全局对比度的图像显著性检测算法

显著性就是可以快速引起你注意的对象或者物体，在图像或者视频中显著性检测的结果往往是图像或者视频中对象，在神经学科中显著性检测被描述为注意力机制，目的是聚焦或者缩小看到的对象场景重要部分，显著性检测可以自动处理图像中对象表示。显著性检测可以让对象检测，图像分割等算法更加聪明与高效的工作。

作者认为生物皮层对图像对比度比较敏感，通过图像对比度可以实现图像显著性特征提取，提出了两种基于全局对比度的显著性检测方法

• 基于直方图的对比度方法(histogram-based contrast 简称HC)

• 基于区域的对比度方法(region-based contrast 简称RC)

HC的显著性图生成主要是基于输入图像的颜色值直方图分布，生成像素级别的显著性值，每个像素点的显著性值是它跟剩下全部图像像素点的对比度之间的度量，度量公式为：

 为12，对Lab色彩空间只在L上计算，但是这种做法有很大的弊端，就是颜色的区分度下降，色彩空间多维度信息没有有效利用，所以一般会对Lab色彩空间的三个维度同时量化生成 颜色值，然后再根据频次优化出现的颜色值范围。确保这些颜色值可以覆盖95%以上的像素点。

尽管我们可以通过建立直方图使用色彩空间量化的方法加速全局对比度的计算，但是量化色彩空间本身就是人为的，有可能把相似的颜色量化成不同的值，为了减少这种现象导致显著性噪声出现，所以对得到显著性值最后完成一个模糊操作，这种模糊操作选择线性模型，距离当前显著性值最近的有最大权重值：

除了对比度之外，区域与空间关系在显著性检测中也扮演重要作用，高对比邻近周围通常是显著性区域一个很强的证据，HC是计算像素级别的显著性值，计算开销比较大，基于区域对比度分析的显著性检测通过定义每个区域与其他区域的相似度权重得到区域显著性值，完成显著性检测。RC做法需要首先生成区域，作者在论文中通过基于图的图像分割得到很多图像区域，对一个区域计算显著性值：

实验结果

各种不同的图像显著性检测对比

显然HC与RC的效果比较好，在相同数据集上对不同显著性测试得到召回率：

应用：

作者给出了两个应用场景，一个是基于图像显著性检测的阈值化分割，另外一个基于显著性的图像语义分割。