基于图的流形排序的多层级融合显著性目标检测，李翠萍，陈振学，针对基于图的流形排序的显著性目标检测方法在突出显著性物体和抑制背景方面的不足，提出一种基于图的流形排序的多层级融合显著性

给条形图填充纹理图案

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

显著性水平 置信度 显著性水平α下，μ在1- α置信水平下的置信区间：

此笔记详细介绍了：基于小概率事件思想的假设检验过程、P值的含义、P值与显著性水平的关系、P值如何计算并举例

rc代码显着性matlab saliency-detection-methods 文章《基于多图流形排序的图像显着性检测》中所用对比算法源码链接HC: RC: AC: HS: SR: FT: MSS: GS: MR: BFSS: RW: HDCT: BMA： RR:

视觉显著性

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