使用背景优先级的测地显著性检测(Geodesic Saliency Using Background Priors)

使用背景优先级的测地显著性检测

Yichen Wei, Fang Wen, Wangjiang Zhu, and Jian Sun

【摘要】 通用对象级突出检测对于许多视觉任务很重要。以前的方法大多建立在之前，“对象和背景之间的外观对比度很高”。虽然已经开发了各种计算模型，但问题仍然是挑战性的，并且可以观察到先前方法之间的巨大的行为差异。这表明，使用此前的问题可能仍然是高度不利的。

在这项工作中，我们从不同的角度解决问题：我们更多地关注背景而不是对象。我们利用关于自然图像背景的两个共同先验，即边界和连接先验，为问题提供更多的线索。因此，我们提出了一种称为测地学显着性的新颖的显着性度量。它是直观的，易于解释和允许快速实施。此外，它是以前的方法的补充，因为它从背景优先事项中获益匪浅，而以前的方法并没有受益。

两个数据库的评估验证了测地线显着性在精度和速度（每张图像为2毫秒）的情况下，大幅度地获得了优异的效果，并且优于先前的方法。这表明适当的先前开发有助于不正确的突出检测问题。

1 介绍

人类视觉系统可以快速准确地识别其视野中的重要区域。 为了在计算机视觉中实现这样的能力，多年来一直在自下而上的视觉显着性分析方面进行了广泛的研究工作。这个领域的早期作品[1,2]主要基于生物学启发模型（人类看起来），并对人眼固定数据进行评估[3,4]。许多后续工作正沿着这个方向发展[5-7]。

近年来，人们对物体水平显着性检测的兴趣越来越大，对人体标签物体进行了评估。这种新趋势是由于基于突出物体的视觉应用的日益普及，如物体感知图像重定向[14,15]，浏览图像裁剪[16]，图像编辑对象分割[17]和识别[18]。还表明，低级显着性线索有助于找到通用对象，不论其类别如何[19,20]。在这项工作中，我们专注于自然图像中的对象级显着性检测问题。

图1 以前的代表性对比先验基础方法的显着图，在对象和背景上日益复杂的三个示例图像上。（a）输入图像。（b）地面真相显着对象面具。（c） - （f）一种局部方法[1]和三种全局方法[9,11,12]的结果。

1.1 前期工作对比

由于缺乏高水平的知识，所有自下而上的显着性方法都依赖于对象和背景属性的假设或先验1。可以说，最根本的假设是“物体与背景之间的外观对比很高”。该假设指出，显着图像像素/贴片在特定上下文中呈现高对比度。 它是直观的，用于所有显着方法，明确或隐含。 在本文中，我们称之为对比之前的简洁。

根据计算对比度的上下文的程度，先前的方法可以被分类为局部方法[1,6,8,7,10]或全局方法[21，9，22，11，12]。局部方法计算像素/补片的局部邻域中的各种对比度测量，如边缘对比度[8]，中心环绕辨别力[7]，中心 - 环绕差分[1,8]，曲率[10]和 自我信息[6]。

全局方法使用整个图像来计算各个像素/补丁的显着性。 一些方法假设全局较不频繁的特征更为显着，并且在频谱域中使用频率分析[21,9]。其他方法将每个像素/补丁与图像中的所有其他像素进行比较，并将平均外观不相似性用作显着性度量[22,11,12]并且平均通常由像素/斑块之间的空间距离加权，以考虑到突出像素/斑块通常被分组在一起以形成突出物体的事实。

对比先前的方法已经在自己的方面取得了成功，但仍然有一定的局限性。通常，突出物体的边界可以很好地发现，但物体内部被衰减。在所有局部方法和一些全局方法中观察到“对象衰减”问题。 在全球方法中得到缓解[11,12]，但这些方法仍然难以统一地突出整个对象。

实质上，一般物体和背景上的显着物体检测问题是高度不利的。在社区中仍然缺乏一个共同的定义，即“什么显着”并且仅仅使用对比度就不可能成功。虽然以前的做法主要是基于他们对“如何实施对比之前”的理解，但是可以观察到以前的方法之间的巨大的行为差异，并且这种差异有时难以理解。

