在計算機技術(shù)飛速發(fā)展的今天, 世界范圍內的網(wǎng)站數量正以每分鐘571個(gè)的速度飛漲著(zhù)。與快速增長(cháng)的網(wǎng)頁(yè)數量相對的是網(wǎng)頁(yè)設計水平的參差不齊。唯有符合一定設計規律的網(wǎng)頁(yè)才利于用戶(hù)體驗與信息傳播。而根據眼球的生理結構, 視覺(jué)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(jué)在一定時(shí)間內只能容納少量的視覺(jué)信息。一旦視覺(jué)接收到的信息超出一定的視覺(jué)容量, 人們就會(huì )產(chǎn)生相應的抵觸反應, 引起不快。因此網(wǎng)頁(yè)信息的呈現需符合一定的人類(lèi)視覺(jué)規律。依據人的視覺(jué)機制對所設計網(wǎng)頁(yè)進(jìn)行評估顯得尤為重要。
人類(lèi)視覺(jué)系統中的視覺(jué)顯著(zhù)性提取機制可以快速高效的從大量的視覺(jué)輸入信息中提取出那些最重要的信息。同樣的, 在視覺(jué)計算研究領(lǐng)域, 視覺(jué)顯著(zhù)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(zhù)”程度的灰度圖, 即顯著(zhù)圖, 從而感知出圖像數據中的顯著(zhù)性區域。本文將網(wǎng)頁(yè)頁(yè)面作為圖像數據進(jìn)行研究, 對其視覺(jué)顯著(zhù)性區域進(jìn)行分析與檢測, 從而為后續網(wǎng)頁(yè)設計優(yōu)化提供相關(guān)建議。
1 人類(lèi)視覺(jué)系統
關(guān)于人類(lèi)視覺(jué)系統, 目前認可度最高的是Neisser提出的描述人類(lèi)視覺(jué)系統作用過(guò)程的機制。他將早期視覺(jué)處理過(guò)程分為預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(chǎng)景中能引起視覺(jué)細胞更大刺激的顯著(zhù)的特征, 即那些不同于大多數的背景的區域部分。第二階段中, 神經(jīng)系統將這些顯著(zhù)的特征通過(guò)某種關(guān)系進(jìn)行融合和聚類(lèi), 然后形成注意力分配圖用來(lái)指導眼球運動(dòng)。后來(lái)MIT的David C.Marr做出補充, 提出預注意階段會(huì )將進(jìn)入視覺(jué)系統內的光線(xiàn)轉化為顏色、邊緣、線(xiàn)條和傾角等特征, 并對其進(jìn)行特定的編碼來(lái)形成對視覺(jué)場(chǎng)景的初步表示, 最終讓視覺(jué)系統能夠進(jìn)行識別和分析。
2 基于視覺(jué)顯著(zhù)性的圖像理解
將視覺(jué)注意機制引入圖像信息處理過(guò)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。注意機制被納入到該方法之中, 選擇處理對應選擇性注意機制, 用來(lái)對圖像信息進(jìn)行選擇;集中處理對應集中性注意機制, 用來(lái)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(lái), 通過(guò)其內部的高層知識形成反饋信息與控制指令, 對整個(gè)圖像信息處理過(guò)程進(jìn)行管理。
3 視覺(jué)顯著(zhù)性描述與檢測模型
在計算機視覺(jué)領(lǐng)域的各方向例如目標檢測、圖像分割、以及圖像和視頻壓縮中, 顯著(zhù)性檢測都得到了廣泛應用, 用以得到顯著(zhù)性區域。其顯示結果是一幅用以描述源圖像中各位置相對于其周邊“顯著(zhù)”程度的灰度圖, 即顯著(zhù)圖。
