CN108648209B - 一种显著性数据集的中心偏差的评测方法 - Google Patents

一种显著性数据集的中心偏差的评测方法 Download PDF

Info

Publication number
CN108648209B
CN108648209B CN201810308206.9A CN201810308206A CN108648209B CN 108648209 B CN108648209 B CN 108648209B CN 201810308206 A CN201810308206 A CN 201810308206A CN 108648209 B CN108648209 B CN 108648209B
Authority
CN
China
Prior art keywords
data set
center
evaluating
image
significance data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810308206.9A
Other languages
English (en)
Other versions
CN108648209A (zh
Inventor
梁晔
马楠
许亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Union University
Original Assignee
Beijing Union University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Union University filed Critical Beijing Union University
Priority to CN201810308206.9A priority Critical patent/CN108648209B/zh
Publication of CN108648209A publication Critical patent/CN108648209A/zh
Application granted granted Critical
Publication of CN108648209B publication Critical patent/CN108648209B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种显著性数据集的中心偏差的评测方法，包括以下步骤：步骤1：统计距离图像中心不同范围内的显著区域比例；步骤2：计算中心偏差的性能分值。本发明提出一种显著性数据集的中心偏差的评测方法，通过显著性数据集的中心偏差的评测，在一定程度上避免建库人员选择有一定特点的图像或者选择某一类图像。