该问题在图1中举例说明，其显示了以前的代表性方法，一种局部方法[1]和三种全局方法[9,11,12]的结果。这三个例子在对象和背景中呈现出越来越多的复杂性：一个简单背景中的一个简单的对象; 在更复杂的背景下的更复杂的对象; 在复杂且有低对比度背景中的两个显著区域。观察到，不同方法的结果彼此差异很大，即使对于第一个非常简单的例子，对于大多数人来说，这一点也不是模糊的。这种现象在许多图像中被重复地观察到，简单或复杂。 这巩固了我们的信念，即单独使用对比，不足以解决问题，应该利用更多的线索。

1.2 我们方法中的背景先验

我们从不同的方向解决这个问题。除了提出“显著性区域看起来应该是什么样的”外，我们还提出了相反的问题“背景应该是什么样的”。 直观地，回答这个问题将有助于去除背景杂交，从而导致更好的前景检测。我们以图1中的第一个图像为例。整个背景是一个大而顺利连接的地区，不应该以任何方式被视为前景，也就是说，其显着性应该始终为零。

我们建议在自然图像中使用两个有关共同背景的先验，即边界和连接先验。它们在以前的方法中没有被充分利用，有助于解决以前难以解决的问题。

第一个来自摄影作品的基本规则，也就是说，绝大多数摄影师不会沿视图画出突出的物体。换句话说，图像边界大多是背景。我们以前称之为边界。它比以前使用的中心[8,3]更为普遍，即“图像中心更重要”，因为突出的物体可以放在中心（专业摄影中的三分之一规则），但是它们很少触及图像边界。此前在与交互式图像分割中使用的边界框之前共享类似的精神[17,23]，其中要求用户提供包围感兴趣对象的边界框。如先前在4.1节中讨论的那样，这个先验在几个突出对象数据库中得到验证。第二个是从现实世界背景的图像特征出发，即背景区域通常是大而均匀的。换句话说，背景中的大多数图像补丁可以很容易地彼此连接。我们称之为连接。请注意，连接是分段方式的。例如，天空和草地自己是同质的，但它们之间的补丁不能轻易连接。

背景外观同质性也应该以人类的观念来解释。例如，草地上的斑块看起来与人类相似，尽管它们的像素强度可能会有很大的不同。这个先验不同于先前在物体分割中使用的连接[24,25]，其被假定为对象的空间连续性而不是背景。有时，这种以前的事实也得到背景区域通常在摄影过程中失焦，因此比感兴趣的对象更加模糊和平滑的事实。

2 测地显著性

基于对比度和两个背景先验，我们进一步观察到，大多数背景区域可以容易地连接到图像边界，而对于对象区域来说更难。这表明我们可以将图像补丁的显着性定义为其图像边界的最短路径的长度。然而，这假设所有的边界补丁是背景的，这是不够逼真的，因为突出对象可以在边界上被部分裁剪。这可以通过添加连接到图像图中的所有边界补丁的虚拟背景节点并计算边界补丁的显着性来纠正，如第2.1节所述。 以这种方式，我们提出了一种新的直观的测地线显着性度量，即图像补丁的显着性是其到虚拟背景节点的最短路径的长度。

图2显示了图像补丁和测地线上的几条最短路径显着结果。 这些结果比图1更可信。

大地测量显着性有几个优点。 首先，它是直观和容易解释。 同时有效地利用了三个先验。 以前的“对象衰减”问题得到显着缓解，因为均匀物体区域内的所有补片通常具有与图像边界类似的最短路径，因此具有相似的显着性。 因此，它比以前的方法获得了更好的结果。

其次，它主要受益于背景先验，并且适度地使用对比度。 因此，它是以更复杂的方式利用对比度的方法的补充[22,11,12]。 大地测量显着性与这些方法的组合通常可以改善两者。

最后，它很容易实现，快速，适合后续应用。对于精度/速度折衷的不同实际需要，我们提出了测地线显着性算法的两种变体。对于需要高速的应用程序，例如交互式图像重定位[14]，用于批量图像浏览的图像缩略图生成/裁剪[16]以及基于边框的对象提取[26,19]我们建议使用图像网格上的矩形斑块和近似最短路径算法计算测地线显着性[27]。 我们称之为GSGrid算法。对于中等大小（400×400）的图像，它运行大约2毫秒。对于需要高精度的应用，如物体分割[17,18]，我们建议使用超像素[28]作为图像补丁和精确的最短路径算法。 我们称之为GS Superpixel算法。 它比较慢（几秒钟），但比GS网格更准确。

