结合超像素和直方图阈值的显著区域检测算法
图像分割及显著性区域检测算法与应用
图像分割及显著性区域检测算法与应用图像分割是计算机视觉领域中的一个重要任务，它旨在将一幅图像分成若干个不同的局部区域，使得每个区域内的像素具有相似的特征。
显著性区域检测是图像分割的一个子任务，它主要关注图像中最吸引人的部分，如物体、纹理等，并将其从背景中区分出来。
图像分割及显著性区域检测算法和应用在图像处理、计算机视觉、机器学习等领域具有广泛的应用价值。
图像分割算法有许多种，其中常用的包括基于阈值的分割、区域生长算法、基于边缘的分割等。
基于阈值的分割是最简单的方法，它将图像中的像素按照灰度值或颜色进行分类，像素值在一定范围内的像素划分为同一区域。
区域生长算法根据像素之间的相似性逐渐扩展区域，直到满足某一条件为止。
边缘分割算法则是基于图像边缘的梯度信息，通过检测图像中的边缘实现分割。
相比之下，显著性区域检测算法主要关注图像中最显著的部分，并通过计算显著性值来区分显著性区域和非显著性区域。
现有的显著性区域检测算法可以分为基于全局对比度的方法和基于局部对比度的方法。
基于全局对比度的方法基于图像的全局特征，如颜色、纹理等，在整个图像中寻找显著性区域。
而基于局部对比度的方法则基于图像的局部特征，在局部范围内计算像素的显著性值，再通过融合得到全局显著性图。
除了图像分割和显著性区域检测的基本算法外，这些算法还可以结合其他技术来改进性能。
例如，图像分割算法可以与机器学习方法结合，通过训练模型来提高分割的准确性和效率。
显著性区域检测算法可以与深度学习技术相结合，通过卷积神经网络等方法提取更准确的特征表示。
图像分割及显著性区域检测算法在许多应用中发挥着重要作用。
在医学影像分析中，图像分割可以帮助医生识别和定位病变区域，辅助诊断和治疗。
在自动驾驶领域，显著性区域检测可以帮助车辆识别和跟踪重要的交通目标，提高驾驶的安全性和效率。
在视频监控和安防领域，图像分割及显著性区域检测可以帮助识别异常行为和重要的目标，发现潜在的安全威胁。
显著区域检测算法综述
显著区域检测算法综述作者：景慧昀等来源：《智能计算机与应用》2014年第01期摘要：检测视觉上显著的区域对于很多计算机视觉应用都是非常有帮助的，例如：内容保持的图像缩放，自适应的图像压缩和图像分割。
显著区域检测成为视觉显著性检测领域的重要研究方向。
文中介绍了显著区域检测算法的研究现状并分析了典型的显著区域检测方法。
首先，将现有的显著区域检测算法进行了分类和分析。
然后，在一个包含1 000幅图像的公开数据集上对典型的显著区域检测算法进行了评测。
最后对现有的显著区域检测算法进行了总结并展望了下一步发展方向。
关键词：显著区域检测；视觉显著性检测；评测中图分类号：TP301 文献标识码：A文章编号：2095-2163（2014）01-0038-030引言人类可以快速准确地识别视觉场中的显著区域。
在机器上模拟人类的这种能力对于使机器能够像人类一样处理视觉内容是至关重要的。
在过去的几十年内，已有大量的显著性检测方法进入了公开发表。
这些方法中的大部分[1-4]都趋向于预测人眼视觉注视点。
然而这些人眼视觉注视点只是一些空间中的离散点，并不能准确地标识整个显著区域[5-6]。
近些年来，一些科研单位和研究人员已经开始密切关注于显著区域检测方法的构建工作，如洛桑联邦理工学院的Sabine Süsstrunk研究员，以色列理工学院的Ayellet Tal教授，微软亚洲研究院的研究人员，清华大学的胡世民教授等。
显著区域检测方法对以下领域发挥着重大的助益作用：图像分割[7]、物体检测[8]、内容保持的图像缩放[9]等。
本文将对显著区域检测算法的研究现状进行介绍，同时对典型的显著区域检测算法进行分析。
