孫君頂， 張 毅， 李海華

(1.河南理工大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院, 焦作 454000；2. 河南理工大學(xué) 物理與電子信息學(xué)院, 焦作 454000)

1 引 言

圖像顯著性檢測(cè)是計(jì)算機(jī)視覺(jué)研究中非常重要的方向，利用顯著性檢測(cè)提取目標(biāo)圖像的顯著圖，這對(duì)分析目標(biāo)圖像不同區(qū)域的顯著程度至關(guān)重要，是圖像處理的基礎(chǔ)。目前，圖像顯著性檢測(cè)廣泛應(yīng)用于目標(biāo)定位檢測(cè)[1]、圖像分割[2]、視頻壓縮等領(lǐng)域。根據(jù)人類(lèi)視覺(jué)機(jī)制，目前圖像顯著性檢測(cè)算法主要分為自頂向下和自底向上的檢測(cè)算法，自底向上的檢測(cè)算法不依賴(lài)于預(yù)定義的任務(wù)或先驗(yàn)知識(shí)，而是基于目標(biāo)圖像本身的屬性(顏色、邊緣稀疏等)特征整合圖像顯著性，而自頂向下的顯著性檢測(cè)算法主要依靠任務(wù)或知識(shí)驅(qū)動(dòng)進(jìn)行先驗(yàn)顯著性線索檢測(cè)，其由于高層知識(shí)或任務(wù)的參加，檢測(cè)算法較為復(fù)雜，檢測(cè)時(shí)間較慢。在自底向上的檢測(cè)算法中大多采用單一或組合的顯著性特征線索表征顯著目標(biāo)，比如文獻(xiàn)[3]提出了一種基于區(qū)域?qū)Ρ榷鹊姆椒▉?lái)對(duì)全局顯著性進(jìn)行建模檢測(cè)；文獻(xiàn)[4]提出了一種多尺度超像素顯著性檢測(cè)算法，利用局部對(duì)比度、圖像完整性和中心偏差3個(gè)線索進(jìn)行圖像區(qū)域顯著性度量；文獻(xiàn)[5]根據(jù)局部區(qū)域背景-主體-背景的相鄰顏色差值進(jìn)行邊緣化，提出了一種自適應(yīng)閾值分割與局部背景線索結(jié)合的顯著性檢測(cè)算法；文獻(xiàn)[6]結(jié)合局部及全局特征提出了一種顯著性檢測(cè)算法；文獻(xiàn)[7]綜合利用邊界、全局和局部信息來(lái)提取多種顯著性特征，并在隨機(jī)場(chǎng)下進(jìn)行融合以實(shí)現(xiàn)顯著區(qū)域的檢測(cè)；文獻(xiàn)[8]綜合考慮超像素區(qū)塊局部對(duì)比度、全局對(duì)比度以及空間分布關(guān)系來(lái)計(jì)算每個(gè)區(qū)塊的顯著值,利用融合結(jié)果來(lái)檢測(cè)圖像；文獻(xiàn)[9]提出了一種應(yīng)用局部和全局特征對(duì)比的顯著性檢測(cè)模型，通過(guò)計(jì)算顏色和紋理特征的局部對(duì)比度得到局部顯著圖，利用全局、空間分布特性得到全局顯著圖；文獻(xiàn)[10]在高層特征上重新定義了背景先驗(yàn)特征和中心先驗(yàn)特征，在低層特征上使用全局對(duì)比度和局部對(duì)比度，得到了高質(zhì)量的顯著圖。

上述這些算法都是結(jié)合高層或底層幾種特征來(lái)融合得到顯著圖，并且多采用線性融合策略。而單一或同類(lèi)幾種顯著特征無(wú)法全面表達(dá)圖像顯著性，顯著檢測(cè)精度普遍不高，針對(duì)于此，本文提出了一種融合高低層多種特征的顯著性檢測(cè)算法。

2 底層顯著性特征

2.1 邊界稀疏性特征

邊緣是圖像屬性與另一屬性交界，是圖像特征變化的集中區(qū)域，也是圖像背景與邊緣信息連通性最為緊密的地方。圖像邊界在圖像顯著性計(jì)算中起著至關(guān)重要的作用。設(shè)檢測(cè)圖像邊界區(qū)域?yàn)樽值銬=[d1,d2,...dn]∈Rm×n含有n個(gè)基礎(chǔ)信號(hào)，每個(gè)信號(hào)是m維。稀疏系數(shù)χ∈Rn可通過(guò)求解L1范數(shù)最小化問(wèn)題：

