显著性检测基础知识

视觉注意机制分为两个阶段：
一个是快速的、下意识的、自底向上、数据驱动的阶段；
一个是慢速的、任务依赖的、自顶向下、目标驱动的阶段。

显著性检测：
基于层次：多尺度的图像处理聚集起来成为最后的显著性映射；
基于频谱：把图像分解成Fourier或者Gabor频谱，选择重要的频谱系数；
基于图像对比度：利用均值像素亮度值来计算对比度，模拟出图像的显著性；
基于熵。

Bottom-up:
常用特征：常用的有颜色特征、纹理特征、形状特征、运动特征、局部特征、图像频率（相对较新）等。CIELAB颜色特征是显著性检测中最常使用的图像特征，也是目前为止显著性检测中最为高效的特征。，因为CIELAB颜色模型将亮度和色度分量分开，更加接近人类视觉特性。研究显示，视觉对亮度的敏感度远远不如色度，所以可以推论之，色度和亮度的感受神经细胞是互相独立的。这与CIELAB颜色模型一致。
显著性计算方法：多尺度比较方法、区域比较方法、全局均值比较方法。
Ex. Itti的经典算法（提出的方法，它通 过对亮度，颜色和方向特征图进行归一化求来模拟 过对亮度，颜色和方向特征图进行归一化求来模拟 HVS）

Top-down:
由于人类自顶而下的选择注意由高层的脑部信息所控制，对于同一场景不同的人注意的结果不同，其动机、情感等因素比较难以控制和分析，因此构建自顶而下的显著性模型比较复杂，所以对于这类显著性模型的研究不是很多。

Criteria:
1)突出的最为显著的物体
2)一致的高亮整个显著物体
3)精确符合物体的边界
4)较高的抗噪性
5)全分辨率

Application:
视频显著性检测：考虑相邻帧之间的相关性，通过帧内计算和相邻帧之间的比较来计算每个区域的显著性程度。
视频的显著性检测应用在视频目标跟踪，运动检测，视频压缩等领域。

生物学原理：
Center-surround原理
典型的视觉神经元只有一个小区域比较敏感，这个小区域被称为中心。如果在中心周围的区域也产生刺激，那么这个刺激会抑制中心对视觉神经元的刺激。这种结构使得视觉神经元对局部空间不连续性比较敏感，特别适合检测出与局部周围环境相比比较突出的位置。这也是视网膜、外侧膝状体和初级视觉皮层的工作原理。这可以说是采用局部对比度进行显著性检测的理论基础。

双色对立原理
在大脑皮层中有一个中心区域对信号的接受能力较强，在两种颜色同时刺激该区域的时候，一种会使其兴奋，另一种会抑制其兴奋。这种机制被称为双色对立。而在神经元周围的区域，情况恰好相反。这种存在于绿色和红色、黄色和蓝色之间的上色对立机制通常是在宽频调谐的绿色和红色、黄色和蓝色颜色特征之上建立的。

对比度原理
对比度可以是纹理上的、也可以是形状上的或者是颜色上的，对比度的大小反映出了一个区域和其周边区域存在的差异程度的大小，因此对比度越大的物体，它们之间的显著性越大，越能够吸引人们的注意。
在相同的对比度的条件下，中心区域与周围区域比中心与较远区域产生的对比效果更加的明显，也更加能够吸引注意力。因而空间位置信息对于视觉差异程度的影响也是非常大的。因此在计算对比度的过程中，不仅要考虑特征之间的差别，还需要将空间位置信息考虑进来。

Gcstalt原理
在漫长进化历程中，人类和动物形成了这样一种视觉注意机制：在一整幅图像中，人们常常只注意其中的一部分区域，也就是感兴趣区域，而对于背景区域的关注程度较差，这就是 Gestalt 原理。所以在显著性检测的结果中，要保证这部分感兴趣区域的显著性明显的高于周围的背景区域。

高频率发生抑制原理
对出现次数较少的特性敏感，同时抑制经常发生的特性是人类视觉系统中的一个基本的原则。所以在人们观察一处场景时，最先发现的往往是其中最特别的地方，这种原理主要用于显著性检测中的频谱分析。