但对于复杂背景和目标颜色相近的情况下准确性有待提高。
2. 基于纹理特征的算法基于纹理特征的算法通过提取图像中目标的纹理信息，利用目标与背景的纹理差异来进行目标的显著性检测。
该算法对于复杂背景和目标纹理相似的情况下具有较高的准确性，但对于大规模图像的计算复杂度较高。
3. 基于形状特征的算法基于形状特征的算法通过提取图像中目标的形状信息，利用目标与背景的形状差异来进行目标的显著性检测。
该算法适用于检测特定形状目标，但对于复杂背景和目标形状变化较大的情况下准确性不高。
三、基于深度学习的遥感图像显著性目标检测算法基于深度学习的遥感图像显著性目标检测算法是近年来的研究热点之一。
该算法通过利用深度神经网络的强大特征提取能力来提高目标的显著性检测准确性。
常用的深度学习模型包括卷积神经网络（CNN）和循环神经网络（RNN）等。
通过在大量的遥感图像数据集上进行训练，该算法可以有效地捕捉遥感图像中的目标信息，并实现准确的显著性目标检测。
基于视觉显著特征的目标检测方法研究一、概述随着计算机视觉技术的快速发展，目标检测作为其中的关键任务，已经广泛应用于智能监控、自动驾驶、人机交互等众多领域。
在实际应用中，由于场景的复杂性、目标的多样性以及光照、遮挡等干扰因素的存在，目标检测仍然面临着诸多挑战。
研究基于视觉显著特征的目标检测方法具有重要的理论价值和实际意义。
视觉显著特征是指图像中能够引起人眼注意的特征，如颜色、纹理、形状等。
这些特征在目标检测中扮演着重要的角色，因为它们能够有效地描述目标的外观和内在属性，从而提高检测的准确性和鲁棒性。
基于视觉显著特征的目标检测方法通过提取和分析这些特征，实现对目标的快速、准确定位。
基于视觉显著特征的目标检测方法已经取得了显著的进展。
传统的目标检测方法主要依赖于手工设计的特征描述符和分类器，如Haar 特征、HOG特征等。
这些方法在应对复杂场景和多变目标时往往表现不佳。
随着深度学习技术的发展，基于卷积神经网络（CNN）的目标检测方法逐渐崭露头角。
这些方法通过自动学习图像中的层次化特征表示，实现了对目标的更精确描述和定位。
本文旨在研究基于视觉显著特征的目标检测方法，通过深入分析目标的视觉显著特征，结合先进的深度学习技术，提出一种高效、准确的目标检测算法。
本文将首先介绍目标检测的基本概念和任务挑战，然后阐述视觉显著特征在目标检测中的应用及其优势。
本文将详细介绍基于深度学习的目标检测方法的原理和最新进展。
通过实验验证所提方法的有效性和优越性，并对未来研究方向进行展望。
1. 目标检测在计算机视觉领域的重要性在计算机视觉领域，目标检测是一项至关重要的任务，它对于实现更高级别的图像理解和分析起着关键作用。
目标检测旨在从复杂的图像或视频场景中准确地识别并定位出感兴趣的目标对象，这些对象可以是行人、车辆、动物、人脸等。
随着计算机视觉技术的快速发展，目标检测在众多领域得到了广泛应用，如自动驾驶、智能安防、医学影像分析等。
显著目标检测方法及其应用研究显著目标检测方法及其应用研究摘要：随着计算机视觉和人工智能的快速发展，显著目标检测作为一种重要的计算机视觉任务，已经吸引了广泛的关注和研究。
本文将介绍几种常见的显著目标检测方法，并探讨其在图像分割、目标识别和视觉注意力模型等领域的应用。
1. 引言显著目标检测是指在一幅图像中找到对人类视觉系统特别吸引的目标区域。
它在计算机视觉、机器学习和图像处理等领域具有广泛的应用，如图像搜索、视频分析和医学图像诊断等。
2. 常见显著目标检测方法2.1 图像显著性检测图像显著性检测是一种基于低级视觉特征的显著目标检测方法。
它主要利用颜色、纹理和亮度等特征来区分目标与背景。
图像显著性检测方法包括基于全局对比度、基于局部对比度和基于频域分析等。
2.2 目标检测与识别目标检测与识别是一种基于目标形状、纹理和上下文信息的显著目标检测方法。
它不仅能够检测图像中的显著目标，还能够对目标进行分类和识别。
