显著性检测算法常通过计算像素之间的差异来确定显著性，但是对像素的选取通常是固定的，容易忽略图像中物体的边界信息，导致最终检测结果中目标的边界比较模糊。借鉴生物视觉注意机制，提出了一种新的基于超像素和马尔科夫链的显著性区域检测算法，将图像分割成若干个超像素，使用Wasserstein距离衡量超像素之间颜色、方向和位置的差异来建立马尔科夫链，将显著性检测问题转换为马尔科夫链上的随机游走问题，使用它的平稳分布作为图像的显著度。实验结果表明，相对于两种经典算法，所提出的算法在主要目标及其边界的提取精度等方面取得了较为满意的效果。

图像显著性区域检测算法研究.pdf

针对传统基于像素的显著性模型存在的边缘模糊、不适于低对比度环境等问题,提出一种基于双目视觉信息的显著性区域检测方法.采用简单线性迭代聚类(SLIC)方法对图像进行超像素分割,将生成的超像素区域进行合并.通过计算各区域在左右视图的相对移动距离获取物体深度信息,以区域为单位分别计算颜色对比度及深度对比度,进行合成得到区域的显著性值.结果表明,生成的显著性图轮廓清晰,边缘锐利,同等条件下近处及深度变化显著的区域能够获得更高的显著性.该方法符合人类视觉感知特征,适用于移动机器人障碍物检测及场景识别.

本文档中包含一个主文件和八个函数文件，经对多个图片进行实验处理，均可行

收集了关于显著性区域检测的论文及matlab代码，包括graph-based visual saliency detection, image signature, global contrast based salient region detection, frequency tuned salient region detection