视觉注意机制是人脑在视觉信息处理中的一个核心功能，它允许人类快速地从复杂场景中识别出重要的视觉信息。在计算机视觉和图像处理领域中，模仿人脑视觉注意力机制进行建模的方法被称为人工视觉注意力模型。这些模型能够在图像分割、压缩、目标检测、跟踪等众多分支中实现对人类视觉注意力功能的模拟。
本论文基于Gabor分解和二维熵提出了一种新的视觉注意力计算模型，该模型能够生成显著图（saliency map）。显著图是一种能够直观展示被注意区域的拓扑图，它在空间上标识出图像中值得注意的部分。文章中提出模型的两个主要步骤如下：在特定尺度下对输入图像进行Gabor小波分解，以提取特征图；接着，利用二维熵作为度量，对提取出的特征图进行融合和筛选。
Gabor小波因其在频率和空间域的局部化特性，能够有效地模拟人类视觉系统对纹理和边缘信息的处理方式。Gabor小波分解是将输入图像在多个方向和尺度上进行分解，从而获得反映图像局部特征的特征图。这些特征图能够捕捉到图像中的细节信息，如纹理、边缘等。由于Gabor滤波器与人类视觉系统的感受野有相似之处，故而能够较好地模拟人的视觉特性，因此本模型也具有一定的生物学合理性。
二维熵是一种度量图像信息丰富度的指标，它能够对特征图中包含的信息量进行量化。在本论文的模型中，通过计算特征图的二维熵值，可以对这些特征图的重要性进行评估和选择，以得到最佳的注意力区域。二维熵度量利用了图像的局部统计特性，通过熵值的大小来反映局部区域的复杂度，熵值高表示区域复杂，可能包含更多的信息，而熵值低则相反。
在实现上，本论文提出的模型能够有效预测人类的视觉注视点，无论是对心理图像还是自然图像中的显著物体均表现良好。这意味着该模型对于心理图像以及自然场景中的目标检测和跟踪任务都具有较好的适应性和准确性。
在实际应用中，该模型具有广泛的应用前景，尤其是在那些需要通过视觉注意力来优化的计算机视觉任务中，例如图像压缩、特征提取和目标识别等。例如，在图像压缩技术中，模型可以用来识别图像中最重要的部分，从而更高效地分配压缩资源；在目标识别中，模型可以用来确定哪些区域需要更精细的分析，从而提高识别的准确性。
此外，该模型在理论上也具有重要意义。它为未来的研究者提供了一种新的基于频率域的视觉注意力机制的实现途径，同时也启示了对现有模型进一步改进的可能。模型中Gabor分解和二维熵的结合使用，展示了一种更合理、更可靠的方法来模拟人类视觉注意力机制。
虽然本论文的模型在预测视觉注视点方面已经显示出优越性，但仍然存在进一步改进的空间。例如，可以考虑更多的视觉注意力模型，如基于任务的自顶向下模型，以及考虑更多生物学上的特征，比如动态视觉注意力机制等，这些都可能进一步提高模型的性能和适用范围。同时，对于模型在不同类型图像上的适应性和泛化能力的研究也是未来工作的一个重要方向。
