关于视觉显著性检测的思考（二）

寻找能同时检测静态图片和动态视频序列中显著性区域的算法是当今的研究热点，这是做图像分割的前期工作，学者们也做了很多相关的研究。常用的方法是利用背景差法（background subtraction）检测出前景区域，然后利用形态学操作（morphological operations）如膨胀（dilation）、腐蚀（erosion）等进行处理。然而传统的方法只能对背景静止的情况表现较好，如果背景变化或照相机移动，那么只能不断更新背景模型，然而这对实时处理没好处。还有一种理论是目标检测算法（object detection），但这类算法需要对样本进行训练，且需要事先对目标界定范围，对范围外的目标不适用。另一种算法是显著性检测（saliency detection），这类算法基于人类视觉注意模型，不需要训练，对局部特征对比度进行分析。‘Segmenting Salient Objects from Images and Videos’本篇论文在Lab空间建立saliency measures，利用滑动窗对图像进行处理，saliency measures定义为S0(x) = P(F(x)|H0)P(H0)/(P(F(x)|H0)P(H0) + P(F(x)|H1)P(H1))，P(H0)和P(H1)为先验概率，P(H0)一般设为0.2，主要问题是计算hk(x)=P(F(x)|H0)和hb(x)=P(F(x)|H1),而这两者都可通过积分直方图得到。为了使得结果更加robust，这里在得到积分直方图后要对其进行smoothing，也就是用高斯函数进行光滑处理。至此saliency处理部分介绍完毕。

问题：积分直方图是什么？如何用程序实现积分直方图的运算？为什么要用积分直方图？

另外，在上文基础上，大连理工大学卢湖川教授及其学生利用贝叶斯模型实现了更加精确且时间复杂度更低的算法。该算法对以上算法的改进处在于：1、先验概率并非认为设定。

 

首先使用Harris角点检测算法检测出一个角点集合，构造一个包含角点的凸包，然后利用聚类算法选出saliency区域。

2、采用由粗到细的方法避免了多尺度的复杂运算，简化了运算。

然而该算法在复杂背景及多目标检测中表现不佳，仍需改进。

问题：如何利用凸包改进saliency检测算法？