(1)

上式中‖·‖1表示L1范數(shù)，λ1為正則化系數(shù)。所以x≈x′=Dχ*,其中x′是x的近似表示。

若使用該邊界區(qū)域字典D進(jìn)行重建時(shí)誤差較小則該區(qū)域?qū)儆诒尘皡^(qū)域的可能性大，反之亦然。重建系數(shù)χi計(jì)算如下：

(2)

則邊界稀疏重建誤差εi計(jì)算如下：

(3)

根據(jù)文獻(xiàn)[11]可知，圖像顯著空間遵循一定的規(guī)律，距離圖像中心越近越能引起觀察者的注意，基于此利用分割區(qū)域與圖像中心點(diǎn)間距離來(lái)提取顯著特征Tcenter(i)：

(4)

(5)

μ=(0.5,0.5)表示圖像中心的二維坐標(biāo)，參數(shù)k為位置控制系數(shù)，c(i)表示分割區(qū)域Ri所有像素坐標(biāo)中心，Lp表示像素p的空間二維坐標(biāo)，Ui表示分割區(qū)域Ri所有像素個(gè)數(shù)。

結(jié)合以上邊界稀疏重建誤差εi和圖像先驗(yàn)中心理論，則邊界稀疏性特征Ti(1)：

Ti(1)=εi·Tcenter(i)，

(6)

2.2 全局對(duì)比度特征

幾乎所有顯著性檢測(cè)算法都會(huì)利用不同的顏色體系計(jì)算顏色對(duì)比度，主要利用RGB或Lab兩種顏色體系。文獻(xiàn)[12]提出了一種利用RGB、Lab兩種顏色體系與區(qū)域分割相結(jié)合的全局對(duì)比度特征提取方法。本文借鑒該方法對(duì)圖像的分割結(jié)果{R1,R2,...,RNum}進(jìn)行區(qū)域?qū)Ρ榷忍卣饔?jì)算：

(7)

ψ(Ri,Rj)=‖Averlab(Ri)-Averlab(Rj)‖+
η‖AverRGB(Ri)-AverRGB(Rj)‖，

(8)

其中:?(Ri,Rj)表示分割區(qū)域Ri,Rj間的空間幾何距離，ψ(Ri,Rj)表示分割區(qū)域Ri,Rj間的空間顏色距離，Averlab(·)和AverRGB(·)為計(jì)算平均顏色函數(shù)，pf表示像素p的顏色向量。參數(shù)η為控制顏色體系RGB、Lab在計(jì)算全局對(duì)比特征中的比重，本文將η設(shè)置為0.5?；谌謱?duì)比度特性得到的圖像顯著性特征圖如圖1所示。

圖1 基于全局對(duì)比度的顯著性特征圖Fig.1 Saliency feature map based on global contrast

2.3 顏色空間分布特征

(10)

這里設(shè)置高斯混合模型中分量值g最大值為6，本文采用文獻(xiàn)[13]中同樣方法對(duì)高斯混合模型進(jìn)行初始化，并使用EM算法訓(xùn)練高斯混合模型中的各參數(shù)。將高斯混合模型中第g過(guò)分割區(qū)域的水平方差Dx(g)定義如下：

(11)

(12)

(13)

(14)

則第g個(gè)高斯成分整體空間的分布方差Dxy(g)定義如下：

Dxy(g)=Dx(g)+Dy(g)，

(15)

下面需要對(duì)公式(11)、(14)和(15) 3種方差進(jìn)行歸一化，計(jì)算如下：

(16)

通過(guò)上式可以看出分布方差大的區(qū)域顏色空間分布較為廣泛，顯著目標(biāo)存在的可能性較小，分布方差小的區(qū)域顏色空間分布較為集中，顯著目標(biāo)存在的可能性較大。設(shè)置區(qū)域顏色空間分布控制權(quán)值δ，水平、垂直、綜合區(qū)域顏色空間分布顯著性特征計(jì)算如下：

(17)

(18)

(19)

