企業(yè)網(wǎng)站設(shè)計(jì)視覺(jué)顯著性檢測(cè)及其應(yīng)用

發(fā)布：2019-03-09 13:35:34 瀏覽：5089

在計(jì)算機(jī)技術(shù)飛速發(fā)展的今天,世界范圍內(nèi)的網(wǎng)站數(shù)量正以每分鐘571個(gè)的速度飛漲著。與快速增長(zhǎng)的網(wǎng)頁(yè)數(shù)量相對(duì)的是網(wǎng)頁(yè)設(shè)計(jì)水平的參差不齊。唯有符合一定設(shè)計(jì)規(guī)律的網(wǎng)頁(yè)才利于用戶體驗(yàn)與信息傳播。而根據(jù)眼球的生理結(jié)構(gòu),視覺(jué)最有效的感知部位,在視網(wǎng)膜上只占很小的比例,這決定了視覺(jué)在一定時(shí)間內(nèi)只能容納少量的視覺(jué)信息。一旦視覺(jué)接收到的信息超出一定的視覺(jué)容量,人們就會(huì)產(chǎn)生相應(yīng)的抵觸反應(yīng),引起不快。因此網(wǎng)頁(yè)信息的呈現(xiàn)需符合一定的人類視覺(jué)規(guī)律。依據(jù)人的視覺(jué)機(jī)制對(duì)所設(shè)計(jì)網(wǎng)頁(yè)進(jìn)行評(píng)估顯得尤為重要。

人類視覺(jué)系統(tǒng)中的視覺(jué)顯著性提取機(jī)制可以快速高效的從大量的視覺(jué)輸入信息中提取出那些最重要的信息。同樣的,在視覺(jué)計(jì)算研究領(lǐng)域,視覺(jué)顯著性檢測(cè)模型可以得到一幅用以描述原圖像中各位置相對(duì)于其周邊的“顯著”程度的灰度圖,即顯著圖,從而感知出圖像數(shù)據(jù)中的顯著性區(qū)域。本文將網(wǎng)頁(yè)頁(yè)面作為圖像數(shù)據(jù)進(jìn)行研究,對(duì)其視覺(jué)顯著性區(qū)域進(jìn)行分析與檢測(cè),從而為后續(xù)網(wǎng)頁(yè)設(shè)計(jì)優(yōu)化提供相關(guān)建議。

1人類視覺(jué)系統(tǒng)

關(guān)于人類視覺(jué)系統(tǒng),目前認(rèn)可度最高的是Neisser提出的描述人類視覺(jué)系統(tǒng)作用過(guò)程的機(jī)制。他將早期視覺(jué)處理過(guò)程分為預(yù)注意處理階段和注意處理階段。第一階段主要是處理和檢測(cè)場(chǎng)景中能引起視覺(jué)細(xì)胞更大刺激的顯著的特征,即那些不同于大多數(shù)的背景的區(qū)域部分。第二階段中,神經(jīng)系統(tǒng)將這些顯著的特征通過(guò)某種關(guān)系進(jìn)行融合和聚類,然后形成注意力分配圖用來(lái)指導(dǎo)眼球運(yùn)動(dòng)。后來(lái)MIT的DavidC.Marr做出補(bǔ)充,提出預(yù)注意階段會(huì)將進(jìn)入視覺(jué)系統(tǒng)內(nèi)的光線轉(zhuǎn)化為顏色、邊緣、線條和傾角等特征,并對(duì)其進(jìn)行特定的編碼來(lái)形成對(duì)視覺(jué)場(chǎng)景的初步表示,最終讓視覺(jué)系統(tǒng)能夠進(jìn)行識(shí)別和分析。

2基于視覺(jué)顯著性的圖像理解

將視覺(jué)注意機(jī)制引入圖像信息處理過(guò)程,形成了一種由選擇處理和集中處理組成圖像信息處理的方法。注意機(jī)制被納入到該方法之中,選擇處理對(duì)應(yīng)選擇性注意機(jī)制,用來(lái)對(duì)圖像信息進(jìn)行選擇;集中處理對(duì)應(yīng)集中性注意機(jī)制,用來(lái)集中處理相關(guān)圖像信息,忽略或舍棄不相關(guān)的圖像信息。

另外,知識(shí)庫(kù)將選擇處理和集中處理聯(lián)系起來(lái),通過(guò)其內(nèi)部的高層知識(shí)形成反饋信息與控制指令,對(duì)整個(gè)圖像信息處理過(guò)程進(jìn)行管理。

3視覺(jué)顯著性描述與檢測(cè)模型

在計(jì)算機(jī)視覺(jué)領(lǐng)域的各方向例如目標(biāo)檢測(cè)、圖像分割、以及圖像和視頻壓縮中,顯著性檢測(cè)都得到了廣泛應(yīng)用,用以得到顯著性區(qū)域。其顯示結(jié)果是一幅用以描述源圖像中各位置相對(duì)于其周邊“顯著”程度的灰度圖,即顯著圖。