图2 （更好地查看颜色）大地测量显着性的图示（使用常规补丁）。

顶部：图1中的三个示例图像和几个前景（绿色）和背景（品红色）图像斑块的最短路径。

底部：测地线显着性结果。

在第4节中，对[8,9]中广泛使用的突出对象数据库的广泛评估以及[29,30]中最近更具挑战性的数据库表明，测地线显着性大大优于先前的方法，并且可以通过结合以前的方法进一步改进。 此外，GS网格算法比所有其他方法快得多，适合实时应用。

2.1 算法

对于图像，我们构建一个无向加权图G={V,E}，顶点就是图像补丁{Pi}加虚拟背景节点B，V = {Pi}∪{B}，有两种类型的边：内部边连接所有相邻的补丁，边界边将图像边界补丁连接到背景节点，E = {（Pi，Pj）| Pi邻近Pj}∪{（Pi，B）| Pi在图像边界上}。补丁P的测地学显着性是沿着图G上从P到背景节点B的最短路径的累加边缘权重，

图3 内部边缘重量削减减轻了小重量积累问题。

（a）输入图像。 （b）无重量限幅的测地线显着性（使用超像素）。 （C）测深显着（使用超像素）与重量削减。

我们首先描述如何计算边缘权重，然后介绍两个变体测地线显着算法：GS网格速度更快，GS超像素更多准确。

内边界权重是相邻贴片之间的外观距离。这个距离测量应该与人类对两个斑块相似度相似的看法是一致的。这个问题本身并不容易。对于均匀纹理的背景，如道路或草地，而补丁看起来几乎相同，简单的外观距离，如颜色直方图的距离通常很小但非零值。这导致小重量积累问题，即许多小的重量边缘可以沿着长的路径累积，并在背景的中心形成不期望的高显着值。参见图3（b）。

我们采用简单有效的重量削减方法来解决这个问题，而不是探索复杂的功能和复杂的补丁外观距离度量。补丁外观距离简单地取为两个斑块的平均颜色（LAB颜色空间）之间的差异（归一化为[0,1]）。 对于每个补丁，我们选择其与所有邻居的最小外观距离，然后我们选择“无意义”距离阈值作为与所有补丁的所有这样最小距离的平均值。如果任何距离小于该阈值，则被认为是不显著的且被限制为0。这种内部边缘权重的计算是非常有效的，其有效性如图3所示。

边界边的权重描述边界不定不是背景的可能性。当边界先验严格有效时，所有边界补丁都是背景，这样的权重应该是0，但是这太过于理想化了，并不健壮。 即使只是轻微触摸图像边界，整个对象也可能被遗漏，因为对象上的所有补丁都可以轻松连接到图像边界上的对象补丁。 参见图4（b）。

我们观察到，当突出物体被图像边界 部分裁剪时，物体上的边界斑块比背景中的边界斑块更显着。 因此，边界边的权重计算被视为一维显着性检测问题：仅给出边界补丁，计算每个边界补丁Pi的显着性作为边界边（Pi，B）的权重。 这个步骤使得边界先验和测地线显着性更强壮，如图4（c）（d）所示。

图4  边界边缘权重计算使边界先验和测地线显着性更强。

（a）输入图像。（b）边界权重为0的大地测量显着性。（c）使用[11]中显着性算法的一维版本计算的边界边权重。（d）使用（c）中边界权重的大地测量显着性。

原则上，可以将任何可以减少为一维版本的图像显着方法用于此问题。我们使用[11]中的算法，因为它也基于图像补丁，并使其仅使用边界补丁是直接的。对于这种方法的补丁外观距离，我们也使用平均颜色距离。

GS Grid算法在常规图像网格上使用10×10像素的矩形图像补丁。 使用高效的测地距离变换计算所有补丁的最短路径[27]。 虽然这个解决方案只是近似的，但它非常接近于图像网格上简单图形的确切解决方案。 由于其图形节点数量和顺序存储器访问（因此缓存友好）的线性复杂度，它非常快，也用于交互式图像分割[31,32]。 总体来说，GS Grid算法在400*400的图像中运行2 ms，并产生不错的结果。

GS超像素算法使用不规则的超像素作为图像补丁。它更准确，因为超像素与对象和背景区域边界比GS网格中的常规补丁更好地对齐，并且补丁外观距离计算更准确。 我们使用[28]中的超像素分割算法来产生大约10×10像素的超像素。图像通常需要几秒钟。 请注意，我们的方法对超像素算法非常不敏感，因此可以使用更快的方法。

