济南网络公司:站点视觉显著性描述和检测模型

文章作者:zhuobo 发布时间:2021-07-31 09:13:53 浏览次数:0

  济南网络公司讲解站点视觉显著性描述和检测模式。显著性检测技术在计算机视觉领域的各个方向,如目标检测,图像分割,以及图像和视频压缩,已经被广泛地用于获得显著的区域。它的显示结果是一张用于描述源图像中各个位置相对于其周围的“显著”程度的灰度图,也就是显著的。

济南网络公司

  总的来说,视觉显著性检测方法可分为两大类,分别是自下而上数据驱动的显著性提取和自上而下任务驱动的显著性提取。由于自上而下的显著特征提取是根据具体任务来建立的,因此,理论和应用都有一定的局限性,本文着重介绍了自底向上数据驱动的显著提取类型。与此同时,目前显著性检测领域的大多数研究成果都是研究由底层特征驱动的自下而上的计算模型。以下是关于视觉显著性检测模型的发展历程的简单梳理。

  Niebur等人提出了第一个具有实际意义的视觉显著性检测算法,而具有划时代意义的视觉显著性检测模型是由美国加州理工学院 Christof Koch教授和美国南加州大学 Laurent Itti副教授二人于1998年合作提出,对输入图像分布计算得到亮度、颜色和方向3个通道的高斯金字塔,并于1998年合作提出了一种具有实际意义的视觉显著性图象分布计算结果。GBVS是基于图论获取显著性的,提取过程类似于 Itti等人模型,但在生成显著图时, Markov链被引入,并利用图的模型计算中心周边差,再用纯数字计算获得显著性。

  DISK算法是利用广义高斯概率密度函数来估计样本方差和峰度估计,然后计算中心周围中心的信息。通常,基于中心周边差的显著性检测算法考虑局部特征的对比,通常采用多尺度而非单一尺度的对比算法来获得更好的显著性图,但是多尺度算法的计算量较大,且由于频繁使用邻接插值而使图的分辨率降低,在一定程度上丢失了目标边缘信息;

  SR算法和 IG算法等基于图像空间频域分析的显著性检测算法也都是自底向上的显著性检测经常采用的代表性算法,它们具有运算速度较快的优点,但在显著图计算显著区域的显著度较低,不能很好地突出最显著的位置;

济南网络公司

  济南网络公司认为SR算法没有考虑颜色特征,也没有保存足够多的高频信息,使显著图中显著区域的边界不够清晰。显著性建模在上个世纪80年代就被提出,但直到最近几年才出现许多新的显著建模思想,并逐渐成为一个研究热点

  。


版权声明:文章来源于www.zboec.com/qzyh/596.html,转载请注明出处!