图像显著性论文（五）——Global Contrast based Salient Region Detection

这篇论文其实在作者的主页上面已经给出中文版的论文了，所以大家看看中文版的论文也就可以看懂了，这里不想多做解析，只是贴出来自己以后可以看，算是显著性论文整个脉络中的一篇吧。

1、引言

论文的提出主要是根据以下几点考虑

根据这几点的分析，作者在文章中提出了两种方法，分别是基于直方图对比度的方法（HC）和基于局域对比度的方法（RC）。

2、基于直方图统计的对比度（HC）

该方法其实与LC方法很像，只不过LC考虑的是图像的亮度，而作者考虑的是图像的颜色，所以效果会比LC好一些，但是HC方法考虑颜色，所以计算量会很大，因为彩色图片有三个通道，每个通道取值为0-255，所以总共有255的3次方种颜色，这个计算量是非常大的，但作者做了一个巧妙的变化，化解了这个问题，现在我们就来看看这种方法。

该方法起初引入了以上公式，其中D(Ik，Ii)为像素Ik和像素Ii在L*a*b空间的颜色距离。将公式展开可得

如果按照以上方法计算那么我们可以得到，相同颜色值的像素得到的显著性，如此一来，我们可以从另外的角度思考，不进行每个像素计算，而是对每种颜色进行计算，所以得到以下公式

为了加快算法的运行时间，减低时间复杂度，作者使用基于直方图加速的方法，将每个通道值从0-255转化为0-12，并且将出现频率较小的颜色丢掉，确保颜色覆盖95%以上的像素就可以了，剩下的5%的像素所占的颜色被直方图中距离最近的颜色所代替。

由于减少颜色数量会对图片产生一定的瑕疵，所以作者通过颜色空间平滑来解决这个问题。每个颜色的显著值被替换为相似颜色显著值得加权平均。公式如下

这样一来在颜色特征空间中距离c较近的颜色分配较大权值，相似的颜色分配到相似的显著性值，减少了量化的瑕疵。

整个实现过程作者现在RGB颜色空间进行量化，在Lab颜色空间测量距离。

3、基于区域的对比度（RC）

首先使用基于图的分割方法将图像分割成若干区域，然后为每个区域建立颜色直方图，对每个区域rk，测量它与图像其他区域的颜色对比度来计算它的显著性，公式如下

其中f（c1，i）为第i个颜色在第1个区域的所有n1中颜色中出现的概率，f（c2，j）为第j个颜色在第2个区域的所有n2中颜色中出现的概率，n1，n2分别表示第一第二区域颜色总数，D(c1，i，c2，j)表示第1个区域第i种颜色和地2个区域第j种颜色之间的距离。

在以上的基础上再融入空间信息，在式子5中引入空间权值，公式如下

4、实验

显著性分割

显著性分割在获得显著性图的基础上加上Grabcut分割方法，得到结果如下

基于内容感知的图像缩放

非真实感渲染

参考资料

1、Global Contrast based Salient Region Detection（原文）

2、基于全局对比度的显著性区域检测（中文翻译版）

3、显著性论文学习阶段总结（一）

4、四种简单的图像显著性区域特征提取方法-----> AC/HC/LC/FT。

5、程明明主页

代码可以再程明明主页下载，代码中还包含了很多其他显著性方法的代码，很有用，如果需要的话可以去下载看看。