圖2 基于顏色空間分布的圖像顯著圖Fig.2 Image saliency map based on color spatial distribution

2.4 超像素差異性特征

超像素分割(Simple Linear Iterative Clustering)是一種簡(jiǎn)單的、方便的分割方法，是圖像處理過(guò)程中重要的技術(shù)手段[14]。本文基于超像素級(jí)來(lái)計(jì)算目標(biāo)圖像的差異性特征。

超像素差異性表現(xiàn)為超像素i在位置和顏色空間中相對(duì)于其他超像素分割的差別。d(i,j)表示超像素i與超像素j在位置和顏色空間中的距離：

(20)

上式中dc(i,j)表示超像素i與超像素j在Lab顏色空間歸一化距離，dp(i,j)表示超像素i與超像素j的中心距離，β為調(diào)解參數(shù)，取值為2。計(jì)算全局的超像素差異性：

(21)

超像素差異性定義為：

(22)

上式中σu為高斯密度標(biāo)準(zhǔn)差?；诔袼夭町愋蕴卣鞯玫降娘@著性特征圖如圖3所示。

圖3 基于像素差異的圖像顯著圖Fig.3 Image saliency map based on pixel difference

3 高層先驗(yàn)特征及其融合

3.1 背景先驗(yàn)顯著

利用超像素分割算法對(duì)目標(biāo)圖像進(jìn)行超像素分割，通過(guò)粗選背景集、精選背景集和顯著值計(jì)算3步得到背景先驗(yàn)顯著圖。

3.1.1 粗選背景集

從左至右、從上至下對(duì)目標(biāo)圖像進(jìn)行掃描，取目標(biāo)圖像周邊一圈20個(gè)像素作為邊界區(qū)域背景混合區(qū)B0，背景混合區(qū)橫縱坐標(biāo)范圍：

(23)

上式中W、H表示目標(biāo)圖像的寬和高，將這些邊界定義為粗選背景集B0={pi|pi∈Q}。

3.1.2 精選背景集

由于顯著目標(biāo)不一定居于目標(biāo)圖像的中心，有可能接近于邊界區(qū)域，為了進(jìn)一步突出顯著性目標(biāo)，要對(duì)粗選背景集做進(jìn)一步篩選，計(jì)算粗選背景集各超像素pi的Tboundary(i)：

(24)

(25)

3.1.3 計(jì)算顯著值

對(duì)目標(biāo)圖像中的每個(gè)超像素pi在背景超像素集B下計(jì)算顯著值：

(26)

(27)

3.2 中心先驗(yàn)顯著

一般拍攝者都希望將所拍攝的目標(biāo)放在圖像的中心區(qū)域，但實(shí)際并非都如此，若直接將目標(biāo)圖像的中心作為顯著目標(biāo)的中心會(huì)導(dǎo)致顯著性目標(biāo)檢測(cè)出現(xiàn)偏差。本文將前節(jié)得到的背景先驗(yàn)顯著圖中的質(zhì)心作為顯著目標(biāo)的中心，提出一種新的中心先驗(yàn)顯著方法。本方法將越靠近顯著目標(biāo)中心的超像素設(shè)置越高的顯著值，對(duì)所有超像素顯著值使用高斯分布求解中心先驗(yàn)。超像素pi中心顯著值計(jì)算如下：

(28)

(29)

3.3 不同顯著特征融合

文章分別求出4種低層顯著特征值和2種高層先驗(yàn)特征值。但某些性質(zhì)相似的分割區(qū)域在不同求取方法下得到的顯著特征值差異較大，為了降低各顯著特征在融合時(shí)的差異，需對(duì)不同顯著特征進(jìn)行歸一化處理。

首先將Ti(1)、Ti(2)、Ti(3)、Ti(4)、TB(i)、TC(i)這6幅顯著圖統(tǒng)一歸一化到區(qū)間[0,1]內(nèi)，利用最大類(lèi)間方差法(Ostu)對(duì)得到的6幅顯著圖所有顯著值進(jìn)行閾值求解，得到類(lèi)間差異最大的閾值T′，對(duì)于第m個(gè)顯著圖中的像素(x,y)，當(dāng)其顯著值TN(x,y)在6幅顯著圖中均大于類(lèi)間差異閾值T′時(shí)，表示像素(x,y)確處于顯著區(qū)域，融合采用線性策略；反之，則表示像素(x,y)并不處于顯著區(qū)域，融合采用非采用線性策略。設(shè)像素(x,y)最終的顯著值為T(mén)(x,y)，則：

