關(guān)于自底向上的顯著性方法的綜述-展示頁
2024-08-02 09:47本頁面
【正文】 數(shù)， 為像素點(diǎn)坐標(biāo) 。 ))(l og()( xpxI ??)(xpGBVS模型 ? GBVS（ GraphBased Visual Saliency）模型是在 Itti的模型基礎(chǔ)之上運(yùn)用馬爾可夫隨機(jī)場的特點(diǎn)構(gòu)建二維圖像的馬爾可夫鏈，通過求其平衡分布而得到顯著圖 ? 算法步驟： –特征的提?。号c Itti 算法類似 –顯著圖生成 ：馬爾可夫鏈方法 FTS模型 ? FTS（ FrequencyTuned Saliency）模型是由 Achanta等人提出的一種自底向上的顯著性檢測方法，通過局部顏色和亮度特征的對比多尺度方法求像素點(diǎn)顯著值。 ? AIM假設(shè)：一個(gè)視覺特征的顯著性就是該特征相對于它周圍其他特征提供的信息的差別度。 研究現(xiàn)狀 ? 顯著性檢測一般分為兩類 –自下而上基于數(shù)據(jù)驅(qū)動的顯著性區(qū)域突現(xiàn) –自上而下任務(wù)驅(qū)動的目標(biāo)突現(xiàn) ? 本報(bào)告只關(guān)注自下而上的顯著性檢測算法 研究現(xiàn)狀 ? Achanta 將這些算法分成三類 – 基于低層視覺特征，代表性算法是文獻(xiàn) [1]中提出的模擬生物體視覺注意機(jī)制的選擇性注意算法 (Itti 算法 ) – 沒有基于任何生物視覺原理的純數(shù)學(xué)計(jì)算方法，如Achanta 等 [4] 提出的全分辨率算法 (AC 算法 ) 和 Hou 等[5] 提出的基于空間頻域分析的剩余譜算法(Spectralresidual approach, SR) – 將前兩種進(jìn)行融合的方法，代表性算法是 Harel 等 [6] 提出的基于圖論的算法 (Graphbased visual saliency，GBVS) 研究現(xiàn)狀 ? Goferman將顯著性分析算法分成以下三類 –考慮局部特征的，如 Itti 算法和 GBVS 算法 –考慮整體性的，如 SR 算法和 Achanta 等 [3] 提出的算法 (IG 算法 ) –局部與整體結(jié)合的，如 Goferman等 [7]和 Liu 等提出的算法 算法模型介紹 Itti模型 ? Itti 模型中 , 顯著值是像素點(diǎn)在顏色、亮度、方向方面與周邊背景的對比值。如果能夠?qū)⑦@種機(jī)制引入圖像分析領(lǐng)域，將計(jì)算資源優(yōu)先分配給那些容易引起觀察者注意的區(qū)域，這樣必將極大的提高現(xiàn)有的圖像處理分析方法的工作效率。關(guān)于自底向上的顯著性方法的綜述 報(bào)告人：周靜波 2022年 08月 30日 報(bào)告提綱 一． 研究現(xiàn)狀 二． 算法模型介紹 三． 實(shí)驗(yàn)結(jié)果及分析 四． 結(jié)論 研究現(xiàn)狀 研究現(xiàn)狀 ? 基于視覺注意的顯著性區(qū)域檢測對于圖像分析過程有著非常重要的意義。注意是人類信息加工過程中的一項(xiàng)重要的心理調(diào)節(jié)機(jī)制，它能夠?qū)τ邢薜男畔⒓庸べY源進(jìn)行分配，使感知具備選擇能力。顯著性區(qū)域檢測正是在這個(gè)基礎(chǔ)上提出并發(fā)展起來的。該模型包括兩個(gè)步驟 : – 特征提取 –顯著圖生成 AIM模型 ? AIM（ Attentionbased on Information Maximization）模型利用香農(nóng)的自信息度量，將圖像的特征平面變換到對應(yīng)于視覺顯著性的維度上。 ? 根據(jù)香農(nóng)定理，圖像特征對應(yīng)的自信息通過下面的公式進(jìn)行計(jì)算 為特征的概率密度函數(shù)。 ? 將原始圖像由 SRGB顏色空間轉(zhuǎn)化成 CIE顏色空間，然后顯著性映射定義為 ? 其中 為圖像特征的幾何平均向量， 為對原始圖像的高斯模糊，采用 的二項(xiàng)式核。 hcIIyxS ?? ??),(?I hcI?55?2L yx,SR模型 ? SR（ Spectral Residual
職業(yè)教育相關(guān)推薦
鄂ICP備17016276號-1