显著区域检测算法综述.docVIP

显著区域检测算法综述 　　摘要：检测视觉上显著的区域对于很多计算机视觉应用都是非常有帮助的，例如：内容保持的图像缩放，自适应的图像压缩和图像分割。显著区域检测成为视觉显著性检测领域的重要研究方向。文中介绍了显著区域检测算法的研究现状并分析了典型的显著区域检测方法。首先，将现有的显著区域检测算法进行了分类和分析。然后，在一个包含1 000幅图像的公开数据集上对典型的显著区域检测算法进行了评测。最后对现有的显著区域检测算法进行了总结并展望了下一步发展方向。 　　关键词：显著区域检测； 视觉显著性检测； 评测 　　中图分类号：TP301 文献标识码：A文章编号：2095-2163（2014）01-0038-03 　　0引言 　　人类可以快速准确地识别视觉场中的显著区域。在机器上模拟人类的这种能力对于使机器能够像人类一样处理视觉内容是至关重要的。在过去的几十年内，已有大量的显著性检测方法进入了公开发表。这些方法中的大部分[1-4]都趋向于预测人眼视觉注视点。然而这些人眼视觉注视点只是一些空间中的离散点，并不能准确地标识整个显著区域[5-6]。 　　近些年来，一些科研单位和研究人员已经开始密切关注于显著区域检测方法的构建工作，如洛桑联邦理工学院的Sabine Süsstrunk研究员，以色列理工学院的Ayellet Tal教授，微软亚洲研究院的研究人员，清华大学的胡世民教授等。显著区域检测方法对以下领域发挥着重大的助益作用：图像分割[7]、物体检测[8]、内容保持的图像缩放[9]等。本文将对显著区域检测算法的研究现状进行介绍，同时对典型的显著区域检测算法进行分析。 　　文章内容组织结构为：第2节对现有的显著区域检测算法进行了分类和分析；第3节对典型的显著区域检测算法进行了评测；最后在第4节给出了总结，并展望了下一步的研究工作。 　　1显著区域检测算法分类及分析 　　感知方面的研究成果表明[10]：在低层视觉显著性中，对比度是最重要的影响因素。现有的显著区域检测算法通过计算每个图像子区域同其一定范围内的相邻区域的对比度来度量该图像子区域的显著性。而依据用于计算对比度的相邻区域空间范围的不同，现有的显著区域检测算法可分为两类：基于局部对比的算法[6，11-12]和基于全局对比的算法[13-18]。下面分别对其探讨如下。 　　1.1基于局部对比的显著区域检测算法 　　基于局部对比的显著区域检测算法通过计算每个图像子区域或像素同其周围一个小的局部领域的对比度来度量该图像子区域或像素的显著性。Ma等人[11]提出了一种基于局部对比和模糊生长的显著区域检测算法。该方法首先对输入图像进行均值滤波和降采样。然后，该方法对新产生的低分辨率图像中的每个像素计算其与周围N个像素的LUV颜色向量的欧几里得距离之和， 并将此值作为该像素的显著值。为了从产生的显著图中提取显著区域，Ma等人[11]运用模糊生长（fuzzy growing）的方法提取显著区域。Liu等人[6]为了更加准确地检测显著区域，提出了一系列新的局部区域和全局特征用于计算显著性。这些特征包括：多尺度对比，中心-周围直方图和颜色空间分布。该方法通过学习一个条件随机场来高效地结合上述这些特征用于检测显著区域。由上可知，因为只是通过局部对比来检测显著区域，所以基于局部对比的方法趋向于关注边缘周围的区域，而不会突出整个显著区域（在生成的显著图中即表现为边缘周围的区域具有高的显著值，而显著区域内部的显著值则较低）。这个问题可以称其为“不一致突出显著区域”问题。 　　1.2基于全局对比的显著区域检测算法 　　基于全局对比的显著区域检测算法将整幅图像作为对比区域来计算每个图像子区域或像素的显著值。Achanta 等人[13]从频率域角度出发，首次提出了一种基于全局对比的显著区域检测的方法。该方法将经过高斯低通滤波图像中的每个像素值和整幅图像的平均像素值之间的欧几里得距离作为该点的显著值。该方法非常简单，时间消耗非常低，且实验结果在查准率-差全率方面的效果也堪称优良。该方法使得显著区域检测向实用化的方向更前进了一步。然而Achanta 等人提出的方法[13]在以下两种情况下会失效： 　　（1）显著区域的颜色占图像中的大部分，通过方法[11]计算后，背景会具有更高的显著值； 　　（2）背景中含有少量突出的颜色，这样背景中的这部分颜色的显著值也会非常高。第1期景慧昀，等：显著区域检测算法综述智能计算机与应用第4卷 　　针对以上缺陷，作者又在文章[18]中将此方法完成了进一步的改进。作者发现检测显著区域边缘和检测显著区域中心所需要的图像频段是不同的，由此而依据像素点越在图像中心越可能接近区域中心这样一个假设，来调整均值滤波的带宽，使得位于显著区域不同位置的像素点则有不同的均值滤波带宽