Abstract
现有的显著性检测方法使用images作为输入，它对前景/背景相似，复杂的背景纹理和遮挡是敏感的。 我们探索使用光场(Light Field)作为显著性检测的输入。 我们证明了光场特有的重聚焦可提供有用的聚焦度信息，深度和客观性线索。实验表明，我们的显著性检测方案可以稳健地处理具有挑战性的场景，例如前景和背景相似，背景杂乱，复杂的遮挡等，并实现了高精度和鲁棒性。
Introduction
光场有助于显著性检测的原因：
（1）光场具有独特的捕获后再聚焦能力，即它可以合成聚焦在不同深度的一组图像。如果我们能从焦堆栈中选出只聚焦在前景的图像，那么显著目标检测问题就等同于聚焦度测量算法。焦堆栈的 availability与“聚焦度”度量一致[13]，它是模糊度的倒数，可以通过尺度空间分析根据边缘尺度进行估计。
(2）光场提供了场景深度和遮挡的近似值。在显著性检测中，即使是不太精确的深度图也能很好地区分前景和背景。
现存问题：
当前景和背景具有相似的外观或背景是杂乱时，鲁棒的背景检测是一个挑战。
解决方案：
通过测量像素/区域的聚焦度来计算前景似然得分（FLS）和背景似然得分（BLS）。选择BLS最高的层作为背景，并用它来估计背景区域。另外，选择FLS较高的区域作为候选显著对象。最后，我们对全聚焦图像进行基于对比度的显著性检测，并将其与检测到的候选显著性线性结合起来。实验表明，我们的显著性检测方案能够很好地处理具有挑战性的场景，如相似的前景和背景、杂乱的背景、多深度层和严重遮挡的图像等，达到了较高的精度和鲁棒性。
Compute light field saliency cues
1.聚焦度线索
在频域求出每张焦堆栈图像的聚焦度图：
（1）先对每张焦堆栈图像I(x,y)进行DCT变换
（2）我们计算图像对不同频率分量的响应。我们首先在D(u,v)上应用M个带通滤波器{Pm}来分解信号，然后通过逆DCT将分解的结果转换回来。模糊区域将移除某些高频成分。因此，只有聚焦区域在所有频率上都具有高响应。在实现中，我们使用8 *8的滑动窗口，并计算每个块关于带通滤波器{Pm}的方差tm。为了确保可靠的聚焦测量，我们使用谐波方差[37]来测量所有滤波器的总体方差
（3）为了测量区域的聚焦度，我们只需计算区域r内所有像素的平均值
2.背景选择
(1)分析聚焦对象相对于其在图像中的位置的分布：如果大多数聚焦对象（像素）位于图像的边界附近，则它们更可能属于背景。此外，如果对应的深度层较远，则其焦点内的对象也更可能是背景。因此我们遍历所有的焦堆栈切片。对于每个切片I，我们分别沿x轴和y轴投影所有像素的聚焦度值，形成两个一维聚焦度分布
显著性目标更可能分布在图像的中央附近，由此可推得焦堆栈中的背景层（某个焦堆栈图像）边界处的聚焦度会高。故背景层边缘处的Dx和Dy值会高，而中央附近的Dx和Dy值会低。为了凸显焦堆栈图像中不同的聚焦度分布，采用U型滤波器对一维聚焦度分布进行滤波：
由于背景层的Dx和Dy值在边界处比较高，故U型滤波器(个人理解，U型滤波器就是和高斯滤波器相反)用于抑制候选前景层的聚焦度取值从而选出背景层。每一层的背景相似性BLS可以用U型滤波器得到：
3.对象性和前景选择
一个突出的对象应该是完整的，因此，我们用一维高斯滤波器来测量焦堆栈图像I(x,y)的对象性
对象性分值：
如果焦堆栈切片中的对象是显著的，那么它应该具有低BLS和高OS，表明它属于前景。因此，我们将前景相似性定义为
显著性目标的景深往往比背景所占景深要大，所以在不止一层上有较太的聚焦度，故此处选择FLS（FLS>0.7*max（FLS））作为前景候选。
Saliency Detection
1.位置线索
用背景切片IB的聚焦度图FB（r）来确定全聚焦图像的背景区域，并结合位置先验作为背景线索其中，pr是区域r的中心点（分割全聚焦图像超像素时已经得到），c表示整幅全聚焦图像的中心点，r是归一化因数，取r=max llPr-cll ）。
对背景层的BC®值进行阈值划分，首先将每个超像素的BC®值按从小到大的顺序排列，然后取前K个BC®值所在区域作为显著区，后D个BC®值所在区域作为背景区，其中K+D=超像素个数，可以得出背景区集合R’（r）和前景显著区集合R（r）。
由于BC®较大的值位于背景区而非显著区，故计算显著区域不能使用BC®，而是使用BC的对数，即位置信息为：
2.对比度线索
将每一个显著区r与每一个非显著区r’进行颜色对比。计算每一个显著区r与每一个背景区r’的颜色差异：
其中
将颜色对比度与位置信息结合可得基于颜色对比度的显著图
3.前景线索
将前景候选与位置信息相结合可得到前景线索：
4.最终显著性
将基于颜色对比度的显著图和前景线索相结合，并使用各层的目标系数作为权重因子，得到最终显著性