显著性地图

在计算机视觉中，显著性地图是一种突出人们眼睛首先关注的区域的图像。

显著性地图的目标是反映一个像素对人类视觉系统的重要程度。例如，在图片中，人们首先看的是财富和轻盈的云朵，所以它们应该在显著性地图上被强调。

在人工或计算机视觉中设计的显著性地图通常与生物或自然视觉构建的实际显著性地图不一样。

显著性地图在各种不同的问题中都有应用。一些一般的应用——图像和视频压缩。人眼只关注画面中的一个小的兴趣区域。因此，没有必要以统一的质量来压缩整个画面。

根据作者的说法，使用显著性地图可以在相同的视觉感受下减少视频的最终大小。图像和视频质量评估。图像或视频质量指标的主要任务是与用户意见高度相关。

突出区域的差异被赋予更多的重要性，因此对质量分数的贡献更大。

图像重定位，它的目的是通过扩大或缩小非信息区域来调整图像的大小。因此，重定目标的算法依赖于准确估计所有突出图像细节的显著性地图的可用性。

对象检测和识别，与其将计算复杂的算法应用于整个图像，我们可以将其用于图像中最有可能包含物体的最突出的区域。

显著性作为一个分割问题显著性估计可以被看作是图像分割的一个实例。

在计算机视觉中，图像分割是将数字图像分割成多个片段（像素集，也称为超级像素）的过程。分割的目的是简化和/或改变图像的表示方法，使之成为更有意义和更容易分析的东西。

图像分割通常用于定位图像中的物体和边界（线条、曲线等）。更确切地说，图像分割是为图像中的每个像素分配一个标签的过程，使具有相同标签的像素具有某些特征。

在OpenCV中实现的经典突出性估计算法有三种形式：

静态显著性，依靠图像特征和统计数据来定位图像的兴趣区域。

运动显著性，依赖于视频中的运动，通过光流检测。移动的物体被认为是突出的。

对象性，对象性反映了一个图像窗口覆盖一个物体的可能性。

这些算法产生一组物体在图像中可能存在的边界框。

除了经典的方法，基于神经网络的方法也很流行。有一些用于运动显著性估计的神经网络的例子。TASED-Net。它由两个构建模块组成。

首先，编码器网络提取低分辨率的时空特征，然后下面的预测网络对空间编码的特征进行解码，同时汇总所有的时间信息。

STRA-网络，它强调了两个基本问题。首先，通过外观和光流耦合整合时空特征，然后通过注意力机制学习多尺度的突出性。STAViS：它结合了时空视觉和听觉信息。

这种方法采用一个单一的网络来学习定位声源，并融合两种显著性来获得最终的显著性地图。

实施实例首先，我们应该计算每个像素与同一帧中其他像素的距离。其中N是当前帧中的总像素数。

然后我们可以进一步重组我们的公式。我们把具有相同I的值放在一起。SALS(Ik)=ΣFn×|Ik-In|其中Fn是In的频率。而n的值属于[0,255]。频率以直方图的形式表示，直方图的计算时间为时间复杂度该突出度图算法的时间复杂度为时间复杂度。由于直方图的计算时间是O(N){displaystyleO(N)}的时间复杂性。时间复杂度，其中N是一帧的像素数。

此外，这个方程的减法部分和乘法部分需要256次操作。