7、基于位置的视觉显著性计算方法解析

基于位置的视觉显著性计算方法解析

在视觉处理领域，视觉显著性计算是一个重要的研究方向，它有助于我们理解人类视觉系统如何快速聚焦于场景中的重要部分。本文将深入探讨基于位置的视觉显著性计算方法，包括不同的计算模型及其特点。

1. 结合局部与全局不规则性的方法

在视觉显著性计算中，一些研究尝试结合局部和全局的不规则性来同时从局部和全局视角估计视觉显著性。以下是几种典型的方法：
- Goferman等人的上下文感知显著性模型 ：该模型结合了局部对比度、全局稀有性和高级因素，能够更全面地考虑图像的特征。
- Vikram等人的方法 ：从整个图像中提取一组随机矩形，然后根据Lab颜色空间中的局部统计信息检测每个矩形中的显著像素，最后将分布在整个场景中的随机窗口的局部显著性值组合起来生成最终的显著性图。
- Borji和Itti的方法 ：从RGB和LAB颜色空间中提取逐块的局部和全局不规则性。将图像划分为不重叠的块，每个块由从自然场景中学习到的稀疏代码的线性系数表示。在由稀疏代码形成的子空间中，局部显著性计算为中心块和周围块之间的差异，全局显著性根据块在整个图像中出现的概率得出。最后，将两个颜色空间的局部和全局显著性值组合起来进行图像显著性估计。

然而，这些方法在特征和尺度选择上存在挑战。在计算视觉显著性之前，很难确定最佳的特征和尺度。使用大量候选特征和尺度时，不适当的特征可能会错误地突出某些干扰物，而不适当的尺度可能会错误地抑制大目标的部分区域。因此，特征/尺度选择被认为是计算自下而上显著性的最重要问题之一，也是基于学习的自上而下显著性调制的主要关注