WOLFRAM

Wolfram 语言与系统参考资料中心

ImageSaliencyFilter[image]

返回 image 的显著图.

更多信息和选项
Details and Options Details and Options
范例  
基本范例  
选项  
Method  
应用  
属性和关系  
参见
相关指南
历史
按以下格式引用：

ImageSaliencyFilter

ImageSaliencyFilter[image]

返回 image 的显著图.

更多信息和选项

  • 显著性滤波产生单通道图像（也称为显著图），其中强度表示像素在输入图像中的重要性或显著性.
  • ImageSaliencyFilter 通常用来聚焦于图像中特征与众不同的区域. 突显值越高越重要.
  • ImageSaliencyFilter 适用于具有任意通道数的二维图像.
  • ImageSaliencyFilter 使用 Method 选项. 可能的设置是：
  • "Itti"基于颜色、 强度和方向的突显性（默认）
    "IttiColor"Itti 算法的彩色图
    "IttiIntensity"Itti 算法的强度图
    "IttiOrientation"Itti 算法的方向图
    "HistogramContrast"基于图像像素的平均颜色差值的突显性
    "SpectralResidual"基于对数光谱残差的突显性
    "ImageSignature"基于前景估计的突显性
    "U2Net"U^2-Net 显著对象检测（默认）
  • Itti 算法基于人类视觉突显性. 对于所有基于该算法的方法，计算都是在 RGB 颜色空间进行的.
  • 对于所有基于 Itti 的方法，图像的不同尺度互相比较. 当Method->{"method",{σ1,σ2,…},{step1,step2,…}} 时，对于所有 j，尺度 σi 会和较粗糙的尺度 σi+stepj 比较. 默认设置为 {"Itti",{2,3,4},{3,4}}.
  • 使用 Method{"U2Net",TargetDevicedevice}，可以指定执行计算的设备.

范例

打开所有单元 关闭所有单元

基本范例  (2)

灰度图像的突显滤波：

Wolfram Language code: ImageSaliencyFilter[[image]]//ImageAdjust

彩色图像的突显滤波：

Wolfram Language code: ImageSaliencyFilter[[image]]//ImageAdjust

选项  (6)

Method  (6)

默认情况下，使用 "U2Net"：

Wolfram Language code: ImageSaliencyFilter[[image]]

计算基于 Itti 视觉关注模型的突显性：

Wolfram Language code: i = [image]; ImageAdjust@ImageSaliencyFilter[i, Method -> "Itti"]

返回 Itti 算法使用的方向和密度地图：

Wolfram Language code: ImageAdjust@ImageSaliencyFilter[i, Method -> #]& /@ {"IttiOrientation", "IttiIntensity"}

"HistogramContrast" 方法使用量化图像估计颜色对比度：

Wolfram Language code: i = [image];
Wolfram Language code: ImageSaliencyFilter[i, Method -> "HistogramContrast"]//ImageAdjust

指定使用的层数：

Wolfram Language code: ImageSaliencyFilter[i, Method -> {"HistogramContrast", 4}]//ImageAdjust

使用 "ImageSignature" 方法计算突显性：

Wolfram Language code: ImageSaliencyFilter[[image], Method -> "ImageSignature"]//ImageAdjust

使用 "SpectralResidual" 方法计算突显性：

Wolfram Language code: ImageSaliencyFilter[[image], Method -> "SpectralResidual"]//ImageAdjust

使用 "U2Net" 神经网络的显著性过滤：

Wolfram Language code: ImageSaliencyFilter[[image], Method -> "U2Net"]

应用  (4)

使用突显将图像前景与它的背景分开：

Wolfram Language code: i = [image];

计算图像的突显地图：

Wolfram Language code: map = ImageSaliencyFilter[i]

通过使用扩展的最大值对突显地图进行二值化来提取前景区域：

Wolfram Language code: SetAlphaChannel[i, MaxDetect[map, .5]]

