郭 伟,洪 倩

(辽宁工程技术大学 软件学院,辽宁 葫芦岛 125105)

0 概述

人们在处理视觉信息时,通常筛选其中的一个或几个显著目标[1]而选择性地忽略其他信息,以减少信息处理量并提高信息处理速度。与上述过程类似,显著性检测是机器识别并提取出显著目标的过程。在目标识别[2]、图像分割[3]等研究领域,显著性检测得到广泛应用并发挥着重要作用。

研究人员相继提出多种显著性检测模型,其中主流研究思路是对显著物体在图片中的位置、与背景的颜色差异等性质进行研究,以得到结果图。Itti[4]方法利用多尺度特征和“中心-边界对抗”方法提取特征图,最后融合特征图得到结果显著图。GBVS[5]方法在Itti方法的基础上构建马尔科夫随机链,求解平衡分布然后得到结果显著图。COV[6]方法以区域协方差为特征,描述不同的特征维度对整体视觉显著性的影响。DSR[7]方法利用多角度的重构差异并引入贝叶斯公式进行积分以得到显著图。FES[8]方法在贝叶斯框架下,利用稀疏采样和密度估计计算局部特征对比度的显著性。GR[9]方法使用兴趣点来估计显著目标的中心从而得到显著图。PCA[10]方法根据中心环绕对比度和全局稀缺性2个特征,利用分段和主成分分析进行显著性检测。SDSP[11]方法结合带通滤波能模拟视觉机制检测显著性目标、中心区域更引人注意、暖色更引人注意这3种简单先验以进行显著性检测。文献[12]提出一种多尺度超像素显著性检测方法,其对图片进行超像素处理后,对不同尺度显著图实现自适应中心环绕处理并进行融合以得到最终显著图。……