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個的速度飛漲著。與快速增長的網(wǎng)頁數(shù)量相對的是網(wǎng)頁設(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, 這決定了視覺在一定時間內(nèi)只能容納少量的視覺信息。一旦視覺接收到的信息超出一定的視覺容量, 人們就會產(chǎn)生相應(yīng)的抵觸反應(yīng), 引起不快。因此網(wǎng)頁信息的呈現(xiàn)需符合一定的人類視覺規(guī)律。依據(jù)人的視覺機(jī)制對所設(shè)計(jì)網(wǎng)頁進(jìn)行評估顯得尤為重要。
人類視覺系統(tǒng)中的視覺顯著性提取機(jī)制可以快速高效的從大量的視覺輸入信息中提取出那些最重要的信息。同樣的, 在視覺計(jì)算研究領(lǐng)域, 視覺顯著性檢測模型可以得到一幅用以描述原圖像中各位置相對于其周邊的“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)頁頁面作為圖像數(shù)據(jù)進(jìn)行研究, 對其視覺顯著性區(qū)域進(jìn)行分析與檢測, 從而為后續(xù)網(wǎng)頁設(shè)計(jì)優(yōu)化提供相關(guān)建議。
1 人類視覺系統(tǒng)
關(guān)于人類視覺系統(tǒng), 目前認(rèn)可度最高的是Neisser提出的描述人類視覺系統(tǒng)作用過程的機(jī)制。他將早期視覺處理過程分為預(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場景中能引起視覺細(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指導(dǎo)眼球運(yùn)動。后來MIT的David C.Marr做出補(bǔ)充, 提出預(yù)注意階段會將進(jìn)入視覺系統(tǒng)內(nèi)的光線轉(zhuǎn)化為顏色、邊緣、線條和傾角等特征, 并對其進(jìn)行特定的編碼來形成對視覺場景的初步表示, 最終讓視覺系統(tǒng)能夠進(jìn)行識別和分析。
2 基于視覺顯著性的圖像理解
將視覺注意機(jī)制引入圖像信息處理過程, 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, 選擇處理對應(yīng)選擇性注意機(jī)制, 用來對圖像信息進(jìn)行選擇;集中處理對應(yīng)集中性注意機(jī)制, 用來集中處理相關(guān)圖像信息, 忽略或舍棄不相關(guān)的圖像信息。
另外, 知識庫將選擇處理和集中處理聯(lián)系起來, 通過其內(nèi)部的高層知識形成反饋信息與控制指令, 對整個圖像信息處理過程進(jìn)行管理。
3 視覺顯著性描述與檢測模型
在計(jì)算機(jī)視覺領(lǐng)域的各方向例如目標(biāo)檢測、圖像分割、以及圖像和視頻壓縮中, 顯著性檢測都得到了廣泛應(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于其周邊“顯著”程度的灰度圖, 即顯著圖。
總體上來說, 視覺顯著性檢測的方法可以分為兩大類, 分別是自底向上數(shù)據(jù)驅(qū)動的顯著性提取和自頂向下任務(wù)驅(qū)動的顯著性提取。考慮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)動的顯著性提取類型。同時, 目前顯著性檢測中的絕大多數(shù)研究成果均是研究自底向上的由底層特征驅(qū)動的計(jì)算模型。下面對視覺顯著性檢測模型的發(fā)展歷程做一個簡單的梳理。
Niebur等人提出第一個具有實(shí)際意義的視覺顯著性檢測算法, 而具有里程碑式的視覺顯著性檢測模型則是由美國加州理工學(xué)院的Christof Koch教授和美國南加州大學(xué)的Laurent Itti副教授二人于1998年合作提出, 對輸入圖像分布計(jì)算得到亮度、顏色和方向3個通道的高斯金字塔, 再對各金字塔計(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, 提取過程類似于Itti等人模型模擬視覺原理, 但在顯著圖的生成過程中加入Markov鏈, 利用圖的模型計(jì)算中央周邊差, 然后通過純數(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比往往用多尺度而不是單個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算法也都是隸屬于自底向上的顯著性檢測經(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, 無法很好地突出最顯著的位置;SR算法沒有考慮顏色特征, 也沒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, 并且形成了一個熱門的研究領(lǐng)域。
4 視覺顯著性檢測在網(wǎng)頁設(shè)計(jì)中的應(yīng)用
視覺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這些模型與技術(shù)為設(shè)計(jì)師提供具參考價值的設(shè)計(jì)優(yōu)化方向, 預(yù)測用戶對網(wǎng)頁設(shè)計(jì)效果的評估與反饋。
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)上針對網(wǎng)頁頁面的圖像特點(diǎn)進(jìn)行研究, 從而構(gòu)造出符合網(wǎng)頁場景的新的顯著性模型。關(guān)于這一領(lǐng)域的研究還較少, 目前針對用戶網(wǎng)頁瀏覽行為的視覺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)頁的視覺顯著性模型還需要進(jìn)一步的研究與發(fā)展。