點擊上方藍字關注我們

星標或者置頂【OpenCV學堂】

干貨與教程第一時間送達！

顯著性檢測概念

顯著性就是可以快速引起你注意的對象或者物體，在圖像或者視頻中顯著性檢測的結果往往是圖像或者視頻中對象，在神經學科中顯著性檢測被描述為注意力機制，目的是聚焦或者縮小看到的對象場景重要部分，顯著性檢測可以自動處理圖像中對象表示。顯著性檢測可以讓對象檢測，圖像分割等算法更加聰明與高效的工作。

算法思想

作者認為生物皮層對圖像對比度比較敏感，通過圖像對比度可以實現圖像顯著性特征提取，提出了兩種基于全局對比度的顯著性檢測方法

• 基于直方圖的對比度方法(histogram-based contrast 簡稱HC)

• 基于區域的對比度方法(region-based contrast 簡稱RC)

HC詳解

HC的顯著性圖生成主要是基于輸入圖像的顏色值直方圖分布，生成像素級別的顯著性值，每個像素點的顯著性值是它跟剩下全部圖像像素點的對比度之間的度量，度量公式為：

?為12，對Lab色彩空間只在L上計算，但是這種做法有很大的弊端，就是顏色的區分度下降，色彩空間多維度信息沒有有效利用，所以一般會對Lab色彩空間的三個維度同時量化生成 顏色值，然后再根據頻次優化出現的顏色值范圍。確保這些顏色值可以覆蓋95%以上的像素點。

盡管我們可以通過建立直方圖使用色彩空間量化的方法加速全局對比度的計算，但是量化色彩空間本身就是人為的，有可能把相似的顏色量化成不同的值，為了減少這種現象導致顯著性噪聲出現，所以對得到顯著性值最后完成一個模糊操作，這種模糊操作選擇線性模型，距離當前顯著性值最近的有最大權重值：

RC詳解

除了對比度之外，區域與空間關系在顯著性檢測中也扮演重要作用，高對比鄰近周圍通常是顯著性區域一個很強的證據，HC是計算像素級別的顯著性值，計算開銷比較大，基于區域對比度分析的顯著性檢測通過定義每個區域與其他區域的相似度權重得到區域顯著性值，完成顯著性檢測。RC做法需要首先生成區域，作者在論文中通過基于圖的圖像分割得到很多圖像區域，對一個區域計算顯著性值：

實驗與應用

實驗結果

各種不同的圖像顯著性檢測對比

顯然HC與RC的效果比較好，在相同數據集上對不同顯著性測試得到召回率：

應用：

作者給出了兩個應用場景，一個是基于圖像顯著性檢測的閾值化分割，另外一個基于顯著性的圖像語義分割。

往期精選

• 線性卷積積分及其在圖像增強和特效方面應用

• OpenVINO車牌識別網絡詳解

• 詳解OpenCV卷積濾波之邊緣處理與錨定輸出

百舸爭流，奮楫者先

千帆竟發，勇進者勝

【掃碼關注我們】

總結

以上是生活随笔為你收集整理的matlab 图像显著性检测ft_全局对比度的图像显著性检测算法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。