如何基于凝视注视数据CSV生成匹配原样式的灰度显著性地图

核心方向确认 #

你的实现方向是对的——基于凝视点的位置和持续时长生成热力图/显著性地图是眼动数据可视化的标准思路，问题出在细节处理上。

针对性代码修改建议 #

1. 修正坐标映射逻辑 #

• 先确认凝视坐标的原点定义：网站采集的坐标通常以屏幕左上角为(0,0)，如果你的画布尺寸和采集时的屏幕尺寸不一致，必须做归一化映射，否则会出现边界偏移：

  # 假设采集时的屏幕宽高为screen_w、screen_h，生成的显著性图尺寸为map_w、map_h
  norm_x = (gaze_x / screen_w) * map_w
  norm_y = (gaze_y / screen_h) * map_h
  

• 别忘了处理滚动状态的偏移：数据中的滚动字段（示例里的第4个值）会让凝视坐标变成相对页面的位置，需要用滚动值修正y坐标：

  # scroll_offset为数据中的滚动状态值，修正后的y坐标
  corrected_y = gaze_y - scroll_offset
  

2. 强化中心区域权重 #

• 中心区域不突出，大多是因为没有根据持续时长加权，或高斯核参数不合理：
  • 给每个凝视点分配与时长成正比的权重，时长越长，高斯核的幅值越高：

    # 先把时长归一化到0-1范围，再乘以基础强度
    max_duration = max(all_durations)  # all_durations是所有凝视点的时长列表
    intensity = 1.0 * (duration / max_duration)
    

  • 调整高斯核的sigma值：值越小，中心峰值越锐利，更能突出长时长的凝视点：

    sigma = 25  # 可根据效果微调，建议在20-40之间测试
    kernel = cv2.getGaussianKernel(51, sigma)
    kernel = kernel @ kernel.T  # 转为二维高斯核
    weighted_kernel = kernel * intensity
    

  • 叠加核时注意边界处理，避免越界：

    x, y = int(norm_x), int(norm_y)
    h, w = weighted_kernel.shape
    # 计算有效叠加区域，防止超出画布范围
    top = max(0, y - h//2)
    bottom = min(map_h, y + h//2 + 1)
    left = max(0, x - w//2)
    right = min(map_w, x + w//2 + 1)
    # 截取对应区域的核并叠加
    saliency_map[top:bottom, left:right] += weighted_kernel[
        top-(y-h//2):bottom-(y-h//2), 
        left-(x-w//2):right-(x-w//2)
    ]
    

3. 灰度图的对比度增强 #

• 生成后的显著性图必须做全局归一化，把像素值缩放到0-255的灰度范围，避免动态范围不足导致细节丢失：

  # 归一化到0-1后转成0-255的uint8格式
  saliency_map = (saliency_map - saliency_map.min()) / (saliency_map.max() - saliency_map.min()) * 255
  saliency_map = saliency_map.astype(np.uint8)
  

• 可选：用直方图均衡增强对比度，让高权重区域更突出：

  saliency_map = cv2.equalizeHist(saliency_map)
  

4. 边界点的补全处理 #

• 贴近画布边界的凝视点，高斯核会被截断，导致边缘区域权重偏低，可以先给画布加padding，处理完成后再裁剪回原尺寸：

  padding = 50
  # 创建带padding的临时画布
  temp_map = np.zeros((map_h + 2*padding, map_w + 2*padding), dtype=np.float32)
  # 所有凝视点坐标加上padding后再做叠加处理
  # ...（叠加高斯核的逻辑）
  # 裁剪回原尺寸
  saliency_map = temp_map[padding:-padding, padding:-padding]
  

验证步骤 #

• 单独提取几个典型凝视点（比如中心长时长、左侧边界点），手动计算映射后的坐标，检查是否符合预期
• 逐步注释掉高斯叠加、归一化等步骤，定位是哪一步导致的结果差异

内容的提问来源于stack exchange，提问作者hasin