文章内容组织结构为：第2节对现有的显著区域检测算法进行了分类和分析；第3节对典型的显著区域检测算法进行了评测；最后在第4节给出了总结，并展望了下一步的研究工作。
1显著区域检测算法分类及分析感知方面的研究成果表明[10]：在低层视觉显著性中，对比度是最重要的影响因素。
图像显著区域检测方法
图像显著区域检测方法在当今的数字时代，图像信息无处不在。
无论是在医学影像、卫星图像、监控视频，还是在我们日常拍摄的照片中，图像都承载着丰富的信息。
然而，在处理和分析这些海量的图像数据时，我们往往并不需要关注整个图像的所有细节，而只对其中最引人注目的部分，也就是显著区域感兴趣。
图像显著区域检测就是一种能够帮助我们快速准确地定位这些关键区域的技术。
那么，什么是图像显著区域呢？简单来说，图像显著区域就是在一幅图像中，能够吸引人类视觉注意力的部分。
比如，在一张风景照片中，一片鲜艳的花海可能就是显著区域；在一张人物照片中，人物的面部通常会是显著区域。
这些显著区域往往具有一些独特的特征，如颜色鲜艳、对比度高、形状独特等。
接下来，让我们来了解一下一些常见的图像显著区域检测方法。
一种常用的方法是基于对比度的检测。
这种方法的基本思想是，显著区域与图像的其他部分相比，在某些特征上存在较大的差异。
比如，在颜色特征上，如果一个区域的颜色与周围区域的颜色差异很大，那么这个区域就可能是显著区域。
通过计算每个像素点与周围像素点在颜色、亮度等方面的差异，并将这些差异进行整合，就可以得到图像的显著区域。
另一种方法是基于频率域的检测。
图像在频率域中也有其独特的表现。
通过对图像进行傅里叶变换，将其转换到频率域中，然后分析频率域中的信息，可以发现显著区域往往在某些频率成分上具有较高的能量。
利用这一特点，可以实现显著区域的检测。
还有基于视觉注意力模型的方法。
人类的视觉注意力机制是一个非常复杂但又高效的系统。
研究人员通过对人类视觉注意力机制的研究，建立了相应的数学模型。
这些模型考虑了诸如视觉焦点、视觉扫描路径等因素，能够更接近人类视觉感知地检测出图像中的显著区域。
基于图论的方法也是一种有效的手段。
将图像看作一个图，其中像素点作为节点，像素点之间的关系作为边。
通过定义节点之间的权重和边的连接方式，利用图论中的算法来传播和计算显著值，从而确定显著区域。
显著性检测算法在图像处理中的应用
显著性检测算法在图像处理中的应用在现代社会中，图像处理技术得到了广泛的应用。
随着人工智能技术的发展，如何准确地检测出一张图片中的重要信息，成为了图像处理领域研究的重点之一。
本文将介绍显著性检测算法在图像处理中的应用。
一、显著性检测算法的概念显著性检测算法是一种自动分析图像的方法，旨在识别并提取图片中的重要信息。
它通过计算图像中每个像素的显著性值，即像素在整张图片中的重要程度，来确定哪些区域是最显著、最引人注意的。
目前常见的显著性检测算法主要有两种，一种是基于全局信息的算法，即通过计算整张图片的特征来识别显著区域；另一种是基于局部信息的算法，即通过计算每个像素周围区域的特征来识别显著区域。
根据不同的应用场景，我们可以选择不同的算法。
二、显著性检测算法在目标检测中的应用显著性检测在目标检测中有着广泛的应用。
在计算机视觉领域中，目标检测是一个基本的任务。
其核心思想是从一张图片中找出某个指定的目标物体，进而提高计算机处理图片的准确性。
在目标检测时，显著性检测算法可以帮助我们准确地识别出目标所在的区域，并将其与其他区域进行区分。
比如，在一个由多个物体组成的图片中，我们通过显著性检测算法可以很容易地判断出哪个物体是被观察者需要寻找的目标物体，从而实现准确的目标检测。
三、显著性检测算法在图像分割中的应用图像分割是图像处理领域中的一项基础任务，其目的是把一幅图片分成若干部分，以达到提取图片结构和元素的目的。
在图像分割时，显著性检测算法可以帮助我们准确地区分出每个区域的显著性，从而实现更加精准的分割。