创建掩膜以识别图景中最突显的对象：

Wolfram Language code: i = [image];
Wolfram Language code: saliencymap = ImageSaliencyFilter[i, Method -> "HistogramContrast"]//ImageAdjust

将突显地图二值化，并且保存最大分量：

Wolfram Language code: mask = DeleteSmallComponents@Dilation[Binarize[saliencymap, 1 / 2], 1]

从图像提取突显区域：

Wolfram Language code: SetAlphaChannel[i, mask]

修剪图像的突显区域：

Wolfram Language code: ImageTrim[i, #, 10]& /@ ComponentMeasurements[mask, "BoundingBox"][[All, 2]]

利用显著图提取图像的显著区域：

Wolfram Language code: i = [image];
Wolfram Language code: map = ImageSaliencyFilter[i, Method -> "IttiColor"]//ImageAdjust

按最大显著性修剪该区域：

Wolfram Language code: ImageTrim[i, ImageValuePositions[map, "Max"], 30]

使用图像金字塔计算不同尺度下的显著性：

Wolfram Language code: i = [image];

计算图像金字塔，对所有层级应用显著性滤波：

Wolfram Language code: pyr = ImagePyramidApply[ImageSaliencyFilter[#, Method -> "ImageSignature"]&, ImagePyramid[i]]

通过累积所有层级的结果来重建多尺度显著图：

Wolfram Language code: InverseImagePyramid[pyr, "Laplacian"]//ImageAdjust

将图像上的显著图显示为 Alpha 通道：

Wolfram Language code: SetAlphaChannel[i, % / 2]

与单级显著性过滤结果相比：

Wolfram Language code: SetAlphaChannel[i, ImageAdjust[ImageSaliencyFilter[i, Method -> "ImageSignature"]]]

与基于神经网络的显著性过滤相比：

Wolfram Language code: SetAlphaChannel[i, ImageAdjust[ImageSaliencyFilter[i, Method -> "U2Net"]]]

属性和关系  (1)

设置 Method->"Itti" 下，用于比较的图越少，结果的计算就越快：

Wolfram Language code: image = [image];
Wolfram Language code: RepeatedTiming[ImageSaliencyFilter[image, Method -> "Itti"]]
Wolfram Language code: RepeatedTiming[ImageSaliencyFilter[image, Method -> {"Itti", {2, 4}, {2}}]]

Itti 仍然比基于神经网络的方法更快：

Wolfram Language code: RepeatedTiming[ImageSaliencyFilter[image, Method -> "U2Net"]]
Wolfram Research (2014)，ImageSaliencyFilter，Wolfram 语言函数，https://reference.wolfram.com/language/ref/ImageSaliencyFilter.html （更新于 2023 年）.

文本

Wolfram Research (2014)，ImageSaliencyFilter，Wolfram 语言函数，https://reference.wolfram.com/language/ref/ImageSaliencyFilter.html （更新于 2023 年）.

CMS

Wolfram 语言. 2014. "ImageSaliencyFilter." Wolfram 语言与系统参考资料中心. Wolfram Research. 最新版本 2023. https://reference.wolfram.com/language/ref/ImageSaliencyFilter.html.

APA

Wolfram 语言. (2014). ImageSaliencyFilter. Wolfram 语言与系统参考资料中心. 追溯自 https://reference.wolfram.com/language/ref/ImageSaliencyFilter.html 年

BibTeX

@misc{reference.wolfram_2026_imagesaliencyfilter, author="Wolfram Research", title="{ImageSaliencyFilter}", year="2023", howpublished="\url{https://reference.wolfram.com/language/ref/ImageSaliencyFilter.html}", note=[Accessed: 21-July-2026]}

BibLaTeX

@online{reference.wolfram_2026_imagesaliencyfilter, organization={Wolfram Research}, title={ImageSaliencyFilter}, year={2023}, url={https://reference.wolfram.com/language/ref/ImageSaliencyFilter.html}, note=[Accessed: 21-July-2026]}