所有图像补丁的最短路径由Dijkstra算法计算，以获得更好的精度。 尽管超级线性复杂性，但是超像素的数量通常很小（约为1500），这个步骤不超过几毫秒。

3 显著物体数据库

MSRA数据库[8]目前是最大的突出对象数据库，并提供对象边界框。 [9]中的数据库是[8]的1 000个图像子集，并提供人类标记的对象分割掩码。 在这两个数据库上评估了很多最近的对象显着性检测方法[8-13,16]。

然而，这些数据库有几个限制。 所有图像只包含一个显着对象。 大多数物体都很大，靠近图像中心。大多数背景都是干净的，与对象呈现强烈的对比。图8中显示了一些示例图像。

最近引入了一个更具挑战性的突出对象数据库[30]。它是基于众所周知的300张图像伯克利分割数据集[29]。这些图像通常包含图像中不同大小和位置的多个前景对象。物体和背景的外观也更加复杂。有关几个示例图像，请参见图10。 在[30]的工作中，要求七个主题标注前景显着对象掩码，每个对象可以在一个图像中标记多个对象。 对于每个对象的每个对象掩码，一致性得分是根据其他六名受试者的标签计算的。然而，[30]不提供单一的前景显着对象掩模作为基本真相。

对于我们的评估，我们通过删除其一致性分数小于阈值的所有标记对象并组合剩余的对象的掩码，在每个图像中获得前景蒙版。

这是合理的，因为小的一致性分数意味着七个主题的意见之间存在分歧，标记的对象可能不太显着。我们尝试了从0.7到1的不同阈值（1是最大一致性，意味着所有对象标记与对象完全相同的掩码）。 我们发现，对于大多数图像，用户标签是非常一致的，因此前景掩码对此阈值不敏感。最后，我们将阈值设置为0.7，尽量保留尽可能多的突出对象。 对于几个示例前景蒙版，参见图10。

4 实验

如上所述，除了常用的MSRA-1000 [9]和MSRA [8]的基础之外，我们还在实验中使用了Berkeley-300数据库[30]。 后者更具挑战性，尚未广泛应用于显着性检测。

毫不奇怪，我们发现我们在MSRA数据库中的所有结果和发现与MSRA-1000中发现的结果非常相似。 因此，我们在本文中省略了MSRA数据库中的所有结果。

4.1 边界先验验证

在本实验中，我们评估图像边界像素的背景可能性。对于每个图像，我们使用地面真值前景掩码来计算沿着四个图像侧的宽度为10个像素（与测地线显着性中的斑块大小一致）的所有背景边界像素的百分比。MSRA-1000和Berkeley-300数据库中所有图像的这种百分比的直方图如图5所示。

图5。 背景像素沿图像边界的百分比分布MSRA-1000数据库[9]（左）和Berkeley-300数据库[30]（右）

如图所示，先前的边界在MSRA-1000数据库中是非常有效的，其中1000个图像中有961个具有超过98％边界像素作为背景。如图所示，先前的边界在MSRA-1000数据库中是非常有效的，其中具有超过98％边界像素的1000个图像中的961个作为背景。 在Berkeley-300数据库中也观察到了以前的情况，但并不如此强烈。 300个图像中有186个，超过70％的边界像素作为背景。 这个数据库对于我们的方法来说特别有挑战性，因为一些图像确实包含在图像边界上裁剪的大的显着对象。

4.2 测地显著性检测评价

我们比较了八种以前的方法（GS GS的GS GD和GS Superpixel的GS SP简称）的两种测地线显着性方法：Itti的方法（IT）[1]，光谱残差法（SR）[21]，基于图形的视觉显着性（GB）[22]，频率调谐方法（FT）[9]，上下文感知显着性（CA） [11]，翟的方法（LC）[33]，基于直方图的对比度（HC）和基于区域的对比度（RC）[12]。 每个方法输出一个标准化为范围[0,255]的全分辨率显着图。 由于计算模型的多样性，选择了这种方法。 对于SR，FT，LC，HC和RC，我们使用[12]的实现。 对于IT，GB和CA，我们使用原作者的公共实现。

为了测试测地线的显着性是否与以前的方法相辅相成，我们通过平均结果来组合两种方法。

例如，组合方法“RC + GS GD”产生一个显着性图，它是RC和GS GD方法的平均值。

与以前的工作类似，精确回忆曲线用于评估所有方法，包括组合方法。给定一个显着性图，使用阈值创建二进制前景对象掩码。相对于地面真实物体掩模计算其精度和回忆值。然后通过将阈值从0变为255来获得精确回忆曲线。

