66、图像分割与显著性检测技术解析

图像分割与显著性检测技术解析

在计算机视觉领域，图像分割和显著性检测是两个重要的研究方向。下面将详细介绍基于马尔可夫随机场（MRF）和格式塔局部概率组织（GLPO）的前景背景分割（FBS）模型，以及基于韦伯定律的自下而上显著性检测的中心 - 环绕假设。

1. 基于MRF和GLPO的FBS模型

该模型在图像分割方面展现出了独特的优势。实验在伯克利图像分割数据集上进行，该数据集包含200张图像，每张图像约有1000个标签。

• 自动分割对比 ：将该算法的自动分割结果与归一化割（Normalized Cuts）算法进行对比。归一化割是一种多尺度谱分割算法，它主要考虑像素间的距离，对轮廓特征关注较少。因此，有时无法实现平滑分割，错误的聚类数量估计还会导致过分割。而该算法通过GLPO对轮廓的统计特性进行建模，不仅能生成更平滑的分割边界，还能更清晰地突出复杂纹理图像的前景。
• 半自动分割对比 ：设计了一个简单的交互系统来接收用户的笔触。用户勾勒出前景/背景后，系统自动进行边缘检测和FBS并显示结果，用户还可根据结果进行笔触的添加、删除或修改。与Grabcut + Lazy Snapping算法相比，该算法优化了边缘平滑度，生成的分割边界更平滑。

该模型与其他分割算法相比，具有更强的鲁棒性，能得到更平滑的分割结果。相关神经生理学发现证实，视觉皮层的分割机制由边缘检测引导，说明该方法在生理学上有更深厚的根基。

2. 基于韦伯定律的中心 - 环绕假设的显著性检测

显著性机制在视觉选择性注意中起着重要作用，它能有效降