總體上來(lái)說(shuō),視覺(jué)顯著性檢測(cè)的方法可以分為兩大類,分別是自底向上數(shù)據(jù)驅(qū)動(dòng)的顯著性提取和自頂向下任務(wù)驅(qū)動(dòng)的顯著性提取?？紤]到自頂向下的顯著性提取是根據(jù)特定的任務(wù)建立,理論和應(yīng)用均具有局限性,本文重點(diǎn)介紹自底向上數(shù)據(jù)驅(qū)動(dòng)的顯著性提取類型。同時(shí),目前顯著性檢測(cè)中的絕大多數(shù)研究成果均是研究自底向上的由底層特征驅(qū)動(dòng)的計(jì)算模型。下面對(duì)視覺(jué)顯著性檢測(cè)模型的發(fā)展歷程做一個(gè)簡(jiǎn)單的梳理。

Niebur等人提出第一個(gè)具有實(shí)際意義的視覺(jué)顯著性檢測(cè)算法,而具有里程碑式的視覺(jué)顯著性檢測(cè)模型則是由美國(guó)加州理工學(xué)院的ChristofKoch教授和美國(guó)南加州大學(xué)的LaurentItti副教授二人于1998年合作提出,對(duì)輸入圖像分布計(jì)算得到亮度、顏色和方向3個(gè)通道的高斯金字塔,再對(duì)各金字塔計(jì)算中央周邊差運(yùn)算得到特征圖,最后將各通道的特征圖也分別規(guī)則化后合并得到最終的顯著圖,具有較高的計(jì)算機(jī)適用度。GBVS是基于圖論求取顯著性,提取過(guò)程類似于Itti等人模型模擬視覺(jué)原理,但在顯著圖的生成過(guò)程中加入Markov鏈,利用圖的模型計(jì)算中央周邊差,然后通過(guò)純數(shù)字計(jì)算得到顯著性。DISK算法用樣本方差和峰度估計(jì)假設(shè)的廣義高斯概率密度函數(shù),然后計(jì)算中央周邊的相互信息?；谥醒胫苓叢畹娘@著性算法考慮局部特征的對(duì)比往往用多尺度而不是單個(gè)尺度的方案以更好地求得顯著圖,然而多尺度算法的計(jì)算花銷較大運(yùn)算較慢,并且由于頻繁地使用鄰近插值導(dǎo)致顯著圖的分辨率降低,也一定程度丟失了目標(biāo)邊緣信息除此以外,SR算法和IG算法等基于圖像空間頻域分析的顯著性檢測(cè)算法也都是隸屬于自底向上的顯著性檢測(cè)經(jīng)常采用的代表性算法,它們具有運(yùn)算速度較快的優(yōu)點(diǎn),但I(xiàn)G算法計(jì)算的顯著圖中顯著區(qū)域的顯著度較低,無(wú)法很好地突出最顯著的位置;SR算法沒(méi)有考慮顏色特征,也沒(méi)保存足夠多的高頻信息,使得顯著圖中顯著區(qū)域的邊界不夠清晰。

顯著性模型在上個(gè)世紀(jì)八十年代就被提出,但是直到近幾年才出現(xiàn)許多新的顯著性建模思想,并且形成了一個(gè)熱門(mén)的研究領(lǐng)域。

4視覺(jué)顯著性檢測(cè)在網(wǎng)頁(yè)設(shè)計(jì)中的應(yīng)用

視覺(jué)顯著性模型可以適用于許多應(yīng)用,研究較為成熟的有目標(biāo)檢測(cè)和分割,視頻分析等。其在平面設(shè)計(jì)中同樣具有重要的意義可以通過(guò)這些模型與技術(shù)為設(shè)計(jì)師提供具參考價(jià)值的設(shè)計(jì)優(yōu)化方向,預(yù)測(cè)用戶對(duì)網(wǎng)頁(yè)設(shè)計(jì)效果的評(píng)估與反饋。

在眾多基于區(qū)域的顯著性模型中,Itti模型是極具代表性的顯著性模型,但仍需在圖像處理和數(shù)學(xué)角度理解其本質(zhì)的基礎(chǔ)上針對(duì)網(wǎng)頁(yè)頁(yè)面的圖像特點(diǎn)進(jìn)行研究,從而構(gòu)造出符合網(wǎng)頁(yè)場(chǎng)景的新的顯著性模型。關(guān)于這一領(lǐng)域的研究還較少,目前針對(duì)用戶網(wǎng)頁(yè)瀏覽行為的視覺(jué)顯著性模型僅有少數(shù)基于非圖像信息的概念模型以及計(jì)算模型。由于網(wǎng)頁(yè)瀏覽具有其不同于自然圖像的行為特點(diǎn),應(yīng)用于網(wǎng)頁(yè)的視覺(jué)顯著性模型還需要進(jìn)一步的研究與發(fā)展。