qq_26460507的博客

针对已有的方法中存在的问题：Itti模型，针对Itti模型进行的扩展的显著性检测方法，以及光谱剩余假说系列的方法过分强调小的，局部特征，对对象级别的应用不适合；对图像的全局属性进行建模的方法，虽然能够将整个对象较好地检测出来，但是计算复杂度高；综上找到一种compact并且有效的表示方法很有必要。这样的方法有颜色平均值或亮度平均值表示。但是一阶平均太简单，忽略了颜色的方差以及图像各部分之间

显著性检测最近几年成了研究热点，从计算机视觉三大会议（ICCV, CVPR, ECCV）上的文章数量就可以看出，大概每届会议都有10来篇的样子，一个这么小的topic，10来篇数量已经很多了。如果你看一看这些文章就会发现，显著目标检测的占了大部分，眼动点预测的很少，大概就一两篇。看到这，有些人也许还不明白显著目标检测和眼动点预测区别。其实，显著目标检测就类似于一个二值分割问题，只不过加了显著这个条

作者在文章中指出现有的一些显著性检测算法面临的一些问题：detection accuracy could be adversely affected if salient foreground or background in an image contains small-scale high-contrast patterns。检测精确度会受到图像中小规模高对比度的模型影响。这种情况普遍存

《saliency detection via graph-based manifold ranking》Abstract      Most existing bottom-up methods measure the foreground saliency of a pixel or region based on its contrast within a local

Cluster-based Co-saliency Detection笔记1. 两个定义协同显著性：在一组相似的图像中发现unique object (D. Jacobs 2010)// 从多幅图像中发现共有的显著性协同分割：将两张或是多张图像中相似的对象分割感出来2. co-saliency与co-segmentation之间的区别在非监督的co-segm

1.Ali Borji, Laurent Itti, Exploiting Local and Global Patch Rarities for Saliency Detection, CVPR20121) 系统框架： 2) 算法思路：①　图像表示：本文通过1500张图像中，在各通道提取出的8*8的patch，学到了一个自然图像的字典。使用这个字典以及一系列的系数

《Frequency-tuned Salient Region Detection》      FT算法由Achanta等提出，利用颜色特征的中央-周边算子来得到显著图。其求解过程非常简单：     S(x,y)=||Iu-Iwhc(x,y)||;Iu是图像像素的算术平均值，Iwhc(x,y)是对原图像进行的高斯模糊。此算法使用Lab空间，||-||为欧式距离。

《Salient Region Detection and Segmentation》      AC算法也是Achanta等提出的，与FT算法类似，只是在求欧式距离时使用的均值不再是整幅图像的均值，而是选取不同大小邻域内的均值（三种大小）分别求取欧式距离，再相加得到。      理解了FT算法，AC就比较好理解了，      如上图所示，所取三个邻域大小分别为边长为h