calcNSSscore.m

  1. function [ score ] = calcNSSscore( salMap, eyeMap )
  2. %calcNSSscore Calculate NSS score of a salmap
  3. % Usage: [score] = calcNSSscore ( salmap, eyemap )
  4. %
  5. % score : an array of score of each eye fixation
  6. % salmap : saliency map. will be resized nearest neighbour to eyemap
  7. % eyemap : should be a binary map of eye fixation
  8. % clear;clc;
  9. % salMap=imread('spatial_temporal_smap.png');
  10. % eyeMap=imread('SMB_src35_hrc00_035.png');
  11. % eyeMap=rgb2gray(eyeMap);
  12.  
  13. %%% Resize and normalize saliency map
  14. salMap = double(imresize(salMap,size(eyeMap),'bicubic'));
  15. mapMean = mean2(salMap); mapStd = std2(salMap);
  16. salMap = (salMap - mapMean) / mapStd; % Normalized map
  17. %%% NSS calculation
  18. [X Y] = find(eyeMap > 0);
  19. NSSVector = zeros(1,size(X,1));
  20. for p=1:size(X,1)
  21. NSSVector(p) = salMap(X(p),Y(p));
  22. end
  23. score = NSSVector;
  24.  
  25. % end

  main.m

  1. clear;
  2. clc;
  3. smap_path='E:\Dataset180303\final_data\smap_Result1\';
  4. gmap_path='E:\Dataset180303\final_data\image_resize_gt\';
  5.  
  6. smap_file=dir(smap_path);
  7. % for i=3:length(vedio_file)
  8. % disp(i);
  9. % vedio_name=strcat(smap_path,vedio_file(i).name);%字符串
  10. % smap_file=dir(vedio_name);%文件夹
  11. %
  12. % vedio_name1=strcat(gmap_path,vedio_file(i).name);
  13. % gmap_file=dir(vedio_name1);
  14. for j=3:length(smap_file)
  15. disp(j-2);
  16. gmap_name=strcat(gmap_path,num2str(j-2), '.jpg');
  17. % gmap_name=strcat(gmap_path,smap_file(j).name);
  18. % smap_name=strcat(smap_path,num2str(j-2+ 0 ), '_SaliencyMap', '.jpg');
  19. smap_name=strcat(smap_path,num2str(j-2 +0), '.jpg');
  20. gmap=imresize(imread(gmap_name), [224, 224], 'bicubic');
  21. smap=imresize(imread(smap_name), [224, 224], 'bicubic');
  22. sal_map=mat2gray(smap);
  23. if size(gmap,3)==3
  24. gt_map=rgb2gray(gmap);
  25. else
  26. gt_map=gmap;
  27. end
  28. threshold_value = graythresh(gt_map);%使用最大类间方差法:找到图片的一个合适的阈值(threshold)。
  29. % threshold_value=0.01;
  30. gt_final_map = im2bw(gt_map, threshold_value);%make gt_map to boolean map也叫逻辑矩阵
  31.  
  32. b=calcNSSscore(sal_map,gt_final_map);
  33. b = abs(b);
  34. a(j-2,1)=mean(b);
  35. disp(j-2);
  36. end
  37. idx=find(isnan(a));
  38. a(idx)=1.5;
  39. RGBD_NSS=mean(a);
  40. % clear a;
  41. % end
  42.  
  43. nss = mean(RGBD_NSS);

  

显著性检测(saliency detection)评价指标之NSS的Matlab代码实现的更多相关文章

  1. 显著性检测(saliency detection)评价指标之sAUC(shuffled AUC)的Matlab代码实现

    AUC_shuffled.m function [score,tp,fp] = AUC_shuffled(saliencyMap, fixationMap, otherMap, Nsplits, st ...

  2. 显著性检测(saliency detection)评价指标之KL散度距离Matlab代码实现

    步骤1:先定义KLdiv函数: function score = KLdiv(saliencyMap, fixationMap) % saliencyMap is the saliency map % ...

  3. 视觉显著性简介 Saliency Detection

    内容转移到博客文章系列:显著性检测 1.简介 视觉显著性包括从下而上和从上往下两种机制.从下而上也可以认为是数据驱动,即图像本身对人的吸引,从上而下则是在人意识控制下对图像进行注意.科研主要做的是从下 ...