根据不同的应用场景，我们可以采用不同的显著性检测算法来实现图像分割。
比如，在医疗图像分割中，通过对病灶进行显著性检测，可以帮助医生更加准确地进行病情诊断和治疗。
在自然场景的图像分割中，显著性检测算法可以帮助我们更好地识别出景观中的各个构成元素，进而提高图像的整体质量和观赏效果。
四、显著性检测算法在图像增强中的应用图像增强是一种常见的图像处理任务，旨在使图像更加美观，或者提高图像中某些细节的可见性。
显著区域检测算法综述
显著区域检测算法综述
景慧昀;韩琦;牛夏牧
【期刊名称】《智能计算机与应用》
【年(卷),期】2014(004)001
【摘要】检测视觉上显著的区域对于很多计算机视觉应用都是非常有帮助的,例如:内容保持的图像缩放,自适应的图像压缩和图像分割.显著区域检测成为视觉显著性检测领域的重要研究方向.文中介绍了显著区域检测算法的研究现状并分析了典型的显著区域检测方法.首先,将现有的显著区域检测算法进行了分类和分析.然后,在一个包含1 000幅图像的公开数据集上对典型的显著区域检测算法进行了评测.最后对现有的显著区域检测算法进行了总结并展望了下一步发展方向.
【总页数】3页(P38-39,44)
【作者】景慧昀;韩琦;牛夏牧
【作者单位】哈尔滨工业大学计算机科学与技术学院,哈尔滨150001;哈尔滨工业大学计算机科学与技术学院,哈尔滨150001;哈尔滨工业大学计算机科学与技术学院,哈尔滨150001
【正文语种】中文
【中图分类】TP301
【相关文献】
1.显著区域检测算法综述 [J], 景慧昀;韩琦;牛夏牧;
2.结合超像素和直方图阈值的显著区域检测算法 [J], 张晴;林家骏
3.基于边缘盒与低秩背景的图像显著区域检测算法 [J], 申瑞杰;张军朝;郝敬滨
4.基于聚类分割和特征点的显著区域检测算法 [J], 占善华;陈晓明
5.基于稀疏表示的图像显著区域检测算法 [J], 张巧荣
因版权原因，仅展示原文概要，查看原文内容请购买。
基于SLIC融合纹理和直方图的图像显著性检测
2019，55（3） 159
⦾图形图像处理⦾
基于 SLIC 融合纹理和直方图的图像显著性检测
丁 华，王晓东，章联军，陈晓爱，赖佩霞 宁波大学 信息科学与工程学院，浙江 宁波 315211
摘 要：针对基于颜色直方图的显著图无法突出边缘轮廓和纹理细节的问题，结合图像的颜色特征、空间位置特征、 纹理特征以及直方图，提出了一种基于 SLIC 融合纹理和直方图的图像显著性检测方法。该方法首先通过 SLIC 算 法对图像进行超像素分割，提取基于颜色和空间位置的显著图 ；然后分别提取基于颜色直方图的显著图和基于纹理 特征的显著图 ；最后将前两个阶段得到的显著图进行融合得到最终的显著图。此外，通过简单的阈值分割方法得到 图像中的显著性目标。实验结果表明，与经典显著性检测算法相比，提出的算法性能明显优于其他算法性能。 关键词：SLIC 算法 ；颜色特征 ；空间位置特征 ；纹理特征 ；直方图 ；显著性检测 文献标志码：A 中图分类号：TP391 doi：10.3778/j.issn.1002-8331.1807-0120
21获取基于slic超像素分割的显著图s1本文在对图像进行slic超像素分割之前先对图像做了一个预处理操作即均匀分割原始图像成矩形区域块然后将矩形区域的中心点作为超像素初始聚类中心通过初始化聚类中心来改进slic超像素分割算法因为这种初始化聚类中心的操作相对于随机选取初始聚类中心而言可以保证各个初始的聚类中心不会都落在同一个位置这样可以避免迭代次数过多以及生成冗余的聚类中心同时可以使生成的超像素数目不会太少以及生成超像素的速度不会太慢
