基于眼动实验的显著目标检测图像库构建

doi:10.3969/j.issn.0258-8021. 2015. 04.014

摘要
图/表
参考文献
相关文章 (4)

全文: PDF (6457 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要构建一个合理的显著目标检测标准图像库，探讨图像分割对于显著目标检测的重要意义。首先以Berkeley的BSDS500图像库为基础，通过使用眼动仪记录10位被试观看图片时的眼动轨迹，并结合手工勾画的标准分割图像，构建了一个显著目标检测图像库（含500幅自然图像）。其次，基于gPb-UCM图像分割算法结果，同时引入中央偏置和图像边界先验作为后处理，建立了一个简单的显著目标检测方法。实验结果显示，与以往的二值显著目标图像库不同，本研究为多目标图像提供了每个目标的相对显著水平，可作为更为符合人类感知经验的显著目标检测参考图像。另外，研究发现，基于已有的图像分割算法，并结合简单的后处理就能有效地实现复杂图像中的显著性目标检测（和标准图像的相关系数为0.53），其效果接近现有最优算法的水平（相关系数为0.54），证明了图像分割在显著目标检测中的重要作用。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	高鑫杨开富尧德中^# 李永杰^*

关键词 ：眼动, 显著目标, 图像分割, 图像库

Abstract：

Key words： eye movement salient object image segmentation dataset

基金资助:国家重点基础研究发展计划（973计划）（2013CB329401）；国家自然科学基金（91420105，61375115）

引用本文:

高鑫杨开富尧德中^# 李永杰^{*Gao Xin Yang Kaifu Yao Dezhong^# Li Yongjie^*. A Dataset for Salient Region Detection Based on Human Eye Movement. journal1, 2015, 34(4): 487-491.}

链接本文:

http://cjbme.csbme.org/CN/10.3969/j.issn.0258-8021. 2015. 04.014 或 http://cjbme.csbme.org/CN/Y2015/V34/I4/487

［1］Rutishauser U, Walther D, Koch C et al. Is bottomup attention useful for object recognition? ［C］ // IEEE Conference on Computer Vision and Pattern Recognition. Washington: CVPR, 2004: 37-44. 
［2］Christopoulos C, Skodras A, Ebrahimi T. The JPEG2000 still image coding system: an overview ［J］. IEEE Transactions on Consumer Electronics, 2000, 46(4):1103-1127.
［3］Liu W, Tong QY. Medical image retrieval using salient point detector ［C］ // IEEE Conference on Engineering in Medicine and Biology Society. Shanghai: IEEE, 2005: 6352-6355. 
［4］Itti L, Koch C. Computational modeling of visual attention ［J］. Nature Reviews Neuroscience, 2001, 2(3):194-203.
［5］Li Zhaoping. A neural model of contour integration in the primary visual cortex ［J］. Neural Computation, 1998, 10(4):903-940.
［6］Itti L, Koch C, Niebur E. A model of saliencybased visual attention for rapid scene analysis ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1998, 20(11):1254-1259.
［7］Li Yin, Hou Xiaodi, Koch C et al. The secrets of salient object segmentation ［C］ // IEEE Conference on Computer Vision and Pattern Recognition. Columbus: CVPR, 2014: 280-287. 
［8］Cheng Mingming, Zhang Guoxin, Mitra NJ et al. Global contrast based salient region detection ［C］ // IEEE Conference on Computer Vision and Pattern Recognition. Colorado Springs: CVPR,2011: 409-416.
［9］Yan Qiong, Xu Li, Shi Jiangping et al. Hierarchical saliency detection ［C］ // IEEE Conference on Computer Vision and Pattern Recognition. Portland: CVPR, 2013: 1155-1162.
［10］Arbelaez P, Maire M, Fowlkes C et al. Contour detection and hierarchical image segmentation ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011,33(5):898-916.
［11］Brainard DH. The psychophysics toolbox ［J］. Spatial Vision, 1997, 10:433-436.
［12］Pelli DG. The VideoToolbox software for visual psychophysics: Transforming numbers into movies ［J］. Spatial Vision, 1997, 10(4):437-442.
［13］Judd T, Ehinger K, Durand F et al. Learning to predict where humans look ［C］ // IEEE International Cconference on Computer Vision. Kyoto: ICCV, 2009: 2106-2113.
［14］Zhu Wangjiang, Liang Shuang, Wei Yichen et al. Saliency optimization from robust background detection ［C］ // IEEE Conference on Computer Vision and Pattern Recognition. Columbus: CVPR, 2014: 2814-2821.
［15］Wei Yichen, Wen Fang, Zhu Wangjiang et al. Geodesic saliency using background priors［C］ // Europea Conference on Computer Vision. Florence: SpringerVerlag, 2012: 29-42.
［16］Borji A, Sihite DN, Itti L. Salient object detection: A benchmark［C］ // Europea Conference on Computer Vision. Florence: SpringerVerlag, 2012: 414-429.
［17］Kootstra G, Nederveen A, De Boer B. Paying attention to symmetry［C］ // British Machine Vision Conference. Leeds: BMVC, 2008:1115-1125.
［18］Achanta R, Hemami S, Estrada F et al. Frequencytuned salient region detection ［C］ // IEEE Conference on Computer Vision and Pattern Recognition. Kyoto:CVPR, 2009: 1597-1604.