显著性评估模型 MIT

为了能正确检测显著性图中的多个显著性目标，提出了一种基于全局颜色对比的显著性目标检测算法。该算法首先提取图像的全局颜色对比度特征，然后把显著性图和全局颜色对比度作为特征输入条件随机场框架中，得到二值显著性掩模，最后经区域描绘子计算得到包含显著性目标的最小外接矩形。在两种公开的数据集上的实验结果表明，该算法在精度、召回率以及F-测度方面的表现优于现有其他几种算法，在计算效率上也具有一定的优势。因此，所提出的算法在检测效果上优于现有的显著性目标检测算法，而且还能够检测到多个显著性目标。

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。

基于视觉显著性的层次形状分解和骨架提取的matlab仿真+含代码操作演示视频 运行注意事项：使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。具体可观看提供的操作录像视频跟着操作。

压缩包内包含图形显著性因子matlab源码 可以直接运行，

在采用图像谱残差分析方法获取全局特征显著性图像的基础上, 利用小波变换在时域和频域具有的局部特征信息表征能力, 通过对图像包含的不同特征信息进行小波变换, 去除各个特征图中的冗余信息, 得到图像局部特征显著部分, 对两种分析方法下获得的显著图进行融合分析, 获得最终的图像显著部分, 并利用视觉转移机制在原图中勾画出显著性目标. 实验结果分析表明, 改进后的方法提高了图像显著目标检测的准确率.

本代码是基于直方图统计的对比度的显著性检测的matlab代码实现，经matlab 2013a 测试，可以运行

基于条件随机场和图像分割的显著性检测

配对样本均数t检验——检验步骤 建立检验假设，确定检验水准 H0：d=0，两种结核菌素的皮肤浸润反应总体平均直径差异为0; H1：d0，两种结核菌素的皮肤浸润反应总体平均直径差异不为0; 0.05。 计算检验统计量 先计算差值d及d2如上表第四、五列所示，本例d = 39， d 2  195。

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。