(30)

(31)

(32)

公式(31)中γN為非線性融合時(shí)的融合系數(shù)，其表示第N個(gè)顯著特征圖中水平和垂直方向標(biāo)準(zhǔn)差加權(quán)之和，公式(32)分別為第N個(gè)顯著特征圖中橫縱坐標(biāo)在水平和垂直方向上的加權(quán)平均值。

4 仿真實(shí)驗(yàn)及結(jié)果分析

4.1 實(shí)驗(yàn)環(huán)境與評(píng)價(jià)

為驗(yàn)證本文所提算法的性能，將本文算法與AC算法[15]、CA算法[16]、LC算法[17]、HC算法[18]、GC算法[3]、SF算法[19]、文獻(xiàn)[20]、文獻(xiàn)[6]進(jìn)行顯著性檢測(cè)實(shí)驗(yàn)。上述對(duì)比算法中LC、HC、GC、SF是基于全局特征對(duì)比類(lèi)型，AC和CA屬于局部特征對(duì)比類(lèi)型，文獻(xiàn)[6]和[20]屬于多特征融合類(lèi)型算法。本文從主觀視覺(jué)和定量對(duì)比兩方面分析實(shí)驗(yàn)結(jié)果。

實(shí)驗(yàn)硬件環(huán)境為Intel(R) Core(TM) i7-7700U@3.6GHz,RAM:8GB，軟件編程環(huán)境為：Windows 7操作系統(tǒng)，Visual Studio 2013 開(kāi)發(fā)工具,使用C++進(jìn)行編程實(shí)現(xiàn)。實(shí)驗(yàn)在MSRA-1000[22]、SED[23]和SOD[24]3個(gè)國(guó)際公開(kāi)的顯著性檢測(cè)數(shù)據(jù)集上進(jìn)行。

本文采用PR曲線(查全率-查準(zhǔn)率曲線)、平均絕對(duì)誤差(MAE,Mean Absolute Error)、F-measure值和AUC值(Area Under the ROC Curve)等4種評(píng)價(jià)指標(biāo)對(duì)各顯著性檢測(cè)算法進(jìn)行定量分析。

4.1.1 PR曲線

查全率(Recall)和查準(zhǔn)率(Precision)被廣泛應(yīng)用于顯著性檢測(cè)算法的結(jié)果評(píng)價(jià)中。經(jīng)顯著性檢測(cè)算法得到顯著圖T(x,y)，采用固定閾值將其轉(zhuǎn)化成二值圖像M(x,y)，利用二值圖像M(x,y)和人工標(biāo)記G(x,y)計(jì)算查全率R和查準(zhǔn)率P，查全率R和查準(zhǔn)率P計(jì)算公式如下：

(33)

PR曲線是以固定閾值轉(zhuǎn)化后的二值圖像計(jì)算得到查全率R和查準(zhǔn)率P，并以此畫(huà)出曲線，如果曲線起始高，后期曲線越平穩(wěn)檢測(cè)算法越好。

4.1.2 F-measure值

F-measure值就是查全率R和查準(zhǔn)率P的加權(quán)調(diào)和平均，本文采用文獻(xiàn)[21]提出的動(dòng)態(tài)閾值二值化顯著圖T(x,y)，動(dòng)態(tài)閾值ψ及F-measure計(jì)算如下：

(34)

(35)

上式中參數(shù)β2一般取值為0.3。數(shù)據(jù)集中的F-measure值為數(shù)據(jù)集中每幅目標(biāo)圖像的平均值，其值是對(duì)查全率R和查準(zhǔn)率P的綜合，越大越好。

4.1.3 AUC值

AUC被定義為ROC曲線下的面積，是一種度量分類(lèi)模型好壞的標(biāo)準(zhǔn)。又由于ROC曲線一般都處于y=x的上方，所以AUC的取值范圍一般在0.5～1之間。通俗的說(shuō)AUC值越大顯著性檢測(cè)的正確率越高。

4.1.4 MAE值

KMAE是算法得出的顯著圖與人工標(biāo)記間的平均絕對(duì)誤差，計(jì)算公式如下：

(36)