图6 （更好地查看颜色）MSRA-1000数据库上的平均精确回忆曲线[9]。

顶部：测地线显着性优于所有其他方法。

底部：大地测量显着性与HC（RC）的结合优于两者。

MSRA-1000数据库[9]的结果如图6所示，我们有两个结论：1）测地线显着性明显优于以前的方法。特别是能够均匀地突显整个物体，在高回归区域实现高精度。图8显示了示例图像和结果。2）与测地线显着性结合后，以前的八种方法都有所改进，其中四种（FT，GB，HC，RC）均优于组合。在图6（底部）中，我们显示了组合之前和之后的两种最佳组合方法GS + HC和GS + RC的结果。

为了进一步了解测地线的显着性与其他方法的不同，图7显示了GS GD和RC方法的所有前景和背景像素（使用地面真值掩模）的显着性值分布。 显然，前景和背景在GS GD中比在RC中更好地分离。

Berkeley-300数据库[30]的结果如图9所示，示例结果如图10所示。所有方法的准确性要低得多，表明这个数据库要困难得多。 我们在测地学显着性方面还有类似的结论：1）比以前的方法好; 2）组合后，以前的八种方法都有所改进，其中四种（CA，IT，GB，RC）都优于两者。 在图9（下）中，我们显示了两种最佳组合方法GS + GB和GS + RC组合前后的结果。

图。 7.所有前景和背景像素的显着值分布 MSRA-1000数据库[9]用于GS GD和RC方法

图。 8. MSRA-1000数据库上不同方法的结果示例[9]

所有方法的运行时间总结在表1中。GS GD比所有方法快得多，对于实时应用程序很有用。唯一重要的自由参数是补丁大小。在实验中，我们发现当它在图像尺寸[1/80,1/20]内时获得最佳结果。由于大多数图像是400×400，我们使用10×10个贴片（大约1/40）。我们还通过比较结果与否，评估了重量限幅和边界边缘权重计算的影响。 事实证明，没有这些组件的测地线显着性仍然比以前的方法好，但是却非常小。 这表明背景先验确实是有用的，这些算法组件可以进一步提高性能。

5 结论

鉴于优越的结果和测地线显着性如此直观的事实，这说明适当的先前开发有助于不正确的显着性检测问题。这是一个类似的结论，在许多其他不正确的视力问题中一再被观察到。

图9 （更好地查看颜色）伯克利300数据库上的平均精确回忆曲线[30]。

Top：测地线显着性优于所有其他方法。

底部：大地测量显着性与GB（RC）的结合优于两者。

表1.在具有4GB RAM的Intel 2.33GHz CPU上测量的不同方法的平均运行时间（每个图像的毫秒数）。 IT，GB和CA使用Matlab实现，而其他方法使用C ++。

由于我们的方法是建立在统计学先验之上的，当这样的先验无效时，不可避免地会失败。图11显示了典型的故障情况：显着接触图像边界和复杂背景的对象。 然而，先驱者掌握了大多数图像，并且测地线显着性表现良好。

有几个方向可以改善测地线的显着性：

1）减轻对背景先验的依赖;

2）以更好的方式计算图像边界的显着性，而不是仅使用图像边界求解一维显着性问题;

3）与其他方法结合起来比通过平均的直接组合更好。

最后，我们将鼓励未来的工作使用更具挑战性的数据库（例如，伯克利甚至PASCAL）推动了该领域的研究。

图10  在Berkeley-300数据库上的不同方法的示例结果[30]

图11  大地测量显着性的典型故障情况：（左）突出物体在图像边界处被显着裁剪，并被确定为背景; （右）小孤立背景区域被识别为对象

参考文献

1. Itti, L., Koch, C., Niebur, E.: A model of saliency-based visual attention for rapid scene analysis. IEEE Transactions on Pattern Analysis and Machine Intelligence 20, 1254–1259 (1998)

2. Parkhurst, D., Law, K., Niebur, E.: Modeling the role of saliency in the allocation of overt visual attention. Vision Research (2002)

3. Judd, T., Ehinger, K., Durand, F., Torralba, A.: Learning to predict where humans look. In: ICCV (2009)

4. Ramanathan, S., Katti, H., Sebe, N., Kankanhalli, M., Chua, T.-S.: An Eye Fixation Database for Saliency Detection in Images. In: Daniilidis, K., Maragos, P., Paragios, N. (eds.) ECCV 2010, Part IV. LNCS, vol. 6314, pp. 30–43. Springer, Heidelberg (2010)

