7、基于位置的视觉显著性计算及相关模型解析

基于位置的视觉显著性计算及相关模型解析

在视觉显著性计算领域，有多种方法和模型被提出，旨在更准确地识别图像或视频中的显著区域。下面将详细介绍一些主要的计算方法和模型。

1. 结合局部和全局不规则性的视觉显著性计算

在视觉显著性计算中，有研究尝试结合局部和全局的不规则性，从不同视角同时估计视觉显著性。以下是一些相关的模型：
- 上下文感知显著性模型 ：Goferman 等人（2010）提出了一种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。
- 随机矩形提取模型 ：Vikram 等人（2012）提出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。
- 局部和全局不规则性提取模型 ：Borji 和 Itti（2012）从 RGB 和 LAB 颜色空间中提取逐块的局部和全局不规则性。他们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，而全局显著性则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，在使用大量候选特征和尺度时，存在一些问题。不适当的特征可能会错误地突出某些干扰项，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点。