總體上來(lái)說(shuō), 視覺(jué)顯著(zhù)性檢測的方法可以分為兩大類(lèi), 分別是自底向上數據驅動(dòng)的顯著(zhù)性提取和自頂向下任務(wù)驅動(dòng)的顯著(zhù)性提取?？紤]到自頂向下的顯著(zhù)性提取是根據特定的任務(wù)建立, 理論和應用均具有局限性, 本文重點(diǎn)介紹自底向上數據驅動(dòng)的顯著(zhù)性提取類(lèi)型。同時(shí), 目前顯著(zhù)性檢測中的絕大多數研究成果均是研究自底向上的由底層特征驅動(dòng)的計算模型。下面對視覺(jué)顯著(zhù)性檢測模型的發(fā)展歷程做一個(gè)簡(jiǎn)單的梳理。
Niebur等人提出第一個(gè)具有實(shí)際意義的視覺(jué)顯著(zhù)性檢測算法, 而具有里程碑式的視覺(jué)顯著(zhù)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, 對輸入圖像分布計算得到亮度、顏色和方向3個(gè)通道的高斯金字塔, 再對各金字塔計算中央周邊差運算得到特征圖, 最后將各通道的特征圖也分別規則化后合并得到最終的顯著(zhù)圖, 具有較高的計算機適用度。GBVS是基于圖論求取顯著(zhù)性, 提取過(guò)程類(lèi)似于Itti等人模型模擬視覺(jué)原理, 但在顯著(zhù)圖的生成過(guò)程中加入Markov鏈, 利用圖的模型計算中央周邊差, 然后通過(guò)純數字計算得到顯著(zhù)性。DISK算法用樣本方差和峰度估計假設的廣義高斯概率密度函數, 然后計算中央周邊的相互信息?；谥醒胫苓叢畹娘@著(zhù)性算法考慮局部特征的對比往往用多尺度而不是單個(gè)尺度的方案以更好地求得顯著(zhù)圖, 然而多尺度算法的計算花銷(xiāo)較大運算較慢, 并且由于頻繁地使用鄰近插值導致顯著(zhù)圖的分辨率降低, 也一定程度丟失了目標邊緣信息除此以外, SR算法和IG算法等基于圖像空間頻域分析的顯著(zhù)性檢測算法也都是隸屬于自底向上的顯著(zhù)性檢測經(jīng)常采用的代表性算法, 它們具有運算速度較快的優(yōu)點(diǎn), 但IG算法計算的顯著(zhù)圖中顯著(zhù)區域的顯著(zhù)度較低, 無(wú)法很好地突出最顯著(zhù)的位置;SR算法沒(méi)有考慮顏色特征, 也沒(méi)保存足夠多的高頻信息, 使得顯著(zhù)圖中顯著(zhù)區域的邊界不夠清晰。
顯著(zhù)性模型在上個(gè)世紀八十年代就被提出, 但是直到近幾年才出現許多新的顯著(zhù)性建模思想, 并且形成了一個(gè)熱門(mén)的研究領(lǐng)域。
4 視覺(jué)顯著(zhù)性檢測在網(wǎng)頁(yè)設計中的應用
視覺(jué)顯著(zhù)性模型可以適用于許多應用, 研究較為成熟的有目標檢測和分割, 視頻分析等。其在平面設計中同樣具有重要的意義可以通過(guò)這些模型與技術(shù)為設計師提供具參考價(jià)值的設計優(yōu)化方向, 預測用戶(hù)對網(wǎng)頁(yè)設計效果的評估與反饋。
在眾多基于區域的顯著(zhù)性模型中, Itti模型是極具代表性的顯著(zhù)性模型, 但仍需在圖像處理和數學(xué)角度理解其本質(zhì)的基礎上針對網(wǎng)頁(yè)頁(yè)面的圖像特點(diǎn)進(jìn)行研究, 從而構造出符合網(wǎng)頁(yè)場(chǎng)景的新的顯著(zhù)性模型。關(guān)于這一領(lǐng)域的研究還較少, 目前針對用戶(hù)網(wǎng)頁(yè)瀏覽行為的視覺(jué)顯著(zhù)性模型僅有少數基于非圖像信息的概念模型以及計算模型。由于網(wǎng)頁(yè)瀏覽具有其不同于自然圖像的行為特點(diǎn), 應用于網(wǎng)頁(yè)的視覺(jué)顯著(zhù)性模型還需要進(jìn)一步的研究與發(fā)展。