  4. paper 27 :图像/视觉显著性检测技术发展情况梳理(Saliency Detection、Visual Attention)

    1. 早期C. Koch与S. Ullman的研究工作. 他们提出了非常有影响力的生物启发模型. C. Koch and S. Ullman . Shifts in selective visual ...

  5. 视觉显著性检测(Visual saliency detection)相关概念

    视觉显著性检测(Visual saliency detection)指通过智能算法模拟人的视觉特点,提取图像中的显著区域(即人类感兴趣的区域). 视觉注意机制(Visual Attention Mec ...

  6. (不断更新)关于显著性检测的调研-Salient Object Detection: A Survey

    <Salient Object Detection: A Survey>作者:Ali Borji.Ming-Ming Cheng.Huaizu Jiang and Jia Li 基本按照文 ...

  7. 视频显著性检测-----Predicting Video Saliency using Object-to-Motion CNN and Two-layer Convolutional LSTM

    帧内显著性检测: 将卷积网络的多层特征进行组合通过unsampling 得到粗显著性预测: 帧间显著性检测: (粗检测结果+新卷积网络的特征图,最后+之前卷积网络的卷积特征输入到LSTM中)进行预测. ...

  8. {Links}{Matting}{Saliency Detection}{Superpixel}Source links

    自然图像抠图/视频抠像技术发展情况梳理(image matting, alpha matting, video matting)--计算机视觉专题1 http://blog.csdn.net/ansh ...

  9. [精读]Spationtemporal Saliency Detection Using Textural Contrast and Its Applications

    Spationtemporal Saliency Detection Using Textural Contrast and Its Applications Last Edit 2013/12/3 ...

随机推荐

  1. XML学习教程

    XML学习进阶1-- 什么是XML. 为什么使用 XML?... 什么是 XML?... 数据的结构表示... XML 文档... 数据是从表示和处理中分离出来的... 使XML数据自描述... XM ...

  2. tomcat6 高并发配置 与优化

    server.xml配置 1.  <Connectorport="8080"protocol="HTTP/1.1" 2.  maxThreads=&quo ...

  3. python---生成器、迭代器

    # -*- coding:utf-8 -*- # LC # 列表生成式 def func(x): print(x) return 2*x print([ func(i) for i in range( ...

  4. Android 加载GIF图最佳实践

    转载请标明出处:http://blog.csdn.net/zhaoyanjun6/article/details/75578109 本文出自[赵彦军的博客] 起因 最近在项目中遇到需要在界面上显示一个 ...

  5. 测试驱动开发 TDD

    一.详解TDD 1.1.TDD概念 :Test Drived Develop 测试驱动开发是敏捷开发中的一项核心实践和技术,也是一种方法论.TDD的原理是在开发功能代码之前,编写单元测试用例代码,测试 ...

  6. Jmeter——HTTP协议的接口压力测试环境搭建

     文章版权由作者小小小丝和博客园共有,若转载请于明显处标明出处:http://rpc.cnblogs.com/metaweblog/xxxs JDK 是整个Java的核心,包括了Java运行环境.Ja ...

  7. 利用百度地图api实现定位

    使用百度地图api前需要先获取一个百度地图开放平台的访问应用AK, 获取百度地图开放平台访问应用AK方式:注册百度账号-->申请百度开发者-->获取密匙-->使用相关功能. 注册账号 ...

  8. linux基础-系统安装教程篇(centos6.5)

    一.linux系统简介: Linux是一套免费使用和自由传播的类Unix操作系统,是一个基于POSIX和UNIX的多用户.多任务.支持多线程和多CPU的操作系统.它能运行主要的UNIX工具软件.应用程 ...

  9. 《T-SQL查询》读书笔记Part 3.索引的基本知识

    索引优化是查询优化中最重要的一部分,索引是一种用于排序和搜索的结构,在查找数据时索引可以减少对I/O的需要:当计划中的某些元素需要或是可以利用经过排序的数据时,也会减少对排序的需要.某些方面的优化可以 ...

  10. IntelliJ IDEA maven 构建简单springmvc项目

    环境: apache-tomcat-8.5.15 jdk1.8.0_172 IDEA 建立一个maven-webapp项目:Create New Project 后点击next 然后next 可以选择 ...