显著性物体检测: Global Contrast based Salient Region Detection (RC 和 HC)

前言：

论文链接：Global Contrast based Salient Region Detection

2013年，CVPR，来自于程明明团队，主要提出一种基于全局对比度的显著性区域检测算法。

作者主要认为：

• 全局对比，避免仅在物体轮廓处产生较高显著值（局部对比的缺点）；
• 有利于为相似区域分配一个相近的显著值，均匀突出目标；
• 物体显著性，主要由它与周围区域对比度决定，相距很远的区域起作用较小；

算法细节：

基于对比度的物体显著性计算，将像素的显著值定义为它和图像中其他像素的对比度，即：（在Lab空间度量）

Part 1: 基于直方图对比度的方法：HC （速度更快，准确率略低）

1) 基于直方图加速     根本思路在于：减少颜色数目，具体来说，将出现频率较小的颜色丢掉，仅保留高频出现的颜色，并确保颜色覆盖95%以上像素。

颜色量化过程：统一将每个颜色的通道划分为12个等级。（注：颜色量化在RGB空间进行，颜色对比度在Lab颜色空间计算）

2) 颜色空间平滑     考虑到颜色量化时，可能一些相似的颜色会被量化为不同的值。对某一颜色组 c 对应的显著值进行平滑操作，选择 c 颜色组最近邻的 m=n/4 种颜色的均值来平滑。（用周围邻近颜色组的显著值来平滑颜色组 c 的显著值，平滑系数依据颜色差异大小调节，颜色越相似，其对应的显著值权值越大）

其中， -----------最近的 m 个颜色组的距离之和； 

          ------------D（. , .）距离越小，的系数越大。

          -------------------------归一化因数，来自于

Part 2: 结合空间关系后的改进：RC （速度降低，准确率更高）

根本思路： 相邻区域的高对比度 比 很远区域的高对比度 更容易导致一个区域引起视觉注意。

加权区域级对比度：图像分割为若干区域→计算区域级 颜色对比度→以区域空间距离为权值，显著值计算为 加权 区域级颜色对比度。

加权前：

其中，是区域像素数，强调大区域的颜色对比度

空间加权：

其中的是区域的空间距离，控制空间距离的影响度，值越大，空间距离影响越小，论文中取=0.4，像素坐标归一化到[0,1]区间。

Part 3：实验结果