论文翻译《Salient object detection: A survey》

传统的方法：

可大致分为三类：基于block和intrinsic cues的模型、基于region和intrinsic cues的模型、基于extrinsic cues的模型（包括block和region）。

• 基于block和intrinsic cues的模型

Itti等人提出的开创性工作[1]之后，大多数模型都是基于中央周边差操作。[2]中用特征的极坐标变换将输入图像表示在一个二维空间中，里面的每一个区域被映射到一维的线性子空间中，之后利用广义的主成分分析[3]来对这个线性子空间进行估计，最后通过测量特征的对比和区域的几何性质来产生显著性区域。还有[4]和[5]，[4]的方法是无参数的，只需要非常简单的像素操作，如边缘检测，阈值分解和二值化矩保持。[5]利用一种基于等距图的框架，其中显著图是通过线性计算显著图曲线，颜色增强和等中心聚类来估计的。

之后[6]（FT）提出了频率调制的方法来产生全像素的显著性图。[7]和[8]利用多尺度对比来提高鲁棒性，建立多层的高斯金字塔，通过公式计算每一个像素的显著性得分。

即使利用多尺度信息，pixel级的内在线索在显著性计算任务中依然显得乏力。于是提出了patch级的处理方法。[9]提出了信息理论的方法，利用KL聚类算法计算灰度、颜色和方向的中央周边差特征分布。[10]将中央周边差操作看作成本敏感的最大边界分类问题，用SVM来实现。

[11]（CA）用与其他区域的对比度来定义patch的显著性，如果一个patch和与他最相似patch的差别都很大的话，那么这个patch就是显著性区域，同时考虑了空间因素。[12]中提出在高维空间中，不痛同patch更加分散，而相同的区域则更加靠近。基于这一观察，计算区域与平均区域的距离来作为这个区域的显著性，一个patch的显著性是通过在图像主分量上将它的path投射到平均patch上来度量的。

总的来说，基于block/patch和intrinsic cues的模型有两方面的问题：Ⅰ. 边界（通常具有高对比度）会显著性计算。Ⅱ. 显著性区域的边界不能很好的保留。为了克服这些问题，提出了基于region的模型，有两个好处有：Ⅰ. region的数量比block/patch要少很多，这有助于实现一个高效快速的算法。Ⅱ. 在region区域中更有可能提取出信息量大的特征。

• 基于region和intrinsic cues的模型

用基于图的图像分割算法[13]、Mean shift[14]、超像素分割[15]和Turbopixels算法[16]等来产生region。通常先将输入图像分割成不同灰度的区域，然后计算区域显著性图。

[17]中region显著性是计算其包含的像素的显著性的平均，通过多尺度显著性的对比来计算像素的显著性。[18]通过observation提出了一系列的规则来计算每一个region背景的得分。

在那之后提出了一些通过global regional contrast来计算显著性区域的算法。[19]提出了HC和RC算法，HC算法中每一个像素的显著性通过计算该像素与其他像素在LAB颜色空间中的距离来计算。RC算法中加入了空间域信息。[20]（SF）提出可以使用高效的基于过滤的技术来计算HC和RC中的显著性，即利用[21]中的方法。

除了颜色信息，也加入的纹理[22]和结构信息[23]，[24]提出了计算region和patch来构建显著性。在[25]中提出了一种soft abstraction，利用直方图量化和高斯混合模型来生成一组大尺度的感知均匀区域，而不是保持每个像素的hard region index。通过避免超像素的硬决策边界，这种软抽象提供了较大的空间支持，从而产生更加均匀的显著区域。（？）

[26]中提出了一种基于multi-scale local region contrast的算法，通过计算多尺度的显著性来增加鲁棒性，结合这些region的显著性来计算出一个像素级的显著性图。[27]和[28]也采用了类似多层次分割的办法。[29]通过构建hypergraph扩展成对的局部对比，hypergraph由超像素的非参数多尺度聚类构造，来同时捕获区域的internal consistency和external separation。显著