感兴趣区域（Region of interests， ROI）是图像中可能引起人眼视觉关注的区域。根据视觉注意机制的经典模型Itti模型来提取图像的低层特征，利用局部迭代的特征合并策略并在此基础上综合自动阈值分割和种子点的区域生长方法得到感兴趣区域的提取方法。实验结果表明该方法符合生物的视觉注意机制，具有良好的鲁棒性。

显著图计算算法FT, SR, LC, HC, RC，以及saliency cut 的合集。

这是基于鲁棒性显著图的matlab源代码。下载解压后直接运行。

基于运动显著图和光流矢量分析的目标分割算法.pdf,为提高运动目标分割算法对多种复杂场景的自适应能力和分割精度，提出一种基于运动显著图和光流矢量分析的目标分割算法。该算法首先基于运动显著图提取运动目标的大致区域，然后利用光流矢量获得运动目标和背景区域的运动边界，并结合点在多边形内部原理得到运动目标内部精确的像素点，最后以超像素为基本分割单元，通过引入置信度的概念实现最终像素一级的目标分割。通过与典型算法进行多场景实验对比，表明该算法能够有效实现多种复杂场景下的运动目标分割，并且较现有算法具有更高的分割精度。

显着图提取的代码matlab 用于 3D fMRI 体积分类的 3D 卷积神经网络 (CNN) 这些是用于 3D fMRI 体积分类的 3D-CNN 模型的 MATLAB 代码和 Python 代码。 还包括可视化经过训练的 3D-CNN 的代码。 样本数据： 样本 3D fMRI 体积序列数据是在四个感觉运动任务期间获得的，包括左手握紧 (LH)、右手握紧 (RH)、听觉注意力 (AD) 和视觉刺激 (VS) 任务 [1]。 我们的感觉运动数据集包括来自 12 个受试者的数据，每个受试者执行四个任务中的每一个（每个任务三个块；每个块 20 秒）。 因此，每个受试者的每个任务有 30 个 3D fMRI 体积，每个受试者的所有四个任务有 120 个 3D fMRI 体积，所有受试者总共有 1440 个 3D fMRI 体积。 MATLAB 代码： 下载样本数据和训练模型： 请从此链接下载示例数据： 请在此链接中下载经过训练的模型（用于可视化）： 数据说明： 样本 3D fMRI 体积序列数据是在四个感觉运动任务期间获得的，包括左手握紧 (LH)、右手握紧 (RH)、听觉注意力 (AD)

在智能输电线路综合监测系统中，基于航拍获得的视频图像进行故障的自动检测，具有安全可靠、不受地域影响、成本低以及高效快捷的优势。输电线路上悬挂的异物不仅影响线路的正常供电，还会危及电力线下的行人与车辆安全，严重时会造成 片区大面积停电。本文提出一种基于视觉显著性分析的输电线路异物检测方法，通过分析直升机巡检过程拍摄到的图片，在事先检测到的输电线路兴趣区域内根据人眼感知特性来计算视觉显著图，然后通过视觉显著度对颜色、形状或空间分布等特性对异物区域实现统一定位。该方法可及时地对输电线路上的异物进行自动识别，从而降低工作强度和提高工作效率。

对公共场所中人群监控准确性和实时性低的问题,提出一种基于运动显著图的人群异常行为检测方法。该方法首先利用Lucas-Kanade法计算稀疏特征点的光流场,并对光流场进行时间和空间上的滤波处理,然后计算特征点的运动方向、速度和加速度。为了准确描述人群行为,将人群的速度幅值、运动方向变化量和加速度幅值分别映射为图像的R、G、B三个通道,并以此合成代表人群运动特征的运动显著图。最后,设计和训练面向人群运动显著图的卷积神经网络模型,并利用该模型检测人群中是否存在异常行为。

2012年CVPR上备受关注的一篇快速的显著性检测文章：Saliency Filters: Contrast Based Filtering for Salient Region Detection的代码现在可以在第二作者 Philipp Krähenbühl 的个人主页上下载了。 修改了代码的一些错误，需要搭建好opencv平台，直接编译即可。

检测显著图，并图象分割，my code is integrated with graphcuts method

资源是SR显著图提取算法的MATLAB代码，资源下载后直接能用，解压后打开test.m，然后运行即可。相关的资料请参考博文https://blog.csdn.net/weixin_42647783/article/details/81415480，谢谢~