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。

这是基于鲁棒性显著图的matlab源代码。下载解压后直接运行。

本作品可以适用公开课，体验课，常规课，学生都比较喜欢，非常引起学生的兴趣，其中涉及未完成版作品、ppt，以及游戏素材 项目介绍 点击开始后，可以通过鼠标控制飞鹰，然后点击空格发射太阳，章鱼会随机运动，并发射小章鱼，当消灭或者胜利时都会有提示

基于一种改进的跨层级特征融合的循环全卷积神经网络, 提出了一种结合深度学习的图像显著目标检测算法。通过改进的深度卷积网络模型对输入图像进行特征提取, 利用跨层级联合框架进行特征融合, 生成了高层语义特征的初步显著图; 将初步显著图与图像底层特征融合进行显著性传播以获取结构信息; 利用条件随机场对显著性传播结果进行优化, 得到了最终显著图。利用大型数据集将所提算法与其他多种算法进行了测试对比, 研究结果表明, 在对复杂场景图像的显著目标检测方面, 所提算法稳健性更好, 显著目标检测的完整性提升, 背景得到了更有效的抑制。

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