基于上下文的显著性检测1

基于上下文的显著性检测 本资源摘要主要介绍基于上下文的显著性检测算法，该算法可以用于图像中的显著性区域检测。下面将详细介绍该算法的原理、实现步骤和时间复杂度分析。 1. 算法原理 该算法的主要思想是基于上下文的关联信息进行图像内显著性区域的检测。对于每一个像素点，可以先使用它周围的 r × r 区域内的像素点的 Lab 空间上的色彩作为该像素点代表的 Patch 的色值。然后，算出图上任意两点之间的差异性，差异性公式如下： d(pi, pj) = dcolor(pi, pj) + c · dposition(pi, pj) 其中，dcolor(pi, pj) 是上述提到的每个像素点代表的 Patch 色值的差距，这里采用归一化后的欧几里得空间距离，类似的 dposition(pi, pj) 是两个像素点同样是在长宽两个维度上归一化后在欧几里得空间上的距离。 2. 基础部分 在基础部分，对于每个像素点，计算其显著性值（Saliency）。该值可以通过以下公式计算： Sri = 1 − exp(− 1/K ∑k=1d(pri, qrk)) 其中，r 是上文提到的尺度，这里选取的 qk 是与当前像素点 pi 在差异性上最低的 K 个点。K为常数，在实现过程中，选用了和原文一致的 64。 3. 优化部分 在优化部分，通过多尺度的局部性检测，可以进一步减弱背景部分的影响。可以选取 Rq = {r, r2, 1} 作为 Patch 大小的候选尺寸，分别计算整个图在这些 Patch 尺寸下得到的显著性值，最后取平均值。公式如下： ¯Si = 1/M ∑r∈RSri 这里因为候选列表为 3，所以有 M = 3。 4.时间复杂度分析 在基础部分，可以看到，需要预计算每个像素点代表的 Patch 的平均色值，这一部分的时间复杂度为 O(Nr2)。其中 N 为像素点个数，r 为 Patch 边长。在具体计算时，需要计算每两个像素点之间的差异性，时间复杂度为 O(N 2)。在使用了多种尺寸的计算并取平均后总共需要 O(MN 2) 的时间。而最后做过滤并对每个非主体部分像素点寻找主体部分最近像素点需要的时间复杂度为 O(N 2)，但是实际情况，主体部分的像素点个数较少，真实时间复杂度一般达不到 O(N 2)。而且，这一部分可以使用 kd tree 优化到 O(Nlog(N))。整个算法的整体时间复杂度为 O(MN 2)。 5. 结果 实验结果显示，该算法可以有效地检测图像中的显著性区域，并且可以通过调整 Patch 大小和尺度来提高检测效果。