显著性检测的AC与MSSS算法

《Salient Region Detection and Segmentation》

      AC算法也是Achanta等提出的，与FT算法类似，只是在求欧式距离时使用的均值不再是整幅图像的均值，而是选取不同大小邻域内的均值（三种大小）分别求取欧式距离，再相加得到。

      理解了FT算法，AC就比较好理解了，

      如上图所示，所取三个邻域大小分别为边长为h/8、h/4、h/2的正方形区域。

算法实现过程如下:

（1）读取图像，进行高斯滤波，并转换到lab空间

（2）分别求取该点附近h/8邻域lab空间的均值Lm1、Am1、Bm1。以及h/4邻域lab空间的均值Lm2、Am2、Bm2和h/2邻域lab空间的均值Lm3、Am3、Bm3。

（3）数据融合，Sm1=（l-Lm1）^2+(a-Am1)^2+(b-Bm1)^2；

               Sm2=（l-Lm2）^2+(a-Am2)^2+(b-Bm2)^2；

               Sm3=（l-Lm3）^2+(a-Am3)^2+(b-Bm3)^2；

（4）显著图Sm=Sm1+Sm2+Sm3

《SALIENCY DETECTION USING MAXIMUM SYMMETRIC SURROUND》

        连续三篇介绍Achanta的显著算法，这一篇是三个中效果最好的。Achanta的三种算法都很类似，也是显著算法中比较好理解的，只要看懂了其中一篇，另外两篇也就很容易看懂了。原理一样，唯一的不同之处在于每篇中计算均值所取的邻域均不相同。这里我只主要写一下对MSSS算法中的邻域的理解。

        假设对于图像中任一点（x，y），图像高和宽分别为h、w。

则其邻域范围如下：宽度  ：（x-x0）：（x+x0）

                  高度  ：（y-y0）：（y+y0）

其中：x0=min(x,w-x),y0=min(y,h-y0)

算法实现过程与FT几乎一样:

（1）读取图像，进行高斯滤波，并转换到lab空间

（2）分别求取该点邻域内lab的均值Lm、Am、Bm。

（3）数据融合，Sm=（l-Lm）^2+(a-Am)^2+(b-Bm)^2

转载：http://blog.sina.com.cn/s/blog_c303278b0101aiyg.html