作者：Federico Perazzi

作者：Philipp Kr 等 论文地址： IEEE Xplore Full-Text PDF: 发表于2012 CVPR   论文主要包括四个部分： Abstraction、Element uniqueness、Element distribution、Saliency assignment。   第一，Abstraction。 aim to decompose the image into basic elements that preserve relevant structure, but abstract undesirable detail. 具体操作即edge-preserving, localized oversegmentation based on color，其用SLIC超像素分割来实现，效果如图2所示。

第二， Element uniqueness——利用颜色信息。 即元素的“rarity”，其定义为：

能够有效结合全局和局部的对比度，局部对比度强调边界，w约等于1时是全局的，对局部地必读变化不敏感。这里w是高斯加权，能够将原有运算降为线性的。。

式（1）可写为：

第三，Element distribution——利用空间分布。

图像背景信息分布在整个图像，因此方差较大，而显著性信息则比较聚集。

这里，同样定义了一个高斯weight，。式（3）

可改写为：

第四，Saliency assignment。

 

We start by normalizing both uniqueness U i and distribution D i to the range [0 .. 1] .

论文指出，Di的贡献更大： In practice we found the distribution measure D i to be of higher signifificance and discriminative power. Therefore, we use an exponential function in order to emphasize D i . 直接对每一个元素进行上采样来获得最终显著性值不能避免图像Ab straction所产生的分割错误，因此论文提出通过融合一个pixel周围的pixel来获得最终显著性值：

其中，w仍然是高斯加权：，能够保证对 local and color sensitive.

In a final step we rescale the saliency map to the range [0 .. 1] or to contain at least 10% saliency pixels.   实验结果：