文 献 综 述
【研究背景】随着互联网的迅猛发展，大量的图像应运而生。大量的图像信息既丰富了人们的生活，也带来了很多的冗余信息，如何用计算机处理图像中的冗余信息（或者说是找出显著性区域）成了人们正在研究的热门。传统的显著性分析方法有基于空间域和基于频率域，基于空间域的分析方法不能很好的显著性区域和冗余区域的边界分离开来，而基于频率域的显著性检测则是将图像从空间域转换到频率域，通过分析频谱找到与其显著性特征的关系。因此本文主要是介绍基于傅立叶变换的频率域的几种分析方法。
1 引言
基于空间域的图像显著性分析主要是基于人的视觉注意力机制，人的眼睛在望向某一个场景时，通常会在每秒的时间里移动几次，在视觉处理的早期阶段，是利用自然特征来刺激视觉，这种结构会由于场景的固有结构不同而不同。 例如，对人眼进行刺激刺激 测试时，测试的结果表明，受试者看的是图像有着高空间对比度的区域，并且在这些区域中，附近图像的像素均彼此比在随机选择的图像区域的相关性低。由此我们知道了对比度是引起人视觉注意的最大因素，因而图像的显著性检测的核心是对比度的计算。基于视觉注意力机制，人们总结出自底向上和自顶向下的方法，目前主要应用的自底向上的显著性生成方法主要是由于图像内容本身对于人眼的刺激强弱所引起的注意。
以下简要介绍已有的几种基于频率域的显著性分析方法。
2 .SR方法
该方法认为图像分为冗余信息和显著信息，将图像的对数谱看成是冗余信息，则图像的显著性信息就是原幅值谱和对数谱之差。对于不同的图像数据，其对数谱具有相似的分布趋势，不同的对数谱忽视其相似的部分，只对有差别的部分进行处理就能得到相对于原图像的显著性图。大概的操作步骤是：首先，对原图像进行二维傅立叶变换，从空间域变换为频率域，然后计算幅值，对幅值取对数得到对数谱L(f)；
均值化的频谱：A(f)=R(S[I(x)]) ，相谱：P(f)=X(S[I(x)]) ；
对数频谱：L(f)=log(A(f))，冗余谱：R(f)=L(f)-hn(f)*L(f) ；
显著图：S(x)=；
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
