基于马尔科夫吸收概率的显着区域检测 MAP（Saliency Region Detection Based on Markov Absorption Probabilities）

详见卢湖川主页

本研究中，我们借助显著性检测与马尔科夫吸收概率之间的内在联系，设计出一种创新的自下而上的突出物体识别技术。

首先，我们将加权图上部分图像边界设定为背景（仅采用左侧和顶部作为背景），并利用马尔科夫吸收概率计算初步的显著性图。每个像素点的显著程度被定义为其与最相似的若干左、右虚拟边界节点对应的吸收概率之和。其次，通过将图像元素与从初步显著图中提取的前景提示的相关性进行排序，以获取更优的结果，该方法能够有效增强目标对象与背景之间的区分度。其计算过程虽与第一阶段类似，但具体实现方式存在明显差异。最终，借助三种优化手段——基于内容的扩散机制、超像素抑制函数以及引导过滤器——对第二阶段所得广义显著图进行进一步调整，实践表明这些方法具有良好的互补性和有效性。

本研究基于图像图模型中的随机游走过程模拟显著性检测。在Graph-based visual saliency方法中，Harel等人通过在完全连接图上遍历马尔科夫链，并在平衡状态下统计各节点的访问频率来识别显著区域。在本文工作中，我们则通过2环图模型上的马尔科夫吸收概率来衡量各图像区域的显著性，并详细阐述了如何依据前景线索将显着区域从背景中分离出来。

主要工作包括：

a. 探索稀疏二环图像结构下显著性检测与马尔可夫吸收概率之间的关系，并据此对图像前景的大致位