6种视觉显著性检测算法步骤梳理(附代码与论文链接)
本文梳理了6种视觉显著性检测算法，包括Itti、SR、FT、HC、CA和GR算法，并提供了MATLAB代码链接与论文链接，旨在实现快速判断图像中显著性区域，广泛应用于目标识别、图像编辑和图像检索等领域。以下是各算法的简要介绍与步骤概述。
Itti算法：基于高斯金字塔融合图像颜色、亮度和方向特征，由Itti等人在1998年提出。算法流程包括特征图提取和显著图生成两个阶段。特征图提取阶段使用高斯金字塔构建不同尺度的特征图，对亮度、颜色和方向特征进行计算。显著图生成阶段对特征图进行归一化和融合，得到最终显著图。MATLAB代码与论文链接提供。
Spectral Residual(SR)算法：Hou等人在2007年提出的频域显著性检测模型。通过计算图像频域log幅度谱与平均log幅度谱的差，得到显著信息。显著区域log幅度谱通过指数运算、傅里叶逆变换和高斯滤波获得。论文链接提供。
FT算法：Achanta等人在2009年提出，基于Lab颜色空间像素向量与平均像素向量的欧氏距离。算法步骤包括高斯滤波、颜色空间转换、欧氏距离计算等，最终输出显著图。论文链接提供。
HC算法：由程明明等人在2011年提出的基于颜色全局直方图的颜色对比度算法。算法计算像素点与其他像素之间的颜色特征差异度，显著值与差异性正相关。论文链接提供。
CA算法：Goferman等人在2012年提出，结合局部特征、全局特征、视觉组织规则和目标位置先验信息，通过计算像素差异性和加权距离，生成显著图。算法步骤包括颜色距离计算、多尺度平均显著值、关注区域提取和中心突出等。论文链接提供。
GR算法：Chuan Yang等人在2013年提出，基于超像素分割和区域对比度，通过构建稀疏连通图和显著性成本函数，最小化成本函数计算超像素最优显著值。MATLAB代码链接与论文链接提供。
本文提供的MATLAB代码与论文链接，有助于深入理解这些算法的实现细节，为计算机视觉与图像处理领域提供技术支持。
Itti算法：基于高斯金字塔融合图像颜色、亮度和方向特征，由Itti等人在1998年提出。算法流程包括特征图提取和显著图生成两个阶段。特征图提取阶段使用高斯金字塔构建不同尺度的特征图，对亮度、颜色和方向特征进行计算。显著图生成阶段对特征图进行归一化和融合，得到最终显著图。MATLAB代码与论文链接提供。
Spectral Residual(SR)算法：Hou等人在2007年提出的频域显著性检测模型。通过计算图像频域log幅度谱与平均log幅度谱的差，得到显著信息。显著区域log幅度谱通过指数运算、傅里叶逆变换和高斯滤波获得。论文链接提供。
FT算法：Achanta等人在2009年提出，基于Lab颜色空间像素向量与平均像素向量的欧氏距离。算法步骤包括高斯滤波、颜色空间转换、欧氏距离计算等，最终输出显著图。论文链接提供。
HC算法：由程明明等人在2011年提出的基于颜色全局直方图的颜色对比度算法。算法计算像素点与其他像素之间的颜色特征差异度，显著值与差异性正相关。论文链接提供。
CA算法：Goferman等人在2012年提出，结合局部特征、全局特征、视觉组织规则和目标位置先验信息，通过计算像素差异性和加权距离，生成显著图。算法步骤包括颜色距离计算、多尺度平均显著值、关注区域提取和中心突出等。论文链接提供。
GR算法：Chuan Yang等人在2013年提出，基于超像素分割和区域对比度，通过构建稀疏连通图和显著性成本函数，最小化成本函数计算超像素最优显著值。MATLAB代码链接与论文链接提供。
本文提供的MATLAB代码与论文链接，有助于深入理解这些算法的实现细节，为计算机视觉与图像处理领域提供技术支持。