Description

一种显著性数据集的中心偏差的评测方法
技术领域
本发明涉及计算机视觉与图像处理的技术领域，特别是一种显著性数据集的中心偏差的评测方法。
背景技术
随着显著区域检测的研究，涌现了数十个显著性数据集用于测试显著区域检测算法的性能。从关于显著性数据集的相关文献来看，显著性数据集大体来自于两个领域：一类是为了显著性研究而建立的数据集，另一类是从图像分割领域延伸过来的显著性数据集。这些数据集有的以矩形框方式进行显著区域的标注，更多的是在像素级进行显著区域的标注，还有的通过眼动仪进行视点图的标注。数据集从矩形框标注更多地转向于像素级别的标注。数据集的图像也从简单的图像结构、中心偏差以及前景和背景的明显差异变得越来越复杂，越来越具有挑战性。但数据集目前仍存在着一些数据集带有明显的中心偏差的问题。
数据集的偏差问题一直是计算机视觉存在的问题。偏差可以表现为图像挑选的偏差，指建库人员易于选择有一定特点的图像，比如前景和背景对比度大的图像，或者易于选择某一类图像，比如显著区域倾向于位于图像的中心。偏差问题不但会导致图像库里面的图像类型不够丰富，也会误导算法的研究。科学的显著性数据集有利于开发鲁棒性高的显著区域提取方法，提高检测方法的普适性。
发明内容
为了解决上述的技术问题，本发明提出一种显著性数据集的中心偏差的评测方法，通过显著性数据集的中心偏差的评测，在一定程度上避免建库人员选择有一定特点的图像或者选择某一类图像。
本发明提供一种显著性数据集的中心偏差的评测方法，包括以下步骤：
步骤1：统计距离图像中心不同范围内的显著区域比例；
步骤2：计算中心偏差的性能分值。
优选的是，所述步骤1包括以下子步骤：
步骤11：将图像I进行多矩形划分，形成多个矩形环；
步骤12：统计每个所述矩形环内显著区域的比例。
在上述任一方案中优选的是，设定划分的所述矩形环的个数为N，每个所述矩形环的区域为Si，1≤i≤N。
在上述任一方案中优选的是，所述步骤12包括将距离图像中心不同范围内的数目numi初始化为0，即numi＝0。
在上述任一方案中优选的是，所述步骤12还包括读取Ij和Ij对应的二值标注图Gj，其中Ij∈D，D表示数据集。
在上述任一方案中优选的是，所述步骤12还包括提取所述二值标注图Gj中的显著区域集合Cj，Cj中不连通的显著区域的个数为Mj。
在上述任一方案中优选的是，判断Xi位于图像Ij的哪层矩形环内，如果Xi位于第n个矩形环区域，则numn＝numn+1，其中Xi∈Cj，1≤i≤Mj。
在上述任一方案中优选的是，所述比例的计算公式为
Figure BDA0001621613380000021
在上述任一方案中优选的是，所述中心偏差的性能分值score的计算方法为
Figure BDA0001621613380000022
其中，fi表示每个所述矩形环显著区域的比例，1≤i≤N。
在上述任一方案中优选的是，所述中心偏差的性能分值score越大，所述数据集D的性能越差，收到中心偏差的影响越大。
本发明提出了一种显著性数据集的中心偏差的评测方法，概念简单，有利于开发鲁棒性高的显著区域提取方法，提高检测方法的普适性。
附图说明
图1为按照本发明的显著性数据集的中心偏差的评测方法的一优选实施例的流程图。
图2为按照本发明的显著性数据集的中心偏差的评测方法的另一优选实施例的矩形环区域图。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的阐述。
实施例一
如图1所示，执行步骤100，将图像I进行多矩形划分，形成多个矩形环。设定划分的所述矩形环的个数为N，每个所述矩形环的区域为Si，1≤i≤N。执行步骤110，统计每个所述矩形环内显著区域的比例。将距离图像中心不同范围内的数目numi初始化为0，即numi＝0。读取Ij和Ij对应的二值标注图Gj，其中Ij∈D，D表示数据集。提取所述二值标注图Gj中的显著区域集合Cj，Cj的元素个数为Mj。判断Xi位于图像Ij的哪层矩形环内，如果Xi位于第n个矩形环区域，则numn＝numn+1，其中Xi∈Cj，1≤i≤Mj。所述比例的计算公式为
Figure BDA0001621613380000031
执行步骤120，计算中心偏差的性能分值。所述中心偏差的性能分值score的计算方法为
Figure BDA0001621613380000032
其中，fi表示每个所述矩形环显著区域的比例，1≤i≤N。中心偏差的性能分值score越大，所述数据集D的性能越差，收到中心偏差的影响越大。
实施例二
随着显著区域检测的研究，涌现了数十个显著性数据集用于测试显著区域检测算法的性能。从关于显著性数据集的相关文献来看，显著性数据集大体来自于两个领域：一类是为了显著性研究而建立的数据集，另一类是从图像分割领域延伸过来的显著性数据集。这些数据集有的以矩形框方式进行显著区域的标注，更多的是在像素级进行显著区域的标注，还有的通过眼动仪进行视点图的标注。数据集从矩形框标注更多地转向于像素级别的标注。数据集的图像也从简单的图像结构、中心偏差以及前景和背景的明显差异变得越来越复杂，越来越具有挑战性。但数据集目前仍存在一些问题：(1)一些数据集的图像结构简单，前景和背景具有明显的差异，会导致图像中的显著区域比较容易提取。(2)一些数据集带有明显的中心偏差。(3)数据集中图像的挑选带有很强的人为和主观因素，导致数据集不具有普适性。
本发明是针对第2个问题提出一种用于评测数据集中心偏差程度的方法。
本申请的意义：数据集的偏差问题一直是计算机视觉存在的问题，偏差可以表现为图像挑选的偏差，指建库人员易于选择有一定特点的图像，比如前景和背景对比度大的图像，或者易于选择某一类图像，比如显著区域倾向于位于图像的中心。偏差问题不但会导致图像库里面的图像类型不够丰富，也会误导算法的研究。科学的显著性数据集有利于开发鲁棒性高的显著区域提取方法，提高检测方法的普适性。
第一步：统计距离图像中心不同范围内的显著区域比例。
一幅图像I以及这幅图像对应的二值标注图G。
将图像I进行多矩形划分，形成个多个矩形环，划分的矩形环的个数为N，每个矩形环区域为Si，1≤i≤N。最中心的矩形环区域(最中心的区域为矩形，本发明也称为矩形环区域)。
下面为统计每个矩形环内显著区域比例的计算步骤：
输入：数据集D和它对应的二值标注集S；
输出：显著区域占距离图像中心不同范围内的分布。
计算过程：
Figure BDA0001621613380000041
Figure BDA0001621613380000051
第二步：计算中心偏差的性能分值。
中心偏差的性能分值的计算方法如下
Figure BDA0001621613380000052
score代表数据集的中心偏差的性能分值；每个矩形环区域内显著区域的比例为fi，1≤i≤N；wi代表不同矩形环范围内的权重。
分值越大，表明数据集的性能越不好，说明数据集受中心偏差的影响越大。
实施例三
如图2所示，每幅图像划分为4个矩形环区域，最中心的矩形环区域(最中心的区域为矩形)为S1，第2层矩形环区域为S2，第3层矩形环区域为S3，第4层矩形环区域为S4。S1层的权重为0.4，S2层的权重为0.3，S3层的权重为0.2，S1层的权重为0.1。
实施例四
TBD、MSRA 5000、MIT、ECSSD、MSRA1000、Imgsal、DUT-OMRON、THUS10000、iCoSeg是9个流行的显著性数据集，分别针对每个显著性数据集统计距离图像中心不同范围内的显著区域比例，结果如下：
Figure BDA0001621613380000061
实施例五
计算各个数据集的中心偏差的性能分值：
分值 排序
TBD 0.30806 5
MSRA 5000 0.32936 7
MIT 0.29625 4
ECSSD 0.33888 9
MSRA 1000 0.31351 6
Imgsal 0.26 1
DUT-OMRON 0.29023 3
THUS10000 0.33454 8
iCoSeg 0.28202 2
数据集的中心偏差性能分值最低，说明中心偏差的倾向越小，则数据集的性能越好。从中心偏差的角度来看，表格的数据表明Imgsal数据集的性能最好，ECSSD数据集的性能最差。
为了更好地理解本发明，以上结合本发明的具体实施例做了详细描述，但并非是对本发明的限制。凡是依据本发明的技术实质对以上实施例所做的任何简单修改，均仍属于本发明技术方案的范围。本说明书中每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

