Perception of saturation in natural scenes
Notice bibliographique
Résumé
For most color spaces, there is at least one measure for determining the saturation of a color. It is unclear, how well these different measures correspond to human perception. We conducted two experiments in an attempt to fill this gap. We chose 80 color images of natural scenes from the categories "flowers", "man-made", "foliage", and "land-water" from the McGill database of calibrated color images. The images were shown to 8 participants in full color and to another 8 participants in grayscale on a calibrated LCD monitor in randomized order. Participants were asked to select the pixel in the image that appeared to be the most saturated with a mouse cursor. We compared the judgments of the participants to different measures of saturation defined in the DKL, LAB, LUV, and xyY color spaces. We also used saturation from the HSV color space and a measure defined by Koenderink. Our results show that all of the measures capture saturation quite well. The pixels chosen by the participants from the color images were amongst the top 20% saturated pixels for all of the measures, and amongst the top 10% when a small degree of spatial uncertainty with respect to the chosen pixel was allowed. When confronted with the grayscale images, participants were still able to pick pixels whose counterparts in the color images were rated as more saturated by the six measures than randomly selected pixels. Our results indicate that saturation in natural scenes can be specified quite well even without taking image structure into account. Participants are able to infer saturation from the grayscale images from features correlated with color saturation or using prior knowledge in order to make their judgments. Meeting abstract presented at VSS 2014
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».