基金项目：国家科技Байду номын сангаас撑计划基金（No.2012BAH67F01）；国家自然科学基金（No.U1301257）；浙江省自然科学基金（No.LY17F010005）。 作者简介：丁华（1990—），女，硕士研究生，研究领域为图像信号处理，E-mail：1697192494@；王晓东（1970—），男，教授，研
显著区域检测算法综述
结论
显著区域检测算法是计算机视觉领域的一个重要研究方向，其在目标检测、图 像分割、视觉注意机制、图像压缩等实际应用中具有重要意义。
谢谢观看
（2）实现算法的实时性。对于实际应用场景来说，算法的实时性往往比准确 性更为重要。因此，需要研究高效的算法实现，提高显著区域检测的速度。
（3）结合深度学习和其他技术。虽然基于深度学习的算法在显著区域检测中 已经取得了很好的效果，但仍然存在许多问题需要解决。未来可以尝试将深度 学习与其他技术（如传统图像处理技术、机器学习方法）相结合，形成更为强 大的显著区域检测方法。
2、各种算法的优缺点分析
各类显著区域检测算法都有其独特的优缺点。基于像素的算法实现简单、运算 速度快，但对于“鸡尾酒效应”的处理效果不佳；基于区域的算法能够更好地 考虑图像的整体信息，但容易出现“空洞”现象；基于边缘的算法对于边缘信 息的检测较为准确，但在处理复杂图像时性能往往会下降；基于聚类的算法具 有较好的鲁棒性，
近年来，随着深度学习技术的快速发展，基于深度学习的显著区域检测算法逐 渐成为研究热点。这类算法利用深度神经网络（DNN）来学习和提取图像中的 特征，如F-measure算法、基于深度学习的显著性检测（DeepLab）算法等。 基于深度学习的算法具有较高的准确性和鲁棒性，但对于计算资源和数据的要 求较高，实时性较差。
显著区域检测算法综述Biblioteka 01 引言03 结论
目录
02
显著区域检测算法综 述
引言
显著区域检测算法是计算机视觉领域的一个重要研究方向，旨在自动识别和提 取图像中的显著区域，即视觉上最突出、最引人注目的区域。这些算法在许多 实际应用中具有重要意义，如目标检测、图像分割、视觉注意机制、图像压缩 等。本次演示将系统地综述显著区域检测算法的研究现状、研究方法、研究成 果和不足，并探讨未来的研究方向和发展趋势。
图像处理中的显著性目标检测算法研究与性能分析
图像处理中的显著性目标检测算法研究与性能分析摘要：显著性目标检测是图像处理领域中一项重要的任务，其旨在确定图像中最具吸引力和重要性的区域。
在本文中，我们将研究和分析当前广泛使用的显著性目标检测算法，并评估它们的性能。
引言：显著性目标检测在计算机视觉和图像处理领域中具有广泛的应用。
它不仅可以用于自动图像分析和内容理解，还可以在广告推广、图像编辑和智能监控等方面发挥作用。
因此，许多研究人员致力于开发高效准确的显著性目标检测算法。
本文将研究和分析当前流行的显著性目标检测算法，并评估其性能。
一、经典显著性目标检测算法1.1 基于图论的算法基于图论的显著性目标检测算法主要通过建立图模型来捕捉图像的结构和内容信息。
该算法首先将图像转化为图结构，然后通过最小割或最大流的方式来计算显著性分数。
代表性的算法有Graph Cuts、Random Walks等。
1.2 基于频域分析的算法基于频域分析的显著性目标检测算法主要通过对频率信息进行分析来检测显著目标。
该算法通过在频域对图像进行处理，提取图像的频率特征，然后通过阈值或其他方法来获取显著性分数。
代表性的算法有Frequency-tuned等。
1.3 基于视觉注意力模型的算法基于视觉注意力模型的显著性目标检测算法主要通过模拟人类视觉系统的注意力机制来确定显著性目标。
该算法通过计算图像中每个像素的注意力值，然后根据注意力值来获取显著性分数。
代表性的算法有Itti等。
二、性能评估方法为了评估显著性目标检测算法的性能，需要使用一些客观且可重复的评估指标。