Claims (7)

1.一种显著性数据集的中心偏差的评测方法，包括以下步骤：
步骤1：统计距离图像中心不同范围内的显著区域比例，所述步骤1包括以下子步骤：
步骤11：将图像I进行多矩形划分，形成多个矩形环；
步骤12：统计每个所述矩形环内显著区域的比例；
步骤2：计算中心偏差的性能分值score，计算方法为
Figure FDA0002953972970000011
其中，fi表示每个所述矩形环显著区域的比例，wi代表不同矩形环范围内的权重，1≤i≤N，N为划分的所述矩形环的个数。
2.如权利要求1所述的显著性数据集的中心偏差的评测方法，其特征在于：所述步骤12包括将距离图像中心不同范围内的数目numi初始化为0，即numi＝0。
3.如权利要求2所述的显著性数据集的中心偏差的评测方法，其特征在于：所述步骤12还包括读取Ij和Ij对应的二值标注图Gj，其中Ij∈D，D表示数据集，Ij表示数据集D中的第j张图像。
4.如权利要求3所述的显著性数据集的中心偏差的评测方法，其特征在于：所述步骤12还包括提取所述二值标注图Gj中的显著区域集合Cj，Cj中不连通的显著区域的个数为Mj。
5.如权利要求4所述的显著性数据集的中心偏差的评测方法，其特征在于：判断Xn位于图像Ij的哪层矩形环内，如果Xn位于第i个矩形环区域，则numi＝numi+1，其中Xi∈Cj，1≤n≤Mj，numi为第i个矩形环内的显著区域数量。
6.如权利要求5所述的显著性数据集的中心偏差的评测方法，其特征在于：所述比例的计算公式为
Figure FDA0002953972970000021
7.如权利要求6所述的显著性数据集的中心偏差的评测方法，其特征在于：所述中心偏差的性能分值score越大，所述数据集D的性能越差，受到中心偏差的影响越大。
CN201810308206.9A 2018-04-08 2018-04-08 一种显著性数据集的中心偏差的评测方法 Active CN108648209B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810308206.9A CN108648209B (zh) 2018-04-08 2018-04-08 一种显著性数据集的中心偏差的评测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810308206.9A CN108648209B (zh) 2018-04-08 2018-04-08 一种显著性数据集的中心偏差的评测方法

Publications (2)

Publication Number Publication Date
CN108648209A CN108648209A (zh) 2018-10-12
CN108648209B true CN108648209B (zh) 2021-06-29

Family

ID=63745478

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810308206.9A Active CN108648209B (zh) 2018-04-08 2018-04-08 一种显著性数据集的中心偏差的评测方法

Country Status (1)

