郭迎春，冯艳红，阎刚，于明

（河北工业大学 计算机科学与软件学院，天津 300401）

1 引言

视觉显著性(visual saliency)是人们主观地关注图像的某一区域，而该区域因为与周边区域存在差异而引起人们注意，人类的这种特性叫做视觉注意机制。将这种机制引入到图像分析领域，即图像显著性检测。图像显著性检测能够缓和图像内容理解与底层特征之间的隔阂，从而给后续的处理带来便利。现如今图像显著性检测的应用非常多，比如路面裂缝检测[1]、行人检测[2]、内容感知的图像分类[3]和图像压缩[4]等。

根据图像显著性检测算法处理域的不同，可分为2类：基于空间域的算法和基于频域的算法。基于空域的算法中最具有代表性的是1998年Itti等[5]提出的基于生物模型和特征整合理论的 IT算法，该算法提取底层特征如颜色、亮度和方向，利用图像多尺度特征和中心-周边差原则计算显著值，得到低分辨率的显著图；2006年Harel等[6]提出基于图论的GB算法，继承了IT算法的特征提取和中央-周边差原则，利用马尔科夫链进行特征显著图规格化合成；2008年Achanta等[7]提出基于图像不同尺度对比度的AC算法，计算不同尺度的局部区域与其周边区域在亮度和色度上的对比度；2012年Goferman等[8]提出基于上下文CA算法，比较不同块在不同尺度、不同位置以及注意力的焦点等方面的差异，能够检测代表场景的显著区域而不只是显著目标。在频域检测算法中，2007年，Hou和Zhang等[9]提出谱残差 (SR, spectral residual approach)算法，该算法将图像从空域转换到频域，计算图像log振幅谱与平均log振幅谱的差作为显著部分载频域信息，而谱残差并非对应于图像的显著区域，且该方法存在低分辨特性；……