Global Contrast based Salient Region Detection

摘要

可靠的视觉显著性估计可以在不事先知道图像内容的情况下对图像进行适当的处理，因此在许多计算机视觉任务(包括图像分割、对象识别和自适应压缩)中仍然是一个重要的步骤。提出了一种基于区域对比的显著性提取算法，该算法可以同时评价全局对比差异和空间相干性。该算法简单、有效，并能生成全分辨率的显著性映射。我们的算法始终优于现有的显著性检测方法，在使用最大的公共可用数据集之一进行评估时，产生更高的精度和更好的召回率。我们还演示了如何提取的显著性地图可以用来创建后续图像处理的高质量分割掩码。

引言

人类通常毫不费力地判断图像区域的重要性，并将注意力集中在重要的部分。通过计算检测这些突出的图像区域仍然是一个重要的目标，因为它允许在后续的图像分析和合成中优先分配计算资源。提取的显著性图被广泛应用于许多计算机视觉应用，包括兴趣目标图像分割、目标识别等，图像自适应压缩，内容感知图像编辑，图像检索。
显著性来源于视觉的唯一性、不可预测性、稀有性或惊奇，通常归因于图像属性的变化，如颜色、梯度、边缘和边界。视觉显著性与我们如何感知和处理视觉刺激密切相关，它被认知心理学、神经生物学和计算机视觉等多个学科研究。人类注意力理论假设，人类的视觉系统只详细处理图像的一部分，而几乎不处理其他部分。Treisman和Gelade， Koch和Ullman的早期研究提出视觉注意的两个阶段：快速、前置、自底向上、数据驱动的显著性提取；更慢，任务依赖，自上而下，目标驱动的显著性提取。
我们重点研究了基于图像对比度的自底向上数据驱动的显著性检测。人们普遍认为，人类皮层细胞在接受区中可能天生就对高对比度刺激有选择性反应。我们提出了基于以下观察提取高分辨率全域显著性地图的对比分析。

• 基于全局对比度的方法可以将大尺度物体与其周围环境分离，比基于局部对比度的方法更能在物体边缘或附近产生高的显著性值。
• 全局考虑可以为相似的图像区域分配显著性值，并且可以一致地突出显示整个对象。
• 一个区域的显著性主要取决于它与邻近地区的对比，而与遥远地区的对比则不那么显著。
• 显著性映射应该是快速和容易生成的，以允许处理大型图像集合，并促进有效的图像分类和检索。

我们提出一种基于直方图的对比方法(HC)来测量显著性。