图像处理文献综述.docxVIP

早期C.Koch等人通过研究人类视觉自底向上阶段的机制，提出了人类视觉显著性机理，希望模拟人类的视觉特点，计算出人类感兴趣的区域。这是非常有影响力的生物启发模型，但该模型仅仅停留在理论阶段，并没有通过计算机实现。 Itti等人的根本模型 [15] 利用三个特征通道来模拟显著性。他们首先将图像用不同尺度上的的颜色、强度和方向这三个属性来表征，然后利用中心-周围算法对每个特征进行处理得到多个特征图，最后，将这些特征图经过线性迭加后得到最终的显著性图。这个模型是显著性检测方面的一个里程碑，之后的大局部模型都以其为基准。该模型也是第一次完整的实现C.Koch等人提出的显著性生物启发系统。 Bruce等人 [16] 根据香农的自信息理论，提出了AIM〔Attention based on Information Maximization〕模型，研究了人眼注视行为和信息量的显著性之间的关系。他们首先基于大量的自然图像的图像块，利用独立分量分析〔ICA〕算法从中学习出一系列的滤波器，然后将测试图像和滤波器进行卷积，得到测试图像一系列的特征，最后根据图像对滤波器的响应计算自信息得到最终的显著性图。 Harel等人 [17] 提出了基于图的视觉显著性〔GBVS〕。他们在多尺度空间下提取图像的游走计算图像的显著性。虽然该模型对人眼关注点能较好的预测，但是具有很大的时间复杂度。 Hou等人 [18] 提出了基于谱剩余的模型，第一次在变换域的方面考虑图像的显著性。该模型首先对图像进行傅里叶变换得到图像振幅谱，接着让对数频谱通过一个领域的滤波器，并和对数频谱相减得到谱残差，最后利用傅里叶反变换结合皮平滑高斯滤波器得到最终的显著性图。该算法简单高效，其matlab核心代码只有五行。 Guo等人 [19] 证明了用傅里叶变换的相位谱来代替振幅谱能取得更好的显著性预测效果。随后，Guo和Zhang等人 [7] 提出了用四元数将图像的颜色、强度和运动特征联系起来的模型——基于相位谱的四元数傅里叶变换模型，该模型可以计算时空的显著性并用于视频处理。 Zhang等人 [20] 提出了经典SUN〔Saliency Using Natural statisticsDoG或ICA得到自然图像的一系列统计特性，然后结合贝叶斯框架得到最终的显著性图。该模型给许多模型提出了一个根本的框架。 Achanta等人 [21] Cheng等人 [22] Goferman等人 [23] 提出了基于上下文的显著性检测模型。该模型同时对局部底线线索、全局考虑、视觉组织规划以及表层特征进行建模来突出显著性物体。 Xie等人 [24] 通过研究图像中的低层和中层信息，结合在贝叶斯框架，提出了一种新模型。该模型采取由粗到细的策略。首先，利用角点计算得到目标的大致区域，进而计算该大致区域得到粗糙的显著性图。然后，结合这个粗糙的显著性图和由低层信息计算得到观测性似然概率，从而得到每个像素处的显著值。 Zhang等人[26]提出了一个基于布尔图的显著性检测模型〔BMS〕。该模型认为图像可以由一系列 Ren 等人[27]作为聚类的显著性值；最后利用页排序得到最终的显著性图。 Gao等人 [28] 研究发现对某些特征的边缘分布，感兴趣区域的出现对其有很大的影响，即某一类显著性信息能够很好的被某些特征表征。通过训练改感兴趣目标的这一特征，最终能够得到比拟有区分度的显著性图。 在文献 [20] 中，Zhang Marchessotti等人 [29] 通过自然图像之间的视觉相似性来模拟显著性。在该模型中，需要测试的图像是的，他们首先在测试数据库中选择和测试图像看起来比拟相似的一些图片。然后利用Fisher 显著性检测目前存在的技术难点： 尽管目前的自底向上和自顶向下的显著性检测算法取得了不错的效果,但仍存在几个问题需要解决： 最后,一些自底向上的显著性算法还有计算冗余的问题,比方由目标大小未知带来的多尺度邻域比照计算以及在整幅图像中通过滑动窗搜索每个图像块重复计算每个像素的显著度引入的计算量。 参考文献： [1] 宋雁斓.视觉注意模型及其在图像分类中的应用[D].上海：上海交通大学，2021. [2] 冯辉.视觉注意力机制及其应用研宄[D].河北：华北电力大学，2021. [3] C. M. Privitera and L. W. Stark, “Algorithms for defining visual regionsof-interest: Comparison with eye fixations,〞 IEEE Trans. Pattern Anal. Mach. Intell., vol. 22, no. 9, pp. 970–982, Sep. 2000. [4] D. Gao, S. H