立体图像显著性检测：融合立体视觉舒适度

"结合立体视觉舒适度的立体图像显著性检测" 本文主要研究了立体图像的显著性检测问题，特别关注了立体视觉舒适度和视差图分布特征对显著区域检测的影响。研究者提出了一种创新的计算模型，旨在提高立体图像显著性检测的准确性和与人眼立体视觉注意力的一致性。 首先，模型采用了SLIC（Simple Linear Iterative Clustering）算法对输入的立体图像进行超像素分割，这是一种有效的图像分割方法，能够将图像分割成多个具有相似颜色和纹理特征的区域，有助于后续的显著性计算。 接着，对于彩色图像的显著性提取，模型在超像素分割的基础上，合并了颜色相似的区域，然后进行二维图像显著性计算。这一步旨在识别出图像中吸引注意力的色彩和结构变化区域。 在深度显著性计算阶段，模型对视差图进行了预处理，这是为了提取深度信息并理解立体图像中的空间结构。通过基于区域对比度的计算，可以确定哪些区域在深度维度上更突出，从而增加显著性检测的准确性。 关键创新在于，研究者引入了立体视觉舒适度因子。立体视觉舒适度是衡量立体图像观看时是否引起视觉疲劳或不适的重要指标。将这一因素融入到显著性检测中，可以更好地模拟人类视觉系统对立体图像的感知。模型将二维显著图和深度显著图结合，通过考虑立体视觉舒适度，优化了最终的立体图像显著图。 实验结果显示，采用该模型对不同类型的立体图像进行显著性检测，取得了85%的准确率和78%的召回率，这些指标均优于传统的显著性检测方法。同时，模型产生的结果与人眼的立体视觉注意力机制表现出高度一致性，证明了模型的有效性和实用性。 总结来说，这项工作为立体图像处理提供了新的视角，通过结合立体视觉舒适度，不仅提高了显著性检测的性能，也为理解和模拟人类视觉系统在立体环境中的行为提供了有价值的理论支持。这种技术对于立体图像的应用，如3D视频分析、虚拟现实(VR)和增强现实(AR)等领域有着重要的潜在应用价值。