目标检测与识别方法包括基于特征提取、基于模型匹配和基于深度学习等。
2.3 视觉注意力模型视觉注意力模型是一种模拟人类视觉注意机制的显著目标检测方法。
它主要利用人眼在观看图像时的注意偏好，将观看结果应用于显著目标检测。
视觉注意力模型包括传统的视觉注意力模型和深度学习的视觉注意力模型。
3. 显著目标检测方法的应用研究3.1 图像分割显著目标检测方法在图像分割领域起到了重要的作用。
它能够帮助将图像中的目标从背景中分割出来，提供更精确的图像分割结果。
在图像分割中，显著目标检测方法能够提高分割的准确性和效率。
3.2 目标识别显著目标检测方法在目标识别领域也有广泛的应用。
它能够在复杂的背景下准确地定位和识别目标，并提供更好的目标识别结果。
在目标识别中，显著目标检测方法能够提高目标的检测和识别率。
3.3 视觉注意力模型显著目标检测方法在视觉注意力模型中也有重要的应用。
它能够准确地模拟人类的视觉注意机制，提供更有效的显著目标检测结果。
融合低层和高层特征图表示的图像显著性检测算法I. 引言1. 研究背景和意义2. 国内外研究现状和不足之处3. 本文的研究目的和意义II. 相关技术和方法1. 图像显著性检测的基本原理2. 图像特征提取方法1）低层特征提取方法2）高层特征提取方法3. 特征融合方法1）多层次融合方法2）加权平均融合方法III. 基于融合低层和高层特征图表示的图像显著性检测算法1. 基于低层特征图表示的图像显著性检测算法1）颜色特征图2）纹理特征图3）边缘特征图2. 基于高层特征图表示的图像显著性检测算法1）对象特征图2）上下文特征图3. 融合低层和高层特征图的图像显著性检测算法1）多层次融合方法2）加权平均融合方法IV. 实验分析和结果讨论1. 实验数据集和评价指标2. 算法性能分析和结果讨论1）低层特征图与高层特征图的对比实验2）不同特征融合方法的对比实验3）与其他算法的对比实验V. 总结与展望1. 本文工作总结2. 不足之处和改进方向3. 未来工作展望I. 引言图像显著性检测是计算机视觉领域一个重要的研究方向，其目的是从一幅图像中识别出最显著的部分。
图像显著性检测的应用非常广泛，例如图像压缩、图像检索、计算机视觉等领域都需要用到图像显著性检测技术。
在过去的几十年中，研究人员已经提出了很多图像显著性检测算法，这些算法通常基于不同的图像特征。
早期的算法主要基于低层特征，如颜色、纹理、边缘等，但是这些特征往往不能完全描述图像中的语义信息。
随着深度学习技术的发展，越来越多的算法开始采用高层特征，如语义、对象、上下文等，从而可以更好地捕捉图像中的语义信息。
虽然高层特征能够更好地描述图像的语义信息，但低层特征也有一定的优势。
因此，许多研究人员开始将低层特征和高层特征相结合，构建一种新的图像特征，以更好地实现图像显著性检测。
本文的主要目的是提出一种基于融合低层和高层特征图表示的图像显著性检测算法。
本文分为五个章节：引言、相关技术和方法、基于融合低层和高层特征图表示的图像显著性检测算法、实验分析和结果讨论，以及总结与展望。
融合注意力机制的显著性检测方法研究摘要：显著性检测（salient object detection）是一种图像处理技术，旨在自动识别和突出显示图像中最明显和最相关的部分。
在过去的几十年中，研究者们提出了许多不同的算法来实现显著性检测，包括基于颜色、纹理、边缘、频域和深度学习等方法。
然而，现有的算法普遍存在如下问题：1）依赖于视觉特征，在复杂场景中性能不稳定；2）不能充分利用注意力机制，忽略了人类视觉系统对图像中不同区域的敏感度。
为了解决这些问题，本文提出了一种融合注意力机制的显著性检测方法，结合了空间注意力机制和通道注意力机制，在不同层次上提取图像的显著性特征。
实验结果表明，该方法在多个公开数据集上的性能优于目前最先进的方法。
关键词：显著性检测；注意力机制；特征提取；深度学习；图像处理1. 引言在计算机视觉领域，显著性检测是一项基础的任务，旨在自动识别图像中最引人注目的部分。
显著性检测广泛应用于图像处理、计算机辅助设计、智能监控等领域。
在过去的几十年中，研究者们提出了许多不同的算法来实现显著性检测。
早期的算法主要是基于低级特征如颜色、纹理、边缘等。
然而，这些算法往往对复杂场景下的显著性检测表现不佳。
近年来，深度学习算法的兴起带动了显著性检测算法的发展。
由于深度学习算法可以自动从数据中学习到高级特征，因此能够大幅提高显著性检测的性能。
2. 相关工作2.1 基于颜色、纹理、边缘的算法基于颜色、纹理、边缘的算法是早期的显著性检测算法。
这些算法主要是基于图像的局部区域，计算它们与周围区域的区别，并将区别用作显著性度量。
然而，这些算法往往对复杂场景下的显著性检测表现不佳，因为它们无法很好地利用全局信息。
2.2 基于深度学习的算法近年来，基于深度学习的算法在显著性检测上获得了很大的成功。
这些算法一般是基于卷积神经网络（Convolutional Neural Network，CNN）模型。
CNN模型可以从数据中自动学习到高层次的特征，因此能够大幅提高显著性检测的性能。
B技术交流Technology Discussion 数据通信2019.1基于空间分布和纹理特征的图像显著性检测丁华王晓东徐梦洁(宁波大学信息科学与工程学院浙江宁波315211)摘要:针对基于空间分布的显著图无法突出纹理细节的问题，论文结合图像的空间分布特征和纹理特征，提 出了一种全分辨率显著性检测方法。
该方法根据图像尺寸按比例从图像四周提取像素，组成一个边缘背景图像,然后分别对原始图像和边缘背景图像进行分析和处理，得到原始图像块和背景图像块的颜色空间特征，并且结合图像的纹理特征信息，获得了整幅图像的全分辨率显著性。
此外，通过简单的阈值分割方法得到图像中的显著性目标。
实验结果表明，与经典显著性检测算法相比，论文算法性能明显优于其他算法性能。
关键词:空间分布;纹理;显著性检测;边缘背景图像;全分辨率中图法分类号:腳1 文献标志码:A1引言显著性检测技术主要用于解决计算机视觉系统中 的问题，即如何快速准确地识别复杂场景中的有效信 息。
当前显著性检测技术主要分为自顶向下和自底向 上两个方向，自顶向下的显著性检测方法主要通过任 务驱动，自底向上的显著性检测方法主要通过底层特 征数据驱动。
近几年来，显著性检测已经在图像分 割['图像压缩'图像智能检索['图像匹配[4]、图像 目标跟踪[5]以及机器视觉[6]等领域得到了深人的酿。
对比度是目标级显著性模型中最常用的表示手 段，根据对比的范围显著性检测算法[7]可以大致被分 为局部对比雌法和领对比度算法。
局部对比度算法[8]通过对比图像处理单元和它局 部邻域的所有处理单元计算显著度。
M等人[9]在 Koch和Ullman[1°]提出的生物启发模型基础上进一步 提出中心-周边差概念,通过计算多个尺度上中心区 域和周边区域在底层特征的差异，来提取多幅显著图 并融合得到最终的显著图。
M a和Zhang[11]提出了基 于局部对比度的另一种算法，这种算法在提取出显著 性图像后，采用了模糊增长模型来扩展它们。
Harel等人[12]在归一f t M等人的特征图的同时去突出显著性 区域,并将该显著性区域与其他显著图像融合。
L iu等 人[13]提出了多尺度对比度算法,这种对比度线性融合 了高斯图像金字塔的对比度显著图。
〇〇&_等人[14]利用多方面因素(如局部底层线索、全局线索、表 层特征和视觉组织规则)建模，以此突出目标区域。
从 以上研究可以看出，大部分局部对比度算法存在的缺 陷是:能够将图像边缘区域以很高的显著度提取出来, 而显著性目标的内部区域却不能被均匀地突显出来。
全局对比度的显著性检测算法™通过对比图像 处理单元和整幅图像的所有处理单元计算显著度。
Zhai和Shah[16]提出了像素级显著性(对比像素之间的 差异)。
