在计算机视觉领域中，显着性检测是识别图像中最为吸引人或突出的视觉部分的关键技术。该技术在图像分类、目标检索、场景理解以及图像编辑等多个应用领域都具有重要的作用。显着性检测通常可以分为两个步骤：首先是生成显着性图（saliency map），其次是通过显着性图进行显着性削减（saliency cuts），以获得高质量的目标二值掩膜（binary mask）。
显着性图生成阶段的目标是提供一个与输入图像大小相同、以像素级别或区域级别的图，每个像素或区域都有一个值来表示其显着性。在这张图中，具有更高值的像素或区域意味着更高的显着性，从而能够突出显示图像中的主要物体或区域。而显着性削减则是在有了显着性图的基础上，进一步提供目标对象的二值掩膜，并利用这张掩膜来识别和分割图像中的显着性区域。显着性削减是图像处理中的一个开放问题，因为它涉及如何根据显着性值将显着性图中的像素分为两部分，进而生成高质量的显着性对象掩膜。
本文提出了一种基于自适应三重阈值的显着性削减方法。这一方法融合了无监督种子生成技术与GrabCut算法。GrabCut是一种常用的图像分割技术，它利用迭代优化过程，通过用户输入（如鼠标画线）来分割出感兴趣的图像区域。作者们提出使用自适应的三重阈值技术来生成分割种子，然后将这些种子作为输入提供给GrabCut算法，以此来生成最终的显着性对象掩膜。该方法具有很高的实用价值，并且在实验结果中表现出优于当前最先进的方法的性能。
文章由来自南京大学的Shuzhen Li、Ran Ju、Tongwei Ren和Gangshan Wu撰写。该研究受到了中国国家自然科学基金（编号***、***）和优秀国家重点实验室研究项目的资助。
显着性检测不仅对于理解图像内容和增强人机交互体验至关重要，而且在机器视觉应用中也是核心组成部分。然而，在图像处理中，如何有效地从显着性图生成高质量的二值掩膜仍然是一个挑战。本文提出的方法利用了自适应阈值分割与迭代优化相结合的策略，有效地解决了这一问题。通过自适应地生成多个阈值，算法能够更灵活地处理不同的显着性水平，从而达到分割效果的优化。该方法的成功应用证明了其在自动图像内容分析和理解中的巨大潜力。随着计算机视觉技术的不断进步，如何改进算法以提高分割的准确性和效率，仍然需要进一步的研究和探索。