以下是常用的性能评估指标：2.1 Precision-Recall曲线Precision-Recall曲线能够直观地反映算法的性能。
通过改变阈值来计算不同的真阳性率和假阳性率，绘制出曲线并计算AUC值来评估算法准确性和召回率。
2.2 F-measure值F-measure是一种综合考虑准确率和召回率的指标。
它能够平衡算法的精度和召回率，计算方法为2PR/(P+R)，其中P为准确率，R为召回率。
图像超分辨率显著性检测方法研究与应用
图像超分辨率显著性检测方法研究与应用摘要：随着计算机视觉技术的不断发展和图像处理需求的增加，图像超分辨率显著性检测方法逐渐成为研究的热点。
本文将介绍图像超分辨率显著性检测的定义和意义，并对现有的方法进行综述。
此外，本文还将讨论图像超分辨率显著性检测方法的应用，并展望未来的研究方向。
1. 引言随着高清晰度（HD）和超高清晰度（UHD）技术逐渐普及，对于提升图像质量的需求越来越迫切。
然而，由于设备限制和拍摄条件限制，许多图像存在分辨率较低的问题。
因此，图像超分辨率显著性检测方法的研究变得非常重要。
2. 图像超分辨率显著性检测的定义和意义图像超分辨率显著性检测旨在识别和突出图像中的重要细节和结构信息，从而在超分辨率重建过程中提供准确的指导。
其意义在于通过增强图像中的显著性信息，使得超分辨率重建结果更加逼真和自然。
3. 图像超分辨率显著性检测方法综述目前，图像超分辨率显著性检测方法主要分为基于传统方法和深度学习方法两大类。
3.1 基于传统方法的图像超分辨率显著性检测方法基于传统方法的图像超分辨率显著性检测方法通常使用手工设计的特征和模型来揭示图像中的显著信息。
这些方法包括梯度方法、频域方法和基于边缘检测的方法等。
然而，由于这些方法依赖于人工设置的参数和特征提取方法，其性能受到限制。
3.2 基于深度学习方法的图像超分辨率显著性检测方法基于深度学习方法的图像超分辨率显著性检测方法利用深度神经网络从大量图像中自动学习到显著性信息。
这类方法通过训练数据和网络结构获取更准确和鲁棒的显著性信息，取得了较好的效果。
其中，卷积神经网络（CNN）和生成对抗网络（GAN）是最常用的深度学习方法。
4. 图像超分辨率显著性检测方法的应用图像超分辨率显著性检测方法在许多领域中具有广泛的应用。
4.1 超分辨率重建图像超分辨率显著性检测方法可作为超分辨率重建方法的先验知识，提供准确的重建指导，从而提升重建图像的质量。
4.2 视频压缩和传输在视频压缩和传输中，图像超分辨率显著性检测方法可以用于优化压缩算法，减小存储和传输的开销。
结合显著性检测和超像素分割的遥感信息提取算法研究
基于超像素的显著性目标检测算法改进
基于超像素的显著性目标检测算法改进超像素是指在图像中将相邻像素按照一定规则进行分组，形成具有一定空间连续性的像素块。
在图像处理领域，超像素通过减少像素数量并保留图像中的重要结构信息，可以有效提高诸如显著性目标检测等计算机视觉任务的性能。
本文将讨论基于超像素的显著性目标检测算法改进的方法和技术。
显著性目标检测是计算机视觉中一个重要的任务，该任务旨在自动地从图像中准确地检测出显著性目标。
目前广泛应用的基于超像素的显著性目标检测算法通常包含以下几个步骤：超像素分割、显著性计算和二值化分割。
在超像素分割步骤中，图像被划分为多个超像素，以减少计算量并保留图像的结构信息。
在显著性计算步骤中，每个超像素被赋予一个表示其显著性的值，该值可用于衡量超像素相对于其周围区域的显著性程度。
最后，在二值化分割步骤中，基于显著性值，将图像分割为显著和非显著两个区域。
然而，现有的基于超像素的显著性目标检测算法仍然存在一些问题。
首先，超像素分割的质量对显著性检测的准确性有着很大的影响。
不同的超像素分割算法可能导致不同的分割质量，进而影响到显著性计算的结果。
