什麼是顯著性地圖（Saliency Map）？

顯著性地圖是一種圖像處理技術，用於突出顯示圖像中最引人注目的區域。它通過計算每個像素的顯著性得分來實現，得分越高表示該區域越顯著。

核心概念

顯著性地圖的核心概念是模擬人類視覺系統的注意力機制。人類在觀察一個場景時，並非均勻地關注所有區域，而是會快速地將注意力集中在一些顯著的區域，例如顏色鮮豔、對比度高、紋理複雜的區域。顯著性地圖旨在通過算法模擬這種注意力機制，從而自動識別圖像中最引人注目的區域。

核心概念包括：

顯著性地圖的運作原理通常包括以下步驟：

特徵提取： 首先，需要從輸入圖像中提取各種視覺特徵，例如顏色、亮度、方向、紋理等。常用的特徵提取方法包括基於手工設計的特徵（例如SIFT、HOG）和基於深度學習的特徵（例如CNN特徵）。
顯著性計算： 根據提取的視覺特徵，計算每個像素或區域的顯著性得分。常用的顯著性計算方法包括：
- 基於對比度的方法： 計算每個像素或區域與其周圍區域的對比度。對比度越高，表示該區域越顯著。
- 基於頻域的方法： 將圖像轉換到頻域，分析不同頻率成分的能量。高頻成分通常對應於圖像的細節和邊緣，因此可以作為顯著性的指標。
- 基於信息論的方法： 計算每個像素或區域的信息熵。信息熵越高，表示該區域包含的信息量越大，因此越顯著。
- 基於深度學習的方法： 使用深度學習模型（例如CNN）直接學習顯著性地圖。這些模型通常通過大量的訓練數據來學習人類的視覺注意力模式。
顯著性地圖生成： 將計算出的顯著性得分映射到圖像中，生成顯著性地圖。顯著性地圖通常以灰度圖像的形式呈現，其中亮度越高表示顯著性越高。
後處理： 對顯著性地圖進行後處理，例如平滑、歸一化等，以提高其質量和準確性。

顯著性地圖在許多領域都有廣泛的應用，包括：

圖像壓縮： 在圖像壓縮中，可以使用顯著性地圖來確定圖像中哪些區域需要保留更多的細節，哪些區域可以進行更多的壓縮。這樣可以提高壓縮效率，同時保持圖像的視覺質量。
目標檢測： 在目標檢測中，可以使用顯著性地圖來引導目標檢測算法關注圖像中最有可能包含目標的區域。這樣可以提高目標檢測的效率和準確性。
圖像分割： 在圖像分割中，可以使用顯著性地圖來輔助分割算法將圖像分割成不同的區域。顯著性地圖可以提供關於圖像中哪些區域是重要的信息，從而幫助分割算法做出更合理的決策。
圖像檢索： 在圖像檢索中，可以使用顯著性地圖來提取圖像的關鍵區域，並將這些區域作為圖像的表示。這樣可以提高圖像檢索的效率和準確性。
機器人學： 在機器人學中，可以使用顯著性地圖來幫助機器人快速識別環境中的重要物體和區域，從而提高機器人的自主導航和交互能力。
廣告設計： 在廣告設計中，可以使用顯著性地圖來評估廣告的視覺吸引力，並優化廣告的設計，以提高廣告的點擊率和轉化率。

在使用顯著性地圖時，需要注意以下常見誤區：

顯著性地圖等同於目標檢測： 顯著性地圖旨在識別圖像中最引人注目的區域，而目標檢測旨在識別圖像中特定類別的物體。雖然顯著性地圖可以輔助目標檢測，但它們是不同的任務。
顯著性地圖總是準確的： 顯著性地圖的準確性取決於所使用的算法和圖像的內容。在某些情況下，顯著性地圖可能會錯誤地突出顯示一些不重要的區域，或者忽略一些重要的區域。
顯著性地圖可以完全替代人類的視覺注意力： 顯著性地圖是對人類視覺注意力的一種近似模擬，但它不能完全替代人類的視覺注意力。人類的視覺注意力受到許多因素的影響，例如任務、經驗、情緒等，這些因素很難完全通過算法模擬。
一種顯著性地圖算法適用於所有應用： 不同的顯著性地圖算法適用於不同的應用。在選擇顯著性地圖算法時，需要考慮具體的應用場景和圖像的特點。
忽略後處理的重要性： 顯著性地圖的後處理可以顯著提高其質量和準確性。在應用顯著性地圖時，不應忽略後處理步驟。

總之，顯著性地圖是一種強大的圖像處理技術，可以幫助我們理解圖像的視覺結構，並應用於許多不同的領域。但是，在使用時需要注意上述常見誤區，並根據具體的應用場景選擇合適的算法。

延伸學習

想看顯著性地圖的完整影片教學？前往美第奇 AI 學院