正确的视盘(OD)定位和分割是糖尿病视网膜病变自动筛选系统中的两个主要步骤.鉴于此,提出一种基于显著性目标检测和改进局部高斯分布拟合(LGDF)模型的视神经盘分割方法.该方法主要包含两个阶段:第一阶段,将显著性检测技术应用到增强的视网膜图像中实现视盘的自动定位;第二阶段,通过增加椭圆约束信息来改进局部高斯分布拟合(LGDF)模型分割视盘边界.使用公开数据库Diaretdbq对所提出方法的性能进行测试,并与其他先进的方法进行对比,结果验证了所提出方法的优越性和有效性.

针对获得训练数据集代价高昂问题，提出了一种用于图像显著性检测的弱监督新方法，在训练网络模型时仅使用图像级标签。方法分为两个阶段，在第一阶段，根据图像级标签训练分类模型，获得前景推断图；在第二阶段，对原图像进行超像素块处理，并与阶段一得到的前景推断图进行融合，从而细化显著对象边界。算法使用了现有的大型训练集和图像级标签，未使用像素级标签，从而减少了注释的工作量。在四个公共基准数据集上的实验结果表明，性能明显优于无监督的模型，与全监督模型相比也具有一定的优越性。

二、多元线性回归预测模型的显著性检验 与一元线性回归的情形类似，也应检验y与x1,x2…，xm之间的线性相关关系是否显著。只有线性相关关系显著时，所求得的多元线性回归模型才有应用价值，这时，也称回归模型（方程）的回归效果显著。 但与一元线性回归也有不同之处：一元线性回归中只有一个自变量，“回归效果不显著”与“b=0”是一回事；对于多元线性回归则要复杂得多，否定了假设 “H0：b1=b2=…=bm=0”时，认为多元线性回归方程的“整个回归效果是显著的”，有一定实用价值，但并不等于说y与所有的自变量xj(j=1，2，…，m)均有密切的相关关系，也可能有某几个xj与y 的相关关系并不密切，但没有影响大局。因此，对多元线性回归模型，除了要检验“整个回归效果是否显著”外，还应逐个检验每个回归系数bj(j=1，2，…，m)是否为零，以便分辨出哪些xj对y无显著影响。下面分别加以讨论。

提出了一种视频与AIS信息融合的海上船只目标检测方法。首先结合AIS信息确定船只所在区域，提取小范围图像，然后对图像进行高频加强滤波处理，增强船只目标与海面背景的对比度，利用显著性区域检测方法生成显著性图像，随之采用双阈值分割提取高显著性目标，最后通过形态学处理判断船只目标。实验结果表明，该方法适应性强，能够准确快速地实现船只目标提取。

实现了显著性检测HC/LC/AC/FT的C++算法，并附带测试图片

在Koch等人的显著性映射理论和特征融合理论基础上，Itti等人提出了一种基于高斯金字塔融合图像颜色、亮度和方向特征的视觉注意力模型。 算法通过滤波得到颜色特征、亮度特征、方向特征。通过中心-周边差异和归一化、特征映射图结合和归一化，最终线性加权融合得到显著图。 算法非常实用，亲测完美，效果很好。

基于视觉显著性的局部感知锐度的模糊图像质量评价算法研究

图像显著性区域检测算法研究.pdf

@计量经济学变量的显著性检验.pdf，这是一份不错的文件

脑与认知实验：显著性预测算法