本文根据 Gestalt 图像原则和布尔图理论，提出融合颜色和梯度二值特征的布尔图显著性检测模型。
布尔特征图将视觉场景分为两块互补的分区空间：被选中和不被选择的区域。
特征可以选择显示范围内所有的特征维度，如颜色值、方向值。
梯度指图像颜色变化的梯度。
BMCG
步骤：
- 对给定图 I , 通过随机阈值化颜色和梯度特征通道，得到颜色布尔图和梯度布尔图 B
- 基于 Gestalt 前背景分离原则，计算每幅布尔图的视觉注意图 A
- 将颜色和梯度特征视觉注意图融合，得到显著性图 S
生成颜色和梯度特征布尔图
用不同的阈值的横切面对其进行切割并阈值化，得到一系列映射到特定特征维度上的布尔图。
反推过来，通过某维度上多个特征布尔图的叠加，将不同布尔图层的显著性特征属性融合，检测处显著性目标。
根据特征通道的先验分布设置阈值，生成特征布尔图
Bcolori=Thresh(C(I),θ),C∼pC,θ∼pθBgraphi=Thresh(G(I),φ),G∼pG,φ∼pφC(I) 和 G(I) 分别为颜色和梯度通道特征图；阈值 θ 和 φ 是 [0,255] 上的均匀分布； pC、pG、pθ 和 pφ 分别是 C(I) 、G(I) 、θ 和 φ 的先验分布。
颜色布尔图：
使用 CIE Lab 颜色空间表示图像，且将颜色空间上的值归一化到 [0,255] 。
使用固定步长采样得到颜色布尔图 C(I)={Bcolor1,Bcolor2,..Bcolorn}
梯度布尔图：
弥补颜色对像素方向、大小变化不敏感造成的显著性下降
在 RGB 颜色空间使用 [−1,0,1] 掩膜计算像素 x 和 y 方向上的梯度 gx 和 gy ，合并各个颜色通道的梯度形成梯度特征图 G(x,y)=dxi+dyi=min 。通过 \varphi 阈值化形成一组梯度布尔值
接着对 C(I) 和 G(I) 进行反二进制阈值化，形成反颜色和梯度特征布尔图 \widetilde{C}(I) 和 \widetilde{G}(I) ，以防止阈值选取过高时漏检显著性目标。最后使用开运算除去特征布尔图中的噪声。
先验分布是如何得到的？
阈值 \theta 和 \varphi 是 [0,255] 上的均匀分布；
生成视觉注意图
Gestalt 原则：显著性目标很大程度上具有完整闭合的轮廓，而背景往往是无序的。
布尔图中被包围区域是值为 0 或 1 的连通区域，且具有完整闭合的轮廓，只要图像边界是缺少完整轮廓的。
BMCG 将被包围区域置为 1 ，其余置为 0 ，利用 flood fill 算法快速掩膜出连通区域，得到视觉注意图 A_1(B_1), A_2(B_2), …A_l(B_l) 。
在将视觉注意图融合之前，使用 L2 范数范围进行归一化处理，以保留小的视觉注意区域。为了进一步具有惩罚小的、分散的显著性区域的视觉注意图，在归一化前进行膨胀操作。
生成显著性图
常用方法：均值、相乘、平方、最大值、对数法等。
流行的方法：逻辑回归器和条件随机场等学习权系数进行融合的方式
总的来说应用最广泛的方法：线性融合，其融合结果受权系数选择影响
本文采用方法：线性平均融合
其中 p(B|I) 是图像布尔图的先验分布值
仿真结果与性能分析
数据集：MSRA10K
环境：Pentium(R) Dual-Core CPU E5800 3.20GHz; 4G memory; OpenCV
对比算法：FT、CA、SR、HC、RC、BMS 显著性检测算法
评价指数：PR 图、F-measure（F-measure中 \beta^2=0.3 ）
实验结果：recall 达到 71.98% 时能取得 88.01% 精度。BMCG 算法比 BMS 算法的召回率提高 2.12%，准确度提高 4.56% 。时间效率上处理一张图平均 0.39 s 。