其次，现有算法在显著性计算方面存在一定的不足，往往无法准确地捕捉图像中显著性目标的特征。
此外，二值化分割阶段的阈值选择也是一个有待解决的问题，往往需要手动调整。
针对以上问题，我们提出了几种改进基于超像素的显著性目标检测算法的方法。
首先，我们可以采用更先进的超像素分割算法，以提高分割的准确性。
近年来，一些基于深度学习的超像素分割算法取得了较好的效果，可以尝试将它们应用于显著性目标检测。
其次，我们可以引入更多的特征来计算超像素的显著性值。
例如，可以利用卷积神经网络提取图像的语义特征，并将其应用于显著性计算。
这样可以提高显著性计算的准确性和鲁棒性。
最后，在二值化阶段，可以使用自适应的方法选择合适的阈值，减少人工干预。
此外，为了进一步提高基于超像素的显著性目标检测算法的性能，还可以考虑以下几个方面的改进。
histogram-based contrast显著值检测算法
histogram-based contrast显著值检测算法
直方图基于对比度检测算法（histogram-based contrast-detection algorithm）是一种用于检测图像中显著值的方法。
该算法基于图像的直方图分布来计算图像的对比度，并根据对比度的值来确定图像的显著值。
该算法的步骤如下：1. 将图像划分为若干个重叠的区域或块。
2. 对每个区域或块进行直方图均衡化，以增强图像中的对比度。
3. 计算每个区域或块的对比度值，可以使用像素值的标准差来表示对比度。
4. 根据对比度值设置一个阈值，超过阈值的区域或块被认为是显著的区域。
5. 根据显著区域的位置和大小来生成显著图像。
直方图基于对比度检测算法通过增强图像中的对比度，突出了图像中的显著细节和区域。
它可以应用于图像分割、目标检测和显著性区域提取等计算机视觉任务中。
简单背景先验下的显著性目标检测算法
简单背景先验下的显著性目标检测算法目标检测是计算机视觉领域中重要的问题之一，其目标是识别一张图像中的目标物体并定位其位置。
在目标检测中，显著性目标检测算法是一种基于显著性特征的目标检测方法。
简单背景先验是一种常见的显著性特征，其基本假设是目标物体通常比背景物体更显著。
在生成显著图的步骤中，算法首先使用图像边缘信息提取显著性特征。
一种常见的方法是使用Canny算子进行边缘检测，生成图像的边缘图。
然后，算法使用边缘图和图像的颜色信息计算像素的显著度。
一种常见的方法是将边缘图和颜色信息加权相加，得到像素的显著度图。
最后，算法对显著度图进行归一化处理，得到0到1之间的显著图。
在目标检测的步骤中，算法利用生成的显著图进行目标检测。
一种常见的方法是使用阈值，将显著图中显著度超过阈值的像素作为目标物体的候选区域。
然后，算法使用形态学操作对候选区域进行形态学处理，进一步提取目标物体的轮廓。
最后，算法对提取的轮廓进行后处理，去除不符合目标特征的轮廓，得到最终的目标检测结果。
简单背景先验下的显著性目标检测算法具有简单且高效的优势。
由于简单背景先验的假设，该算法能够快速生成显著图，从而加速目标检测过程。
此外，该算法还能够通过调整阈值来控制目标检测的精度和召回率。
然而，简单背景先验下的显著性目标检测算法也存在一些挑战和不足之处。
首先，由于简单背景先验的假设过于简化，该算法在面对复杂背景和目标场景时表现欠佳。
其次，该算法对光照变化和噪声敏感，容易受到图像质量的影响。
此外，该算法在目标物体与背景物体颜色相似或具有相似纹理的情况下容易出现误检。
总之，简单背景先验下的显著性目标检测算法是一种简单且高效的目标检测方法。
随着计算机视觉技术的不断发展，该算法还需要进一步改进和完善，以提高目标检测的精度和鲁棒性。
基于MATLAB的直方图和区域对比度相结合的图像显著性检测
