視覺(jué)顯著性算法概述

《視覺(jué)顯著性算法概述》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。

1、關(guān)于自底向上的顯著性方法的綜述報(bào)告人：周靜波2012年08月30日?qǐng)?bào)告提綱研究現(xiàn)狀算法模型介紹實(shí)驗(yàn)結(jié)果及分析結(jié)論研究現(xiàn)狀研究現(xiàn)狀基于視覺(jué)注意的顯著性區(qū)域檢測(cè)對(duì)于圖像分析過(guò)程有著非常重要的意義。注意是人類信息加工過(guò)程中的一項(xiàng)重要的心理調(diào)節(jié)機(jī)制，它能夠?qū)τ邢薜男畔⒓庸べY源進(jìn)行分配，使感知具備選擇能力。如果能夠?qū)⑦@種機(jī)制引入圖像分析領(lǐng)域，將計(jì)算資源優(yōu)先分配給那些容易引起觀察者注意的區(qū)域，這樣必將極大的提高現(xiàn)有的圖像處理分析方法的工作效率。顯著性區(qū)域檢測(cè)正是在這個(gè)基礎(chǔ)上提出并發(fā)展起來(lái)的。研究現(xiàn)狀顯著性檢測(cè)一般分為兩類自下而上

2、基于數(shù)據(jù)驅(qū)動(dòng)的顯著性區(qū)域突現(xiàn)自上而下任務(wù)驅(qū)動(dòng)的目標(biāo)突現(xiàn)本報(bào)告只關(guān)注自下而上的顯著性檢測(cè)算法研究現(xiàn)狀A(yù)chanta將這些算法分成三類基于低層視覺(jué)特征，代表性算法是文獻(xiàn)[1]中提出的模擬生物體視覺(jué)注意機(jī)制的選擇性注意算法(Itti算法)沒(méi)有基于任何生物視覺(jué)原理的純數(shù)學(xué)計(jì)算方法，如Achanta等[4]提出的全分辨率算法(AC算法)和Hou等[5]提出的基于空間頻域分析的剩余譜算法(Spectralresidualapproach,SR)將前兩種進(jìn)行融合的方法，代表性算法是Harel等[6]提出的基于圖論的算法(Graph

3、-basedvisualsaliency，GBVS)研究現(xiàn)狀Goferman將顯著性分析算法分成以下三類考慮局部特征的，如Itti算法和GBVS算法考慮整體性的，如SR算法和Achanta等[3]提出的算法(IG算法)局部與整體結(jié)合的，如Goferman等[7]和Liu等提出的算法算法模型介紹Itti模型Itti模型中,顯著值是像素點(diǎn)在顏色、亮度、方向方面與周邊背景的對(duì)比值。該模型包括兩個(gè)步驟:特征提取顯著圖生成AIM模型AIM（Attention-basedonInformationMaximization）模型利

4、用香農(nóng)的自信息度量，將圖像的特征平面變換到對(duì)應(yīng)于視覺(jué)顯著性的維度上。AIM假設(shè)：一個(gè)視覺(jué)特征的顯著性就是該特征相對(duì)于它周圍其他特征提供的信息的差別度。根據(jù)香農(nóng)定理，圖像特征對(duì)應(yīng)的自信息通過(guò)下面的公式進(jìn)行計(jì)算為特征的概率密度函數(shù)。GBVS模型GBVS（Graph-BasedVisualSaliency）模型是在Itti的模型基礎(chǔ)之上運(yùn)用馬爾可夫隨機(jī)場(chǎng)的特點(diǎn)構(gòu)建二維圖像的馬爾可夫鏈，通過(guò)求其平衡分布而得到顯著圖算法步驟：特征的提?。号cItti算法類似顯著圖生成：馬爾可夫鏈方法FTS模型FTS（Frequency-Tune

5、dSaliency）模型是由Achanta等人提出的一種自底向上的顯著性檢測(cè)方法，通過(guò)局部顏色和亮度特征的對(duì)比多尺度方法求像素點(diǎn)顯著值。將原始圖像由SRGB顏色空間轉(zhuǎn)化成CIE顏色空間，然后顯著性映射定義為其中為圖像特征的幾何平均向量，為對(duì)原始圖像的高斯模糊，采用的二項(xiàng)式核。為范數(shù)，為像素點(diǎn)坐標(biāo)。SR模型SR（SpectralResidual）模型是由Hou等人提出來(lái)的，基于空間頻域分析的算法之一，顯著圖通過(guò)對(duì)剩余譜做傅里葉逆變換得到。剩余譜定義為其中，為原圖二維傅里葉變換得到的頻域空間，為局部平均濾波器（一般n取3

6、）PQFT模型PQFT（PhaseSpectrumofQuaternionFourierTransform）模型是由Guo等人在SpectralResidual基礎(chǔ)之上提出的，該方法通過(guò)計(jì)算圖像的四元傅里葉變換的相位譜得到圖像的時(shí)空顯著性映射。事實(shí)上，圖像的相位譜即圖像中的顯著性目標(biāo)。圖像中的每一個(gè)像素點(diǎn)都用四元組表示：顏色，亮度和運(yùn)動(dòng)向量。PQFT模型獨(dú)立于先驗(yàn)信息，不需要參數(shù)，計(jì)算高效，適合于實(shí)時(shí)顯著性檢測(cè)PQFT模型假設(shè)表示時(shí)間t時(shí)刻的輸入圖像，，為所有圖像幀的總數(shù)。分為紅、綠、藍(lán)三個(gè)顏色通道，表示為，那么，可

7、以將三個(gè)顏色通道擴(kuò)展為四個(gè)廣義的顏色通道：PQFT模型類似于人類視覺(jué)系統(tǒng)，對(duì)立顏色通道定義為亮度通道和運(yùn)動(dòng)通道定義為其中為使用者設(shè)定的延遲因子。PQFT模型四元組圖像可以表示為下列形式其中，滿足，可以寫成如下形式PQFT模型將圖像中每一個(gè)像素點(diǎn)表示為，為空間坐標(biāo)，為時(shí)間坐標(biāo)。四元傅里葉圖像變化寫成表示頻域坐標(biāo)，表示圖像維度。四元逆傅里葉變化為PQFT模型可將表示為的極坐標(biāo)形式其中為的相位譜。設(shè)定，則只剩下相位信息。計(jì)算逆相位信息可得到時(shí)空顯著性映射為其中g(shù)表示二維高斯平滑濾波。當(dāng)輸入為靜態(tài)圖像時(shí)，。SDSR模型SDS

8、R（SaliencyDetectionbySelf-Resemblance）模型由Seo等人提出的，通過(guò)計(jì)算感興趣像素點(diǎn)的特征矩陣與其相鄰的像素點(diǎn)的特征矩陣之間的相似性，來(lái)確定像素點(diǎn)的顯著性映射。每一個(gè)像素點(diǎn)的局部圖像結(jié)構(gòu)表示成一個(gè)局部描述子（局部回歸核）矩陣；然后，利用矩陣余弦相似計(jì)算量化每一個(gè)像素點(diǎn)和它相鄰的像素點(diǎn)對(duì)應(yīng)的局部描述子矩陣之間的