读ICCV2013论文

基于Boolean Map进行显著性检测，关键的公式如下所示：

公式可以看做是一个贝叶斯推导模型，p表示在给定图像的情况下，得到Boolean Map为B的概率，而A则表示B所能够提供的注意力映射图，而注意力映射图最终体现的是显著性映射图。在文中，作者提出利用均匀的阈值分割的方式来得到Boolean Map，也就是说，大于阈值的像素点赋值255，反之则赋值0；从阈值增长的步长固定。在实现的时候，上面公式中的p在不同的Boolean Map均相等，这样的话只需要求得A将其累加就可以了。

上面是整个算法的流程，到第12步就已经得到了eye fixation显著性映射图。后期的处理根据这个给定的显著性映射图进行指导性分割，就可以得到salient object。算法的第4到第6步主要目的是为了得到一个Boolean Map映射图，并利用开操作去除噪声点。而第8到第11步则是计算注意力映射图。surrounded region是指不论是背景区域还是目标区域都具备一定的连通性。在实现的时候，从图像的边缘开始考虑连通性，那么和图像边缘相关联的区域将会因为连通性全部被设置为1。Boolean Map图则包含三种像素值0,1,255，如果加上翻转之后的阈值，可以得到两种比较有吸引力的区域——一这两种都和周围的具有很大的对比性，一种是远远大于周围的像素特征，另一种是远远小于当前的特征。经过上面的处理之后，在POST_PROCESS步骤，利用漫水填充算法进行分割就可以得到最终的salient object。（算法和实现代码有一些出入）