Achanta等人[17]提出了频率调谐显著性区域 麵算法，该算法利用图像的颜色和亮度特征，通过计 算某个像素和整幅图像平均色色差得到显著值，但该 方法利用的是整幅图像平均色色差，从本质上弱化了 显著性区域的显著度。
文献[18]利用底层特征信息 (如颜色、亮度和边缘)来计算图像区域和它周围区域 的对比度，但敵法没有考虑图像的纹理特征信息™，对于纹理比较丰富的图像而言，该方法提取的显著图 无法突显这些纹理细节。
36本文受国家科技支撑计划基金项目丨NO.2012BAH67F01丨，国家自然科学基金项目丨NO.U1301257 浙江省自然科学基金项目(No. LY17F010005)资助。
2019.1数据通信技术交流|/ Technology Discussion 1/针对上述检测方法的不足，本文以文献[18 ]方法 为基础,先提取出基于空间分布特征的显著性图像，然 后利用文献[20]提到的基于总变差的模型来提取图像 的纹理细节，最后将提取的基于空间特征的显著图和 纹理显著图融合[21],得到最终的显著图。
2本文方法原理本文方法首先基于大部分a著性目标在整幅图像 中的空间分布规律，依据图像尺寸按比例从图像四周 提取像素，组成一缘背景图像;然后分别将原始图像和边缘背景图像转换到色域宽阔的b b颜色空间, 之后再分别进行分析和处理，得到原始图像块和背景 图像块的颜色空间特征;接着采用一种基于总变差的 模型[20]来提取纹理特征信息构成纹理显著图;最后结 合图像的颜色空间特征和纹理特征信息，获得了整幅 图像的全分辨率显著性。
算法具体流程图见图1。
图1显著性算法流程图2.1获取基于空间特征的显著图Swrf2.1.1取边缘图像B现有的显著性检测算法在计算视觉显著性值时, 通常是通过对比图像的各个像素值，从而分割图像成 两个区域(相对显著性区域和相对非显著性区域)。
为 了简化图像的显著性检测过程,本文的一个思路是通 过观察、分析生活场景和业界常用的几个图像数据集 得到显著性像素和非显著性像素在整幅图像中的空间 分布规律,接着利用这个分布规律事先确定一些属于 非显著性区域的像素。
我们細摄曰常生活雛时一般是将自己感兴趣 区域放在镜框的中央，然后再聚焦它们。
此外,通过对 现有的、业界接受度比较高的、多个用于图像处理算法 比较的么研测试数据集进行观察和分析，我们发现大 部分感兴趣的区域绝大数是在整个图像空间的中心部 位，并且，这种区域分布特征在图像显著性检测中尤其B月显。
这表明了一个重要的事实:感兴趣的目标区域 常常以较大的概率位于一幅图像的中心部位,人工拍 摄的自然场景图片一般都具有这种像素空间分布特 征，同时，这种像素空间分布特征也是我们的测试图像 数据集所具有的特征。
基于以上理论依据，本文的边缘图像B主要通过 从原始图像/的四周按比例选取像素点来构成，边缘 区域图见图2。
人进lb s frlflLttn图2边缘区域图边缘比例&定义为边缘像素个数占整幅图像像 素总数的比例，其定义表达式见公式⑴：Er EU + ED + EL + ERH*W⑴其中,F和孖分别为原始输入图像/的宽度和髙 度，册和仰分别为上边缘像素和下边缘像素,£[和 诎分别为左边缘像素和右边缘像素。
在本文中，所有实验结果的边缘比例&取&= W%，并且 EU : E D，EL : ER〇2.1.2选择颜色模型和变换颜色空间由于Lab色彩模型是不依赖于设备的颜色模型并 且具备色域宽阔的特点和优势，为了在获得的结果图 中尽量保留宽阔、丰富的色彩以及好的视觉效果，我们 的做法是将原始图像/和边缘图像B分别转换到了 Lab颜色空间。
原始图像/和边缘图像B分别转化到L a i颜色空 间后，分别对应于心6和接着分别分离出三个通道:Ilab分离得到IL、Ia、Ib;B lab分离得到BL、B a、Bb;对于編的三个单通道图像见、枷、劭分别计算对应 的平均值、7nB6;对于分离得到三个单通道图像a、/a、A，利用一阶距离公式⑵分别计算得到 三幅单鍾的基于空间特征的显著图,分别是S i、5L4、37B技术交流T e c h n o l o g y D i s c u s s i o n数据通信2019.1SB;最后利用简单的算术平均法融合显著图S i、&4、SB，得到基于空间特征的显著图&〇/，融合表达式见公 式(3)。
