论文笔记：基于视觉显著性检测的图像分类方法

对于一幅图像来说，人们只对他的部分区域感兴趣，这部分区域能让人们知道这幅图片的主要内容。显著性区域就是最能引起用户兴趣、最能表达图像内容的区域。显著性区域的选择是非常主观的，对于同一副图像，不同的用户可能会选择不同的区域作为显著区域。常用的方法是利用人的视觉注意机制为基础计算图像的显著度。
基于图像特征空间的分类方法：先把底层特征用特征空间表示，然后利用高层空间特征完成图像分类。这样不仅可以降低数据的维度和计算复杂度，而且还具有一定的鲁棒性，实用性较强，成为图像分类的主流方法。

Visual Saliency Based on Scale-Space Analysis in the Frenquency Domain基于频域尺度空间分析的显著性检测

一、本文认为，幅度谱与低通高斯滤波器的卷积等于显著性检测器。

1.抑制重复部分以突出显著性区域。本文定义了显著性，认为显著性区域与图片中其他部分相比拥有不同的特征分布，将图片分成均匀的小块，发现非显著性区域对应重复或者相似的图像块，因此要想办法抑制重复区域以突出显著区域。
2.幅度谱中的峰值对应重复部分（即非显著性部分）。文章通过分析周期信号的频谱图，证明了幅度谱中的尖峰对应图像中的重复部分（即我们所要抑制的部分），并且频谱图中循环部分越多，幅度谱的尖峰值越大，用低通滤波器平滑幅度谱发现，原始图像的幅度谱峰值越大，平滑后峰值降低的越多。
   在固定长度的周期信号中嵌入显著性部分时，显著性区间并不会对幅度谱中的尖峰产生太大影响。也就是说 1)即使在周期信号轴插入显著部分，尖峰仍会保持。2)插入的显著本分不会再频谱中造成尖峰尖锐。
3.使用光谱滤波抑制重复部分。在频域中，使用幅度谱与高斯核函数卷积，等价于图像显著性检测器。
4.频谱尺度空间分析。使用不同尺度的高斯核函数与幅度谱进行卷积，得到幅度谱尺度空间。试验发现，显著性区域越大，对应的核尺度越小，文理丰富或者小的显著性区域对应的核尺度越大

二、使用超复数傅里叶变换计算显著性

1.计算特征图{I,RG,BY}
2.组成超

HFT模型采用不同的高斯核函数对幅度谱进行平滑滤波，以达到抑制高频信息的同时增强低频信息的目的。

基于超像素聚类的显著性检测方法（唐有宝）

第一阶段：超像素聚类
第二阶段：初始显著性计算
第三阶段：显著性细化



      分析第二阶段得到的初始显著图ISM的灰度值，发现背景区域对应较低的灰度值。以灰度值的极小值作为阈值，对ISM阈值分割，得到多个区域，把灰度值最低的作为背景模板BT,其余区域作为显著性候选区域SCR。以BT中的特征描述子作为词典A，用以计算SCR的稀疏编码。描述子dR选用的是fR={L均值,a均值,b均值,x均值,y均值}以及纹理特征HOG。
      基于字典A，对SCR稀疏编码，重构误差越大，说明该区域越有可能是显著性目标。
     di对应的稀疏系数按如下优化问题得到：


                                            重构误差为：  


     对每个区域的描述子di稀疏编码，得到重构误差，以重构误差为值构成重构误差图REM（reconstruction error map）。为了使每个区域的显著性值保持一致，将每个区域像素点的值为设为该区域的重构误差的均值，由此得到权值图（weight value map,wvp）,WMP与ISM的每个元素相乘，得到新的显著性图。
      除了考虑重构误差，该作者还考虑了object-bias先验知识，进一步抑制背景的显著性值。此处的object-bias是指越靠近显著性目标的像素越应该被重视。对得到的新的显著性图按大津阈值法二值化，对二值图距离变换得到距离图DM
     最终的显著图FSM：


其中，OGM为基于DM的Object-bias高斯图：