5. Itti, L., Baldi, P.: Bayesian surprise attracts human attentions. In: NIPS (2005)

6. Bruce, N.D.B., Tsotsos, K.: Saliency based on information maximization. In: NIPS (2005)

7. Gao, D., Mahadevan, V., Vasconcelos, N.: The discriminant center-surround hypothesis for bottom-up saliency. In: NIPS (2007)

8. Liu, T., Sun, J., Zheng, N., Tang, X., Shum, H.: Learning to detect a salient object. In: CVPR (2007)

9. Achanta, R., Hemami, S., Estrada, F., Susstrunk, S.: Frequency-tuned salient region detection. In: CVPR (2009)

10. Valenti, R., Sebe, N., Gevers, T.: Image saliency by isocentric curvedness and color. In: ICCV (2009)

11. Goferman, S.,Manor, L.,Tal,A.: Context-aware saliency detection. In:CVPR(2010)

12. Cheng, M., Zhang, G., Mitra, N., Huang, X., Hu, S.: Global contrast based salient region detection. In: CVPR (2011)

13. Klein, D., Frintrop, S.: Center-surround divergence of feature statistics for salient object detection. In: ICCV (2011)

14. Rubinstein, M., Guterrez, D., Sorkine, O., Shamir, A.: A comparative study of image retargeting. In: SIGGRAPH Asia (2010)

15. Sun, J., Ling, H.: Scale and object aware image retargeting for thumbnail browsing. In: ICCV (2011)

16. Marchesotti, L., Cifarelli, C., Csurka, G.: A framework for visual saliency detection with applications to image thumbnailing. In: ICCV (2009)

17. Lempitsky, V., Kohli, P., Rother, C., Sharp, T.: Image segmentation with a bounding box prior. In: ICCV (2009)

18. Wang, L., Xue, J., Zheng, N., Hua, G.: Automatic salient object extraction with contextual cue. In: ICCV (2011)

19. Alexe, B., Deselaers, T., Ferrari, V.: What is an object. In: CVPR (2010)

20. Feng, J., Wei, Y., Tao, L., Zhang, C., Sun, J.: Salient object detection by composition. In: ICCV (2011)

21. Hou,X.,Zhang,L.:Saliencydetection:Aspectral residual approach. In:CVPR(2007)

22. Harel, J., Koch, C., Perona, P.: Graph-based visual saliency. In: NIPS (2006)

23. Grady, L., Jolly, M., Seitz, A.: Segmentation from a box. In: ICCV (2011)

24. Vicente, S., Kolmogorov, V., Rother, C.: Graph cut based image segmentation with connectivity priors. In: CVPR (2008)

25. Nowozin, S., Lampert, C.H.: Global connectivity potentials for random field models. In: CVPR (2009)

26. Butko, N.J., Movellan, J.R.: Optimal scanning for faster object detection. In: CVPR (2009)

27. Toivanen, P.J.: New geodesic distance transforms for gray-scale images. Pattern Recognition Letters 17, 437–450 (1996)

28. Veksler, O., Boykov, Y., Mehrani, P.: Superpixels and Supervoxels in an Energy Optimization Framework. In: Daniilidis, K., Maragos, P., Paragios, N. (eds.) ECCV 2010, Part V. LNCS, vol. 6315, pp. 211–224. Springer, Heidelberg (2010)

29. Martin, D., Fowlkes, C., Tal, D., Malik, J.: A database of human segmented natural images and its application to evaluating segmentation algorithms and measuring ecological statistics. In: ICCV (2001),http://www.eecs.berkeley.edu/Research/Projects/CS/vision/bsds/

30. Movahedi, V., Elder, J.H.: Design and perceptual validation of performance measures for salient object segmentation. In: IEEE Computer Society Workshop on Perceptual Organization in Computer Vision (2010),

http://elderlab.yorku.ca/~vida/SOD/index.html

31. Bai, X., Sapiro, G.: A geodesic framework for fast interactive image and video segmentation and matting. In: ICCV (2007)

32. Criminisi, A., Sharp, T., Blake, A.: GeoS: Geodesic Image Segmentation. In: Forsyth, D., Torr, P., Zisserman, A. (eds.) ECCV 2008, Part I. LNCS, vol. 5302, pp. 99–112. Springer, Heidelberg (2008)

33. Zhai, Y., Shah, M.: Visual attention detection in video sequences using spatiotemporal cues. ACM Multimedia (2006)