5  实验与分析 17

结论  21

参考文献 22 

1  绪论

1.1  视觉显著性检测研究及其意义

视觉显著性检测研究是计算机视觉领域中一直存在的问题。它的主要目的是找到图像中最吸引人类视觉注意的像素或者区域。

人的视觉系统对外界的视觉感知分为两个阶段：一个是快速的、自下而上的、显著性驱动的论文网、任务无关的阶段。另一个是慢速的、自下而上的、意识驱动的、任务相关的阶段。人类自身的视觉显著目标检测行为的存在其实就是为了完成第二个阶段的任务的。在计算机中，我们可以通过图像的显著性区域检测方法来提取图像中显著的、吸引人注意的信息，这与人类视觉自主的显著性检测的行为是相对应的。图像显著性区域检测的最终目的也是为了得到一幅高质量的显著图，并且能快速准确地从显著图中获取到显著的信息。

准确的可靠的显著性检测可以有益于众多与视觉相关的图形图像处理的任务。例如，成功的显著性检测算法有利于图像分割 、目标检测 ，图像和视频压缩 等。

现有的显著性检测方法大体可以按以下分类，自上而下的与自下而上的，中心鲜艳的与背景鲜艳的，有深度线索的和无深度线索的等等。在此只讨论与本文的算法最相关这几个。

自上而下和自下而上的方法：自上而下的方法 通常使用通过机器学习得到的视觉知识进行显著性检测。这一类方法需要运用大量的注释图像来进行训练学习，并且能在某些特定的显著性检测任务中表现得非常高效，例如，人类活动识别 等。而自下而上的方法则不需要进行训练，它们是依靠底层的特征——如色彩的对比 ，像素的位置，直方图等——进行显著性检测。本文所介绍的方法属于添加了一个额外的与Focusness相关的线索的自下而上的显著性检测方法。

中心鲜艳与背景鲜艳：许多显著性检测方法都会利用到对比度线索，所谓的对比线索就是说显著性对象在特定的范围内会表现出相对高的对比度。Koch和ITTI 是最早使用底层特性中的中心环绕对比度来进行检测显著性的。受他们的工作的启发，许多现有的方法也计算局部的对比度或全局的中心环绕对比度。而局部方法通过使用色差，边缘取向，或曲率来计算像素的小邻域内的对比度。全局方法则考虑整个图像的统计，并依赖于颜色直方图，元素分布等特征。

虽然中心环绕的方法被证明是非常有效的，但Wei 等人提出背景鲜艳也同样很重要。事实上，连通性一直是背景的一个很重要的特征，人们可以通过使用基于图的排序方法来度量背景的相似性从而可以消除背景，这样就能显著地改善前景的检测。但由于大多数的方法都依赖于颜色对比度，当前景和背景有类似的颜色时，这些方法就很容易地失败了。本文通过色彩的对比，背景鲜艳，和针对光场得到的不同深度层的Focusness鲜艳就很好地解决了以上这个问题。

深度线索：最近对人类感知的研究 已经表明，深度线索在显著性区域检测中的确定起着重要的作用，尽管如此，迄今为止也只有少数的显著性检测模型将深度图纳入到其模型中。刘剑等人 利用深度线索进行了人体运动的检测，其深度特性是高度依赖于任务的，并且是在一个自上而下的方式中进行检测的。而Niu等人 则是在一对立体图像的全局差异对比的基础上计算显著性的。ciptadi等人 利用了的是深度图的三维布局和形状特征。本文的方法利用焦点图像中附带的粗糙的深度信息来引导显著性检测。

1.2  视觉显著性检测国内外研究现状 基于光场相机的显著性检测方法研究(2):http://www.751com.cn/jisuanji/lunwen_52053.html