VISUAL SALIENCY DETECTION BASED ON BAYESIAN MODEL

文章主要利用贝叶斯推导模型来得到显著性检测映射图。贝叶斯推导模型的计算公式如下图：



后验概率的意义是，在已知当前像素点的条件下，当前像素点为显著性目标的概率。为了构建上诉贝叶斯概率模型，需要提前计算出显著性值以及得到显著性区域。稳重利用color boost方法来计算焦点检测，有效的利用角点所构建出来的凸包区域来计算大致的显著性区域。由于凸包能够很好的将图像区域分割为两个部分，也就大致得到了显著性区域以及背景区域。在得到大致的显著性范围以及背景范围之后可以很有效的利用统计直方图来计算每一个像素的条件概率。计算公式如下图所示：



其中N表示在显著性区域S或者背景区域B中存在的像素的个数，而S（*）以及B（*）则表示对应的区域内统计直方图中和该像素特征相对的bin内所包含的像素的个数。经过上面的处理，就得到了每个像素点的观察概率。

为了更进一步计算每一个像素点的显著性，需要得到一个更为精细的显著性目标区域，为了在这个现有的显著性目标凸包范围内进一步提纯，利用已有的信息进行对比度计算。首先，利用聚类算法将凸包内的显著性区域和凸包外面的背景区域进行聚类处理，以防止区域内的显著性噪声。聚类之后，以每一个聚类为单位进行凸包内和凸包外的超像素之间的距离计算。



文中选择距离最大的凸包内的超像素块作为显著性目标，并利用得到的这一信息进一步得到每一个超像素块的显著性数值。利用其它超像素块到显著性目标聚类内的超像素块之间的对比度就可以有效的计算每一个超像素块k的显著性数值。



更进一步，由于位于显著性聚类内部的超像素块中，当k等于Lp的时候，不被计算，所以累加的次数等于P-1次。为了弥补这样的不平衡，当超像素块位于显著性聚类内部时，利用显著性聚类内部的显著性平均值作为其自身的显著性值。因此，计算每一个超像素块的显著性数值公式如下：



利用该公式就可以得到每一个超像素块的显著性数值，将其放入到贝叶斯推导模型中就能够有效的计算出最终的显著性检测结果。