关于视觉显著性Koch 和 Ullman 在 1985 年发表的论文中第一次提出了神经性计算[27]显著性。他们的工 作在计算机视觉领域里对于显著性检测模型的研究相当有影响力，并为后来的研究者奠定了 研究的方向和基础。78626

在 1998 年的论文中，Itti 等人选择结合显著图像，基于颜色，强度和方向信息三项特征 来进行显著性检测，提出了中心环绕计算[1]来计算临近区域之间的差异的方法。 在最近的案 例中，Itti 等人的视觉显著性计算方式在他们的论文[22]中被提及。本文也粗略地浏览了 Itti 的 state-of-the-art 方法。

Geferman 等人[27]运用基于图像块对于其环境的差异来计算显著性得分。通过比较图像块 的色彩直方图，Geferman 等人提出了一系列图像块对于它们周围环境的差异性。在实验结果 中，与环境高度不同的图像块得到了非常高的显著性得分。这项方法拥有非常优越的性能和 准确性，并且成为了后来研究者的最基本的显著性检测研究方法。

通过研究学习 Theeuwes 等人[32]的方法，本文选择尝试结合不同框架模型的来进行显著 性检测，运用色彩信息得分和深度得分结合来进行实验。论文网

Hou 和 Zhang 提出了一个基于频域残差的显著性检测方案[25]，主要研究方案是引入光 谱残留作为频域中的空间显著图。这项方案通过阈值化方法得到显著性图像，并对图像中的 对象进行分割。

最近的方法中，Cheng 等人选择基于超像素[9]而非简单图像块[32]来进行显著性检测。此外， 他们还介绍了基于阈值分割的，用于种子迭代分割的替代对象分割方法。

2 关于深度的显著性计算

虽然[27]中提到了视觉差异已经成为了一种在显著性计算中运用的潜在线索，但是在显著 性模型中集成深度信息并没有展现出很好的效果。Maki 等人在一个跟踪应用中使用了深度框 架来帮助[28,29]一些移动的目标来选择最为接近的区域。但是，它们的工作是基于任务相关来 使用深度信息，而不是采用自底向上的方法来集成深度特征。

Ouerhani 和 Hügli 的团队拓展了 itti 等人的方法，直接在深度图像[1]上增加建立显著图[12]。这项方法把深度当成另外一种线索，并将深度与颜色和其他线索相结合进行综合处理。

本文从中学习了通过显著特性来创建三维结构和从深度线索测量来描绘特征的方法，希望能 够获得更好的性能。

Lang 等人通过人类凝视信息[14]学习并提出了关于显著性的深度先验方法。这项显著性先 验方法提供了显著性图像，然后通过显著性结果和其他方法相结合来运算。这种方法的问题 在于如何将深度特征从其他显著性线索去耦（如颜色 ，亮度，渐变等），而这类复杂的相互作用并不是导致显著性得分的计算方式。

3 使用深度进行对象分割

过往，有很多的方法利用基本的深度线索，使用应用程序来进行通用对象分割。一个代 表性的示例就是[30]，它能够适应从平面到空间，然后使用在非空间的点上连接组件，并用一 系列的几何模型重构这些目标物体以提高目标物体的成像质量以便捕捉，然后进行单体对象 的分割。这类方法有三个主要限制：

1。这项方案假设在图像中所有的显著对象和空间中的一个作为基准坐标的平面有联系。

2。方案中需要上述作为基准坐标的平面能够高度可见。

3。需要一定的几何模型作为目标物体的支撑，但无法适应一些不规则形状物体。 如果支撑平面中不足以可视化[31]，这项方案在高度杂乱和无序的场景中并不能起到很好的效果。在这样的场景中，假设采用了基于深度的显著性的对象分割方案，[30]中就能够使用 平面线索来完成对目标物体的识别分割，能够对方案的应用范围有很明显的改善提升。 显著性检测的研究现状:http://www.youerw.com/yanjiu/lunwen_90664.html