基于MATLAB的直方图和区域对比度相结合的图像显著性检测马朋【摘要】在分析现有显著性检测模型的基础上,采用直方图和区域对比度相结合的方法对彩色图像进行显著性值计算.基于颜色直方图得到原彩色图像的显著图,使用聚类方法将图像分割成不同的区域,计算区域之间的相似性,把区域中心间的欧氏距离作为区域之间的空间权值,计算得到原彩色图像的另一显著图.为两幅显著图分配和为1的权值,相加得到最终的显著图.结果表明,此方法获得的显著区域比较符合人眼视觉效果.【期刊名称】《江汉大学学报（自然科学版）》【年(卷),期】2017(045)001【总页数】6页(P62-67)【关键词】显著性;全局对比度;显著图;MATLAB【作者】马朋【作者单位】华中科技大学生命科学与技术学院,湖北武汉 430074【正文语种】中文【中图分类】TP391.4信息时代涌现的高新技术产品深刻地改变着大众的生活方式，诸如电脑、手机、平板、数码相机等电子产品在丰富生活的同时也产生了大量的图像视频。
海量化的图像在网络上被广泛传播与使用，这不仅耗费了大量的存储资源，还增加了计算机的处理难度。
实验研究表明：当观察一幅图像时，人们的注意力往往有侧重点，那些在形状、亮度等特征上和周围环境存在明显差异的区域会被凸显出来，捕获人们的注意力。
人类这种只对图像中感兴趣的部分做处理，而摒弃其他不重要部分的机制被称为选择注意机制。
如果计算机对图像处理时也能够像人类的视觉注意机制一样，根据目标区域的显著性来分配计算资源，将大大提高图像的处理效率，得到更加精确合理的结果。
计算显著性值的方法有多种，按照算法基础大致可以归为4类，分别是基于生物学、基于信息论、基于对比度和基于频域。
若按照实现原理进行划分，又大致可以分为3种，分别是基于生物学原理、基于纯数学计算模型以及前两种方法的结合。
受到生物学的启发，1998年，ITTI等［1］提出了IT模型，该模型综合考虑了图像的颜色、纹理、亮度等特征，使用跨尺度中心-周边算子模型来提取显著区域，获得的显著图结果与人类视觉感知机制相似。
结合超像素和直方图阈值的显著区域检测算法
结合超像素和直方图阈值的显著区域检测算法张晴;林家骏【期刊名称】《计算机工程与应用》【年(卷),期】2015(000)020【摘要】由于现有显著性检测算法得到的显著图内容差异较大，因此设计一种具有普遍适用性的显著区域检测算法以依据不同稀疏度的显著图进行高效率的检测仍是一个具有挑战性的问题。
提出结合超像素分割方法和直方图阈值化分割方法以在不同的显著图上进行显著区域检测并提高检测效率。
利用超像素分割方法对原图像进行分割计算，计算每个超像素的平均显著度值，并用该平均值取代超像素内每个像素的原像素值更新显著图，利用新显著图的直方图将显著图二值化以确定显著目标，利用一覆盖显著目标的最小矩形区域表示检测得到的显著区域。
实验结果表明，在不同的显著图上，所提算法能有效检测显著区域，在检测效果的客观度量指标和时间性能指标上均优于现有算法。
%The saliency maps achieved by different saliency algorithms are obviously different, so a salient region detec-tion algorithm with good performance which can be applied to different saliency maps is necessary. This paper proposes a novel algorithm based upon the superpixel segmentation and histogram threshold to enhancethe algorithm efficiency. The proposed algorithm uses superpixel algorithm