通過(guò)上式可知KMAE值描述的就是顯著圖與人工標(biāo)注的相似程度，其值越小越好。

4.1 主觀視覺(jué)對(duì)比

本文選取的3個(gè)數(shù)據(jù)集可分成兩組，MSRA-1000和SED數(shù)據(jù)集為一組主要包括單個(gè)顯著性目標(biāo)，目標(biāo)邊緣清晰、語(yǔ)義明確，顯著性識(shí)別相對(duì)較易；另一組SOD數(shù)據(jù)集顯著目標(biāo)紛雜，目前顯著性檢測(cè)算法對(duì)此數(shù)據(jù)集的檢測(cè)效果與前兩種數(shù)據(jù)集相比較差。首先將本文算法與其他8種算法在MSRA-1000數(shù)據(jù)集上進(jìn)行顯著性檢測(cè)，MSRA-1000數(shù)據(jù)集含有1 000幅自然圖像，是現(xiàn)階段圖像顯著性檢測(cè)的默認(rèn)數(shù)據(jù)庫(kù)，人工標(biāo)記的分割結(jié)果由文獻(xiàn)[21]提供，檢測(cè)結(jié)果如圖4所示。

圖4 各種算法在MSRA-1000數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果Fig.4 Comparison of the indicators of the algorithms on MSRA-1000 data set

通過(guò)對(duì)比以上檢測(cè)結(jié)果看出：各顯著性檢測(cè)算法都能大概檢測(cè)出目標(biāo)圖像的顯著性目標(biāo)，CA算法總體較差，顯著性目標(biāo)檢測(cè)結(jié)果邊緣較為模糊；LC、AC、GC、SF等算法或多或少在顯著性目標(biāo)檢測(cè)時(shí)會(huì)將背景信息誤檢測(cè)為顯著目標(biāo)區(qū)域；文獻(xiàn)[21]在檢測(cè)背景與目標(biāo)顏色差別較大的目標(biāo)檢測(cè)圖(如第1、2、4、5、6、8幅圖)時(shí)能準(zhǔn)確地檢測(cè)出顯著目標(biāo)，但對(duì)于背景與目標(biāo)顏色差別較小的目標(biāo)圖像，顯著性檢測(cè)效果稍差；文獻(xiàn)[6]能大部分檢測(cè)出目標(biāo)圖像的顯著性目標(biāo)，但在處理顏色空間對(duì)比度較高的背景區(qū)域時(shí)有時(shí)會(huì)誤凸顯，這是由于算法雖然融合了多種顯著特征，但其只注重于底層特征的融合，對(duì)于高層先驗(yàn)信息并沒(méi)有有效融合；本文顯著性檢測(cè)結(jié)果與人工標(biāo)注的重合度比較高，不僅能有效的將圖像中的顯著性目標(biāo)檢測(cè)出來(lái)，還能與人眼的視覺(jué)注意點(diǎn)吻合。各算法在SOD數(shù)據(jù)集上的顯著性檢測(cè)結(jié)果如圖5所示。

圖5 各種算法在SOD數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果Fig.5 Experimental results of various algorithms on SOD datasets

LC算法顯著性檢測(cè)結(jié)果較差，在抑制背景的同時(shí)，目標(biāo)也被抑制了；SF算法雖然能將背景抑制徹底，但是目標(biāo)輪廓提取較寬泛；CA算法能基本檢測(cè)到顯著目標(biāo)，但是在目標(biāo)和背景相似的顯著區(qū)域檢測(cè)效果不佳；AC、GC、HC、文獻(xiàn)[20]和文獻(xiàn)[6]都能基本檢測(cè)出顯著性目標(biāo)，但在背景和目標(biāo)相近的顏色區(qū)域，算法或多或少將背景信息誤檢測(cè)成目標(biāo)；本文算法能在復(fù)雜背景下較好的檢測(cè)出顯著性目標(biāo)，邊界輪廓基本清晰。

4.2 定量指標(biāo)評(píng)價(jià)分析

視覺(jué)對(duì)比因觀察者的感官而有差別，不能作為評(píng)價(jià)顯著性檢測(cè)算法好壞的唯一標(biāo)準(zhǔn)。為了定性的比較各顯著性檢測(cè)算法的檢測(cè)效果，將本文算法與其他顯著性檢測(cè)算法進(jìn)行定量計(jì)算。

