基于元胞自动机的显著性检测_BSCA（Saliency Detection via Cellular Automata）

详见点击打开链接

【算法】

1、全局差异矩阵的融合

首先用SLIC超像素分割把图像分成N个小的超像素点，应用像素点的平均颜色特征和平均坐标来描述每一个超像素点。为获得更优化的背景种子，基于图像边缘点的CIELAB颜色特征，用K-means算法将图像的边缘分成K类，K=3。属于第k类的超像素点总数为，k=1,2，...，K。基于K个不同的类，构建K个不同的全局颜色差异图（GCD）。在GCD矩阵中，元素表示在第k个GCD图中元胞i的显著性值，i=1，2，...，N。元胞i的显著性值为：

其中||Ci，Cj||是超像素点i和j在LAB颜色空间的欧式距离，设，。

当一个超像素点的显著性值是基于离他最近的背景类计算时，他的显著性值就越准确。因此，构建全局空间距离（GSD）矩阵来权衡不同GSD图之间的重要性。代表超像素点i和所有第k类背景点之间的空间距离：

 其中ri和rj是超像素点i和j的坐标，是控制权重常量，。