Frequency-tuned Salient Region Detection：一種快速顯著物體檢測算法

Frequency-tuned Salient Region Detection：一種快速顯著物體檢測算法

原論文名稱：Frequency-tuned Salient Region Detection

原作者：Radhakrishna Achantay, Sheila Hemamiz, Francisco Estraday, and Sabine S¨usstrunk。(EPFL)

出處：CVPR09。

今天推薦的算法有關顯著物體的檢測。在機器視覺應用中，我們經常需要快速的定位場景中的主體區域。在沒有任何先驗知識的條件下，顯著性提供了很好的度量來初始獲取視覺的焦點。而利用顯著性可以反過來對相機本身進行調節設定參數，或者對畫面進行分割獲取初始的興趣區域。

本文所提及的算法在論文中被稱爲IG算法，其本質爲一個DoG帶通濾波過程，只是一端被設置爲圖像的直流分量，其顯著圖的計算爲：

其中爲圖像的直流分量，即對應每個顏色通道的均值。 爲高斯濾波後的圖像。

IG算法的純c的實現：https://github.com/UnilVision/visionbase/tree/master/saliency/IG

結果1：

結果2：

關於顯著性檢測這個命題再說幾句廢話吧。本文說介紹的算法和Ming-Ming Cheng的Global Contrast based Salient Region Detection等方法均屬於無監督算法，通過視覺特徵快速的確定畫面內較爲明顯的區域。而另一個算法分支應用了機器學習，通過學習樣本來預測新圖像中的顯著區域。

從單個類別，小樣本的數據集上看，後者確實是有優勢的。但是問題是在大多數情況下，我們需要的顯著性檢測是需要非常快速的，例如在數碼相機之中自動確定顯著區域並進行定焦，在圖像識別算法前作爲獨立特徵進行提取，快速確認焦點區域生成縮略圖等等。而後者的思路更像Object Detection+Segmentation，也註定了其效率很難超越前者。而在實際的項目中，可以考慮的原則就是如果是針對某個特定物體的，那麼後者也許會帶來很好的效果，否則就使用第一類算法。

[原創文章，轉載請註明出處：http://blog.csdn.net/unilvision/article/details/8970591