Country Link
CN (1) CN108648209B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810503A (zh) * 2013-12-26 2014-05-21 西北工业大学 一种基于深度学习的自然图像中显著区域的检测方法
CN104463890A (zh) * 2014-12-19 2015-03-25 北京工业大学 一种立体图像显著性区域检测方法
CN106055553A (zh) * 2016-04-27 2016-10-26 中国人民解放军陆军军官学院 一种用于显著性检测和质量评价的雾天图像数据库
CN106204615A (zh) * 2016-07-20 2016-12-07 安徽大学 一种基于中心矩形构图先验的显著目标检测方法
CN107016682A (zh) * 2017-04-11 2017-08-04 四川大学 一种自然图像显著对象自适应分割方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9330334B2 (en) * 2013-10-24 2016-05-03 Adobe Systems Incorporated Iterative saliency map estimation
KR102094507B1 (ko) * 2013-11-01 2020-03-27 삼성전자주식회사 선택적 정제를 이용한 계층적 중요점 영상 생성 방법, 상기 방법을 기록한 컴퓨터 판독 가능 저장매체 및 중요점 영상 생성 장치.

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810503A (zh) * 2013-12-26 2014-05-21 西北工业大学 一种基于深度学习的自然图像中显著区域的检测方法
CN104463890A (zh) * 2014-12-19 2015-03-25 北京工业大学 一种立体图像显著性区域检测方法
CN106055553A (zh) * 2016-04-27 2016-10-26 中国人民解放军陆军军官学院 一种用于显著性检测和质量评价的雾天图像数据库
CN106204615A (zh) * 2016-07-20 2016-12-07 安徽大学 一种基于中心矩形构图先验的显著目标检测方法
CN107016682A (zh) * 2017-04-11 2017-08-04 四川大学 一种自然图像显著对象自适应分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
How Well Can Saliency Models Predict Fixation Selection in Scenes Beyond Central Bias A New Approach to Model Evaluation Using Generalized Linear Mixed;Antje Nuthmann et al.;《frontiers in Human Neuroscience》;20171031;全文 *
Visual Saliency Prediction and Evaluation across Different Perceptual Tasks;Shafin Rahman et al.;《PLoS ONE》;20150914;第10卷(第9期);全文 *
显著区域检测技术研究;梁晔 等;《计算机科学》;20160331;第43卷(第3期);全文 *

Also Published As

Publication number Publication date
CN108648209A (zh) 2018-10-12

Similar Documents

Publication Publication Date Title
JP5041229B2 (ja) 学習装置および方法、認識装置および方法、並びにプログラム
CN102799854B (zh) 图像识别装置以及图像识别方法
JP4545641B2 (ja) 類似画像検索方法，類似画像検索システム，類似画像検索プログラム及び記録媒体
US20120114240A1 (en) Image processing apparatus, image processing method, and program
US10169673B2 (en) Region-of-interest detection apparatus, region-of-interest detection method, and recording medium
CN107784308B (zh) 基于链式多尺度全卷积网络的显著性目标检测方法
CN103886318B (zh) 尘肺病大体成像中病灶区域的提取与分析方法
US9875397B2 (en) Method of extracting feature of input image based on example pyramid, and facial recognition apparatus
JP7409513B2 (ja) 機械学習データ生成プログラム、機械学習データ生成方法および機械学習データ生成装置
JP2010102690A (ja) 情報処理装置及び方法
CN108197644A (zh) 一种图像识别方法和装置
CN108446599B (zh) 一种p值统计量建模独立性的高光谱图像波段快速选择方法
US8433104B2 (en) Image processing method for background removal
CN103353881B (zh) 一种应用程序搜索方法及装置
US8195662B2 (en) Density-based data clustering method
CN110084325A (zh) 基于区域选取初始聚类中心的K-Means改进算法
CN111369489B (zh) 一种图像识别方法、装置及终端设备
CN109766924B (zh) 基于图像信息熵与自适应阈值daisy特征点的图像检测方法
JP7014005B2 (ja) 画像処理装置及び方法、電子機器
CN108648209B (zh) 一种显著性数据集的中心偏差的评测方法
US8755594B2 (en) Information processing device and method, and program
CN112101483B (zh) 图像聚类方法、装置电子设备、计算机可读存储介质
CN104899232B (zh) 协同聚类的方法和设备
CN108491883A (zh) 一种基于条件随机场的显著性检测优化方法
Bharathi et al. Effective image segmentation using modified K-means technique

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant