文档介绍：关于自底向上的显著性方法的综述
报告人:周静波
2012年08月30日
报告提纲
研究现状
算法模型介绍
实验结果及分析
结论
研究现状
研究现状
基于视觉注意的显著性区域检测对于图像分析过程有着非常重要的意义。注意是人类信息加工过程中的一项重要的心理调节机制,它能够对有限的信息加工资源进行分配,使感知具备选择能力。如果能够将这种机制引入图像分析领域,将计算资源优先分配给那些容易引起观察者注意的区域,这样必将极大的提高现有的图像处理分析方法的工作效率。显著性区域检测正是在这个基础上提出并发展起来的。
研究现状
显著性检测一般分为两类
自下而上基于数据驱动的显著性区域突现
自上而下任务驱动的目标突现
本报告只关注自下而上的显著性检测算法
研究现状
Achanta 将这些算法分成三类
基于低层视觉特征,代表性算法是文献[1]中提出的模拟生物体视觉注意机制的选择性注意算法(Itti 算法)
没有基于任何生物视觉原理的纯数学计算方法,如Achanta 等[4] 提出的全分辨率算法(AC 算法) 和Hou 等[5] 提出的基于空间频域分析的剩余谱算法(Spectralresidual approach, SR)
将前两种进行融合的方法,代表性算法是Harel 等[6] 提出的基于图论的算法(Graph-based visual saliency,GBVS)
研究现状
Goferman将显著性分析算法分成以下三类
考虑局部特征的,如Itti 算法和GBVS 算法
考虑整体性的,如SR 算法和Achanta 等[3] 提出的算法(IG 算法)
局部与整体结合的,如Goferman等[7]和Liu 等提出的算法
算法模型介绍
Itti模型
Itti 模型中, 显著值是像素点在颜色、亮度、方向方面与周边背景的对比值。该模型包括两个步骤:
特征提取
显著图生成
AIM模型
AIM(Attention-based on Information Maximization)模型利用香农的自信息度量,将图像的特征平面变换到对应于视觉显著性的维度上。
AIM假设:一个视觉特征的显著性就是该特征相对于它周围其他特征提供的信息的差别度。
根据香农定理,图像特征对应的自信息通过下面的公式进行计算
为特征的概率密度函数。