您当前位置:深圳微智科技有限公司>公司新闻, 焦点关注> 自底向上的显著模型
自底向上的显著模型
发布时间: 2017-06-04      大小:  16px  14px  12px

由于这种局部的“中心一四周”对比度/差异能够很好地模拟人类视觉神经元感受野的生理特性,所以很多空域显著模型都采用了类似的显著度计算方法。例如, Gao等(2007)通过局部的互信息来计算图像显著度, 而 Hu等(2005a)通过计算中心宏块与四周宏块的纹理差异来获得图像显著度。除了上述视觉神经元感受野特性外, Meur等(2006)提出了一种基于多种人类视觉特性的视觉显著性分析模型,首先通过眼动实验观察并总结了视知觉系统的一系列特性,如视知觉系统对场景中心的观测偏好、 覆盖范围等, 并通过逐步模拟视知觉系统的特性来构建视觉显著模型 。 Kadir 等探讨了显著、 尺度以及内容描述之间的内在联系, 提出一种基于局部熵的多尺度算法来进行视觉显著性分析。

相对于上述提取局部突变的方法,一些自底向上的显著模型还考虑了空间上下文对显著的影响, 事实证明, 引入这些因素的影响比单纯地检测局部実变能更加有效地分析视觉显著。 例如, Parikh 等(2008)提出一种基于底层上下文的显著性分析方法, 他们首先将图像划分为宏块, 然后提取每块的平均颜色和 SIFT 点等特征以学习码本,最后,通过码字的共生特性来计算各块的显著度。 Harel等(2007)将图像表示为有向完全图,以进行视觉显著性分析,他们将节点定义为像素,然后通过计算任意两像素的差异获得边的权重,此后,他们通过随机游走的方法在图上寻找被访问次数较少的节点, 并赋予该节点对应像素较高的显著度 。 由于在随机游走过程中, 与图像中其他像素差异较大的像素被访问的频率将会比较低, 从而使得该方法能够很好地从全局角度来定位稀有对象。

上一篇:
下一篇: