濟(jì)南網(wǎng)絡(luò)公司講解站點(diǎn)視覺顯著性描述和檢測模式。顯著性檢測技術(shù)在計算機(jī)視覺領(lǐng)域的各個方向，如目標(biāo)檢測，圖像分割，以及圖像和視頻壓縮，已經(jīng)被廣泛地用于獲得顯著的區(qū)域。它的顯示結(jié)果是一張用于描述源圖像中各個位置相對于其周圍的“顯著”程度的灰度圖，也就是顯著的。

　　總的來說，視覺顯著性檢測方法可分為兩大類，分別是自下而上數(shù)據(jù)驅(qū)動的顯著性提取和自上而下任務(wù)驅(qū)動的顯著性提取。由于自上而下的顯著特征提取是根據(jù)具體任務(wù)來建立的，因此，理論和應(yīng)用都有一定的局限性，本文著重介紹了自底向上數(shù)據(jù)驅(qū)動的顯著提取類型。與此同時，目前顯著性檢測領(lǐng)域的大多數(shù)研究成果都是研究由底層特征驅(qū)動的自下而上的計算模型。以下是關(guān)于視覺顯著性檢測模型的發(fā)展歷程的簡單梳理。

　　Niebur等人提出了第一個具有實(shí)際意義的視覺顯著性檢測算法，而具有劃時代意義的視覺顯著性檢測模型是由美國加州理工學(xué)院 Christof Koch教授和美國南加州大學(xué) Laurent Itti副教授二人于1998年合作提出，對輸入圖像分布計算得到亮度、顏色和方向3個通道的高斯金字塔，并于1998年合作提出了一種具有實(shí)際意義的視覺顯著性圖象分布計算結(jié)果。GBVS是基于圖論獲取顯著性的，提取過程類似于 Itti等人模型，但在生成顯著圖時， Markov鏈被引入，并利用圖的模型計算中心周邊差，再用純數(shù)字計算獲得顯著性。

　　DISK算法是利用廣義高斯概率密度函數(shù)來估計樣本方差和峰度估計，然后計算中心周圍中心的信息。通常，基于中心周邊差的顯著性檢測算法考慮局部特征的對比，通常采用多尺度而非單一尺度的對比算法來獲得更好的顯著性圖，但是多尺度算法的計算量較大，且由于頻繁使用鄰接插值而使圖的分辨率降低，在一定程度上丟失了目標(biāo)邊緣信息;

　　SR算法和 IG算法等基于圖像空間頻域分析的顯著性檢測算法也都是自底向上的顯著性檢測經(jīng)常采用的代表性算法，它們具有運(yùn)算速度較快的優(yōu)點(diǎn)，但在顯著圖計算顯著區(qū)域的顯著度較低，不能很好地突出最顯著的位置;

　　濟(jì)南網(wǎng)絡(luò)公司認(rèn)為SR算法沒有考慮顏色特征，也沒有保存足夠多的高頻信息，使顯著圖中顯著區(qū)域的邊界不夠清晰。顯著性建模在上個世紀(jì)80年代就被提出，但直到最近幾年才出現(xiàn)許多新的顯著建模思想，并逐漸成為一個研究熱點(diǎn)

　　。