论文仅供学习参考使用。 基于基于吸收马尔科夫链与Ａｄａｂｏｏｓｔ的显著性检测算法，具体算法为：首先利用ＳＬＩＣ算法得到输入图像的超像素。把超像素看做马尔科夫链的节点，结合颜色与纹理特征计算其转移概率，根据每个节点的被吸收时间，作为其对应的显著值，得到初始显著图。然后基于Ａｄａｂｏｏｓｔ原理构建强分类器来对初始显著图进行优化。最终结合融合初始显著图和优化后的显著图，得到最终结果。同时提出一种基于ＣＲＦ的显著性区域提取来更精准地划分出前景目标。

基于条件随机场和图像分割的显著性检测

图像显着性检测算法matlab代码显着性2013 高光谱图像中的显着目标检测 介绍 该存储库包含ICIP论文《高光谱图像中的显着目标检测》中描述的算法的源代码。 可以在本文中找到更多详细信息。 该软件包已在64位Windows计算机上使用Matlab 2013a进行了测试。 此代码仅用于研究目的。 引用 如果您发现此代码对您的研究有用，请考虑引用：@inproceedings {Liang2013，作者= {Liang，Jie and Zhou，Jun and Bai，Xiao and Qian，Yuntao}，书名= {2013 IEEE国际图像处理会议} ，月份= {sep}，页面= {2393--2397}，发布者= {IEEE}，标题= {{高光谱图像中的显着物体检测}}，网址= {，年份= {2013}} 正在安装 下载代码：git clone。 下载高光谱图像： 将代码文件夹添加到Matlab的工作目录中。 运行Demo.m 反馈 如果您有任何问题（疑问，反馈）或发现代码中的错误，请与联系。

【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：上下文意识的显著性检测_包含matlab代码和对应的CVPR2010论文 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定经验的开发人员

显著性检测是计算机视觉的一个重要分支，而在深度学习的训练阶段、显著性检测算法的评价阶段等都需要大量有标注信息的数据集。常用的显著性检测数据集HKU-IS和他们的GT图

针对现有的基于图像底层特征的显著性检测算法检测准确度不高的问题，提出了一种基于颜色和纹理特征的显著性检测算法。在RGB和Lab颜色空间上，同时考虑了图像的颜色对比度特征、纹理特征。运用二维信息熵作为衡量显著图的性能标准，选取最优的颜色通道，并且针对颜色及纹理的不同特点，给出了各自的显著性特征融合方法。在公开的数据库中与四种流行的算法实验对比，实验结果证明了算法的有效性。

集成了显著性检测方法中的四个最有典型代表意义的方法，FT HC LC AC。

经典显著性检测数据集（内含1000张jpg原图和1000张mask图png格式） ubuntu下打开，内含编写lst的python文件

图像显着性检测算法matlab代码ADMD 小型红外目标检测的绝对方向平均差（ADMD）算法 以下论文的MATLAB和OpenCV两种实现：使用绝对方向均值差算法的快速而强大的小型红外目标检测 如果您在研究中使用这些代码，请引用以下论文： 的MATLAB 您可以在MATLAB子目录中找到ADMD算法的单标度（7by7）实现。 通过在不同比例尺之间进行最大选择，可以轻松构建多比例尺版本（有关更多信息，请参见本文）。 要实现显着性映射，只需通过AdMD7_eff函数传递测试图像即可： test_img=double(test_img); Filtered_image = AdMD7_eff(test_img); OpenCV 在CPP子目录中可以找到ADMD算法的单级和多级实现。 这些代码是在Ubuntu 18.04环境中使用OpenCV 3.4实现的。 先决条件 设置 从源代码构建OpenCV（如果您想启用QT选项以缩放图像并查看像素值），或者仅在终端中使用以下命令即可： $ sudo apt install libopencv-dev python3-opencv

用于视觉显著性检测的MSRA-1000数据集，包含1000张图像和其对应的ground truth，解决了ground truth和原图像大小不一致的问题，可以直接使用。另一个名字叫ASD数据集