2。显著性对象更容易从周围环绕背景中脱颖而出。显著性对象的周围环境应该首先被全 局考虑，因为目标对象的内部往往会趋向于呈现扁平化的状态。但其余的部分对象也有可能 是突出的。这项推测会比深度先验这项方法更有效率，因为它倾向于利用相关深度而不是绝 对深度来作为图像架构的基本判断标准，这方面的优势能够从立体和人类眼注视数据集[13,14] 之中看出。

3。中心区域比外围区域更加显著。因为人眼有中心显著性倾向，在之前的也有提到过。

4。显著性的计算应该对如[1]中所述的，拥有更高级的视觉处理任务能力，完成任务时更有 效率。

以上就是基于各向异性的中心环绕差的显著性检测方法的设计原则。以下是算法流程： 首先，获取到目标图像的深度图像，并定义图像中点的显著性等于该点相对于周围环境的突 出性，然后使用各向异性的的中心环绕差算法对每个像素点及其周围环境进行计算，并将得 到的显著性得分赋给每个图像的点并输出显著图像。除此之外，本文使用深度先验和中心先 验来对原始图像进行过滤计算。为了该项方法的效率和稳健性，本文选择在超像素分割后对

每个图像块进行显著性探测。通过计算该项方法的复杂度为 O(N) ， N 是图像像素的数目。

1。4 本文的安排

第 1 章，介绍了本课题的研究背景和意义，说明了基于深度线索的显著性检测方法的意义和 重要性。除此之外本文还主要介绍了学界的主流研究方向，包括了几种经典的研究方法，之 后也简要叙述了本文的研究内容。来`自+优-尔^论:文,网www.youerw.com +QQ752018766-

第 2 章，详细地描述了从深度的获取方法，各向异性的中心环绕差算法，在显著性计算以及 优化的主要两种算法。

第 3 章，详细介绍了实验分析。从数据集的内容以及设定，又将算法的复杂度进行了分析进 行了。随后本文对算法的结果进行了讨论并点出了算法的问题与局限性。