关于自底向上的显着性方法的综述报告人：周静波2012年08月30日.PPT

SDSR模型 PBS模型 给定图像片 和 ，它们之间的不一致性为： 其中， 为绝对值函数。 PBS模型 图像片 的显著性计算方法为： 其中 为图像片总数。 实验结果与分析 实验结果与分析 我们在Achanta等人提供的公开测试数据集上面测试了上述所有方法。据我们所知，此数据集是此类数据最大的测试集，并且有人工精确标注了显著性区域。 将所有方法都在1000张图片上进行计算得到显著图。 实验结果与分析 实验结果与分析 实验结果与分析 实验结果与分析 根据不同模型中提到的方法对显著图进行二值化，并且与实际分割图进行比较，得到查准率(precision)和查全率(recall)以及F三个指标值。 其中，我们设置 ，得到的查准率(precision)和查全率(recall)以及F指标如表1所示 实验结果与分析 算法/指标 precision recall F-measure Itti 0.62 0.23 0.45 AIM 0.81 0.64 0.76 GBVS 0.84 0.63 0.78 FTS 0.88 0.77 0.85 SR 0.71 0.28 0.52 PQFT 0.75 0.33 0.58 SDSR 0.83 0.71 0.8 SUN 0.78 0.72 0.76 GCS（RC） 0.9 0.9 0.9 PBS 0.88 0.81 0.86 结束语 结束语 从上述10类自底向上的显著性检测模型中，所有算法都容易受到背景中噪声的影响。这是因为，自底向上的算法采用的特征都是一些底层的特征，如颜色，亮度，方向和空间位置信息。在未来工作中，我们希望能够研究包含空间关系且保留详细细节的全局显著性图像的高效计算算法，并且希望研究能够处理具有复杂纹理背景图像的检测算法 另外，我们还希望在显著性检测过程中增加一些特征，比如人脸，对称性等，进一步增加检测算法的鲁棒性. 谢谢！ 报告人：姓 名 2009年XX月XX日 关于自底向上的显著性方法的综述 报告人：周静波 2012年08月30日 报告提纲 研究现状 算法模型介绍 实验结果及分析 结论 研究现状 研究现状 基于视觉注意的显著性区域检测对于图像分析过程有着非常重要的意义。注意是人类信息加工过程中的一项重要的心理调节机制，它能够对有限的信息加工资源进行分配，使感知具备选择能力。如果能够将这种机制引入图像分析领域，将计算资源优先分配给那些容易引起观察者注意的区域，这样必将极大的提高现有的图像处理分析方法的工作效率。显著性区域检测正是在这个基础上提出并发展起来的。 研究现状 显著性检测一般分为两类 自下而上基于数据驱动的显著性区域突现 自上而下任务驱动的目标突现 本报告只关注自下而上的显著性检测算法 研究现状 Achanta 将这些算法分成三类 基于低层视觉特征，代表性算法是文献[1]中提出的模拟生物体视觉注意机制的选择性注意算法(Itti 算法) 没有基于任何生物视觉原理的纯数学计算方法，如Achanta 等[4] 提出的全分辨率算法(AC 算法) 和Hou 等[5] 提出的基于空间频域分析的剩余谱算法(Spectralresidual approach, SR) 将前两种进行融合的方法，代表性算法是Harel 等[6] 提出的基于图论的算法(Graph-based visual saliency，GBVS) 研究现状 Goferman将显著性分析算法分成以下三类 考虑局部特征的，如Itti 算法和GBVS 算法 考虑整体性的，如SR 算法和Achanta 等[3] 提出的算法(IG 算法) 局部与整体结合的，如Goferman等[7]和Liu 等提出的算法 算法模型介绍 Itti模型 Itti 模型中, 显著值是像素点在颜色、亮度、方向方面与周边背景的对比值。该模型包括两个步骤: 特征提取 显著图生成 AIM模型 AIM（Attention-based on Information Maximization）模型利用香农的自信息度量，将图像的特征平面变换到对应于视觉显著性的维度上。 AIM假设：一个视觉特征的显著性就是该特征相对于它周围其他特征提供的信息的差别度。 根据香农定理，图像特征对应的自信息通过下面的公式进行计算 为特征的概率密度函数。 GBVS模型 GBVS（Graph-Based Visual Saliency）模型是在Itti的模型基础之上运用马尔可夫随机场的特点构建二维图像的马尔可夫链，通过求其平衡分布而得到显著图 算法步骤： 特征的提取：与Itti 算法类似 显著图生成 ：马尔可