9、基于位置显著性图与对象的显著目标提取和检测方法

基于位置显著性图与对象的显著目标提取和检测方法

1. 基于位置显著性图的显著目标提取

在处理复杂对象提取时，传统基于位置的显著性方法存在一些问题。当基于位置的显著性精确且完整时，相关方法能取得不错的效果，但现有基于位置的方法往往难以将复杂对象作为一个整体凸显出来，因为它们忽略了对象各子集之间的内在关联。这会导致对象的各个部分被独立处理，并且由于尺度选择不当，可能会出现完整性问题。

例如，对于一个复杂对象，在特定尺度下它可以作为一个整体凸显出来，但如果使用较小的尺度，检测到的显著子集可能只是对象的一部分；而使用较大的尺度，可能会得到一个包含部分冗余背景的大区域。为了简化描述，我们分别将这两种情况称为草图状显著性图和包裹状显著性图。

由于遍历所有可能的尺度来找到最适合凸显复杂对象的尺度是不可行的，因此我们研究如何从基于位置的显著性模型生成的草图状和包裹状显著性图中提取整个显著对象。利用这两种显著性图提取显著对象的思路源于它们的互补特性。草图状显著性图通常在定位显著对象时具有较高的精度，而包裹状显著性图则往往具有较高的召回率。

通过使用同一图像的这两种互补显著性图，我们可以得到两组像素，一组是可靠的前景像素，另一组是确定的背景像素。然后可以训练一个分类器，将其余像素识别为前景或背景。通过将复杂对象提取任务转化为一个更简单的分类问题，这种方法可以有效地解决完整性问题。具体来说，该方法包含以下三个主要步骤：
1. 计算互补显著性图；
2. 对前景和背景像素进行建模；
3. 对像素进行分类以提取显著对象。

在详细介绍这三个步骤之前，我们先给出两个定义：
假设显著对象的像素集表示为 $O$，如果 $O \subse