S i(x,y) = \\I(x,y) -m B\\⑵2.2获取纹理显著图^L(P) =|X SP,q •(d j),|?eR(p)心⑷=I•(明」(8)为了 强纹理和结构之间的对比,我们结合办和4来为纹理一结构分解形成了一^更有效的 正则倾阵，通过上晒陛式子对模型进行改进，目标 函艱终転如下：本文从图像分解的角度考虑，将图像分解为纹理 和结构这两部分信息，主要采用一种基于总变差形式 的模型[2〇]来提職理特征信息，该模型可以有效地分 解图像的纹理和结构，并且与纹理是否规则或者对称 的絲不大。
備是说’该方法辟一般性和任意性，对于非均勻的或各向异性的纹理比较适用。
该模型提 取纹理显著图的原理是:首先通过求解模型的目标函 数来提取图像的结构信息，由于图像可以被分解为纹 理和结构两部分，接下来再从原始图像里面剔除结构 信息，从而得到图像的纹理信息。
这个模型简单地使用了二次■来加强输入和输 出的馳相似性，可以赫獅下形式：叫十冬{告(4-心)2 + l(v s)j}⑷arg m in^(S p -/p)2+ A •(办A p)L(p) +^y(p)L i p)+(9) ?是一个索引,它属于以像素为中心的矩形区域。
对于公式(9)的求解如下：y U p)y凡It L i p)+e~^\Y+ «9e R(p)(10)对(10)式郷得到如下表&式：■y i^«(p)—p L i p)+ S ~上式表示总_模型，/表示输入图像表示2D 图像像素的索引,S表示输出结构图像。
其中(Sp_/p)2是为了使提取的结构类似于输入 图像的结构，丨（V S), I是总变差正则化矩阵，可以写 娜下各项异性的形式：I I(V S)J= X10^1+ |(a,s)J(5)们的方法包括一种通用的像素窗口总变差测 度，可以写成如下形式：^(p) =E g?,q ■Ka^s),I9eR(p)^y(p)= S S?,q •l〇rS),I(6)?e R〇>)上式中:■»,〇〇和缉(p)分别是像素g在*和y方 向上窗口总变差，&，是根据空间相似度定义的加权函 数，具体可以表示为如下形式：^°c e x p(-(^-^>-^)2) (7)其中,0■控制着窗口的空间尺度。
为了更好地将纹理元素和突出的结构区分开来, 此处方法包含了一个新颖的窗口内在变差，可以表示 为如下形式：I E■q peR(q)^P,9eR(p)SP,q '(d,S)qgp，9_______I U S),~(dxS)2ge K a^J+ fis=^u iqw^(d xS)2q(11)■k过引入a对公式(11)进行了一个近似计 算，同时,二次项(s)2和非线性部分\，…被重新构造。
它们可以表示如下：以I.1(12)(13)上式中^是标准差为(7的高斯核函数，*为卷 积般。
F方向上的求解类似：U7,,= (G<，X uy,iwy,M Sy,91、I* ay s I■(14)(15)38图4从上到下依次是输入图像、纹理显著图、真实标注图、空间显著图、最终显著图本文算法和各种主流算法的测试结果见图5。
由 图5可知:GBVS 模型和SSO 模型的显著性图边缘比较 模糊，尤其对于背景复杂的图像,背景噪声不能被有效地抑制;M 模型、CA 模型和NS 模型的显著性图都只 能显示一#边缘亮点，显著性区域内部细节无法被突 显出来;FT 模型的显著性图虽然能够完整地检测到显 著性物体的边缘,但是显著性物体和背景区域的对比 不如本文算法结果明显,由于本文算法充分利用了显 著性物体像素的空间分布特性和纹理特征，在本质上 能够比较好地消除背景区域对显著性检测的干扰，并完整地突显出来,前景区域和背景区域之间的对比更加强烈，边缘细节和纹理细节也更加清晰和细腻，这使 得实验结果比较符合人的主观感受。