for segmenting image, computes each pixel’s average saliency of each seg-mented region according to the saliency map, then utilizes the histogram technique to obtain the binary map which indi-cates the salient object, and obtains the salient region using a minimum rectangularwindow which covers the salient object. Experimental results show that compared to the current schemes the presented approach can detect the salient region in a better way and has a good performance of precision, recall, F-measure and computational efficiency.【总页数】6页(P22-27)【作者】张晴;林家骏【作者单位】上海应用技术学院计算机科学与信息工程学院，上海 201418;华东理工大学自动化研究所，上海 200237【正文语种】中文【中图分类】TP391【相关文献】1.基于双阈值灰度直方图的场景切换检测算法及实现 [J], 陆思烨;李鸿燕;孙健昊;宋泽;曹宇2.基于超像素和游程直方图的对比度修改检测算法 [J], 高铁杠;杨亮;宣妍;佟静3.超像素和阈值分割相结合的显著目标检测算法 [J], 张晴;林家骏4.基于双层超像素对比度融合的显著区域检测 [J], 吴清;商常青;石陆魁;连翠叶5.基于超像素融合算法的显著区域检测 [J], 王海罗;汪渤;周志强;李笋;踪华因版权原因，仅展示原文概要，查看原文内容请购买。
一种多尺度超像素显著性检测算法
一种多尺度超像素显著性检测算法
王刚;王晓东;陈超;汪朝林
【期刊名称】《计算机工程》
【年(卷),期】2016(042)007
【摘要】针对采用区域间对比度检测图像显著性带来的涂抹效应的不足,提出一种超像素显著性检测算法.采用简单的线性迭代聚类超像素分割方法将图像分割成大小不同的区域.根据区域间对比度检测图像显著性区域,运用自适应中心环绕对不同分割尺度的显著图进行处理,消除显著图的涂抹效应,通过多尺度融合得到最终显著图.在数据集MSRA-1000上对该算法进行验证,结果表明,相比SEG,MSS等算法,该算法具有更高的查准率与召回率.
【总页数】5页(P257-260,266)
【作者】王刚;王晓东;陈超;汪朝林
【作者单位】宁波大学信息科学与工程学院,浙江宁波315211;宁波大学信息科学与工程学院,浙江宁波315211;宁波大学信息科学与工程学院,浙江宁波315211;宁波大学信息科学与工程学院,浙江宁波315211
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于超像素时空显著性的运动目标检测算法 [J], 云红全;徐力;孙骁;明德烈;鞠雯
2.基于多尺度下凸包改进的贝叶斯模型显著性检测算法 [J], 鲁文超;段先华;徐丹;
王万耀
3.基于超像素一致显著性的视频运动目标检测算法 [J], 于洪洋; 王晓曼; 崔循; 景文博; 董猛
4.超像素内容感知先验的多尺度贝叶斯显著性检测方法 [J], 张荣国;贾玉闪;胡静;刘小君;李晓明
5.基于双层多尺度神经网络的显著性对象检测算法 [J], 李鑫;陈雷霆;蔡洪斌;李建平;杨帆
因版权原因，仅展示原文概要，查看原文内容请购买。