陈再良，邹北骥，黄敏之，沈海澜，辛国江

(中南大学 信息科学与工程学院，湖南 长沙，410083)

人们对所观察的图像感兴趣的并不是整幅图像中的所有信息，而是仅仅对一部分区域或者几部分区域中的内容感兴趣，这些区域即是感兴趣区域(Region of interest, ROI)[1]。如果能找出这些区域，并且对不同的区域赋予不同的优先级进行处理，将大大提高图像处理的效率和准确性，图像的底层特征直接影响着ROI的提取质量，因此，定性和定量地分析研究各底层特征对提取图中 ROI的影响程度十分必要。Schmid等[2-5]利用图像中的拐点(边角、交叉点和纹理变化较大的位置)作为关键位置来提取ROI；陆伟等[6]利用熵来降低提取图像特征的复杂性，并选取熵较大的区域作为ROI；Chi等[7]利用基于视觉节奏的视觉注意模型来提取 ROI；Huang等[8]通过组合颜色显著性和离散矩变换(DMT)，区域种子增长和融合算法获得ROI；Won等[9]讨论了图像中 ROI和非 ROI的大小划分问题。然而，这些研究均没有单独讨论图像中的亮度特征对ROI提取的影响。亮度是视觉系统对可见物体辐射或者发光量的感知属性，没有亮度，其他底层特征诸如形状、运动、颜色等也无法表现出来。同时，亮度同时也是一种外界辐射的物理量在视觉中反映出来的心理物理量，是影响图像ROI提取的1个重要底层特征。本文作者从2方面实现图像ROI提取：一方面通过设计眼动实验，利用眼动仪记录被测试者观看图像时的眼动数据，并根据所记录的眼动数据来获得注视焦点(种子点)，利用种子填充提取出图像 ROI；……