4.2.1 不同算法在MSRA數(shù)據(jù)集上的性能

將不同顯著性算法在單個(gè)顯著性目標(biāo)數(shù)據(jù)集MSRA上進(jìn)行定量計(jì)算，圖6為各算法4種評(píng)價(jià)指標(biāo)對(duì)比結(jié)果，(a)為PR曲線，(b)為F-measure值，(c)為MAE值，(d)為AUC值。

圖6 各算法在MSRA-1000數(shù)據(jù)集上的指標(biāo)對(duì)比Fig.6 Comparison of the indicators of the algorithms on MSRA-1000 data set

從圖6各評(píng)價(jià)指標(biāo)的對(duì)比中可以看出，對(duì)于單個(gè)顯著性目標(biāo)MSRA數(shù)據(jù)集，各顯著性檢測(cè)算法檢測(cè)效果普遍較好，指標(biāo)評(píng)價(jià)情況與圖5視覺(jué)顯著性檢測(cè)結(jié)果一致。與效果較好的文獻(xiàn)[20]相比，查全率、查準(zhǔn)率至少提高了3.4%。

4.2.2 不同算法在SOD數(shù)據(jù)集上的性能

將不同顯著性算法SOD數(shù)據(jù)集上進(jìn)行定量計(jì)算，圖7為各算法4種評(píng)價(jià)指標(biāo)對(duì)比結(jié)果。

圖7 各算法在SOD數(shù)據(jù)集上的指標(biāo)對(duì)比Fig.7 Comparison of indicators of algorithms on SOD data set

從圖7各評(píng)價(jià)指標(biāo)的對(duì)比中可以看出，對(duì)于識(shí)別圖像比較復(fù)雜的SOD數(shù)據(jù)集，各顯著性檢測(cè)算法檢測(cè)效果普遍較差，但本文算法融合了多種顯著特征，總體上較其他算法有較大的提高，查準(zhǔn)率為65%，相較于在其他算法至少提高了12%，這與視覺(jué)顯著性檢測(cè)結(jié)果也是基本一致的。

綜合兩個(gè)數(shù)據(jù)集上的定量指標(biāo)對(duì)比，我們可以看出本文算法無(wú)論對(duì)邊緣清晰、顏色分明的單目標(biāo)數(shù)據(jù)集還是對(duì)顏色相近、目標(biāo)難辨的復(fù)雜數(shù)據(jù)集都能有較好的顯著性識(shí)別結(jié)果，這是由于算法融合了底層和高層顯著特征，針對(duì)差異較大的顯著特征值，為了降低各顯著特征在融合時(shí)的差異，本文采用線性和非線性融合策略，確保顯著目標(biāo)識(shí)別的精確。

4.2.3 時(shí)間復(fù)雜度對(duì)比

將各算法在MSRA-1000數(shù)據(jù)集上運(yùn)行，硬件環(huán)境如前節(jié)所述，各算法的平均運(yùn)行時(shí)間如表1所示。

表1 各算法平均運(yùn)行時(shí)間Tab.1 Average running time of each algorithm

由于是多特征融合進(jìn)行顯著特征提取，使得本算法的計(jì)算開(kāi)銷(xiāo)相對(duì)較大，相對(duì)比文獻(xiàn)[6]、文獻(xiàn)[20]、AC、SF等算法，本文的計(jì)算運(yùn)行時(shí)間較短，但與LC、CA、GC算法相比，運(yùn)行時(shí)間略長(zhǎng)，針對(duì)于此，后期可以通過(guò)并行計(jì)算策略降低運(yùn)行時(shí)間。

5 結(jié) 論

針對(duì)單一或同類(lèi)幾種顯著特征無(wú)法全面表達(dá)圖像顯著性，顯著檢測(cè)精度不高等問(wèn)題，本文提出了一種融合高低層多種特征的顯著性檢測(cè)算法。算法利用類(lèi)間差異閾值以線性和非線性策略融合2種高層先驗(yàn)特征4種低層圖像特征，從而獲得高質(zhì)量的目標(biāo)圖像顯著圖。通過(guò)實(shí)驗(yàn)對(duì)比可以得出本文算法在有效抑制背景信息的同時(shí)所得顯著圖像視覺(jué)感知更好。但算法運(yùn)行所需時(shí)間稍長(zhǎng)。利用并行策略進(jìn)一步降低運(yùn)行時(shí)間是本文下一步的研究重點(diǎn)。