1.Itti演算法

《A Model of Saliency-Based Visual Attention for Rapid Scene Analysis》

Step1：對輸入圖片1/2取樣，重複八次，最小尺度的圖片I8大小是原圖片I0的1/256，共計8個尺度；
Step2：分別提取不同尺度下的影象特徵，顏色特徵R、G、B、Y，亮度特徵I，方向特徵（0,45,90,135四個方向），共計9個特徵；

Step3：計算中央周邊差，中央c包括2,3,4；周邊s包括5,6,7,8；要求c-s等於3,4，所以共有2-5，2-6， 3-6，3-7，4-7，4-8六種尺度差。特徵差值包括I，RG，BY，O(四種方向)七種特徵，共計42幅特徵圖。取差的時候的時候需要向上差值，使其具有相同的尺度；
Step4：歸一化，不同特徵得到的顯著值不同；然後分別尺度間求和，包括Im（亮度和），Cm（RG、BY），Om（四個方向和），求和與上面取差類似，先插值，後求和。
Step5：顯著圖融合，均值融合的方法。
評價：頻繁的差值處理導致解析度差，顯著邊緣效果不好。

2.SR演算法

《Saliency Detection: A Spectral Residual Approach》
該演算法認為影象資訊都存在於幅度譜資訊中，從影象的幅度譜中減去先驗知識的幅度譜，剩下的就是顯著部分的幅度譜。影象由兩部分組成背景資訊和先驗資訊。
H(Image)=H(Innovation)+H(PriorKnowledge)
影象的log頻譜減去頻譜的平均值剩餘的就是影象顯著性區域。（對影象進行傅立葉變換轉換到頻域取對數值得到的頻譜就是log頻譜）。R(f)=L(f)-A(f)；其中L(f)就是影象f的log振幅譜，A(f)是平均log振幅譜，作者就是將L(f)進行3*3的均值濾波得到的A(f)。R(f)就是影象f的Spectral Residual。

其中I(x)輸入影象，經過傅立葉變換後實部表示幅度，虛部為相位。hn(x)是一個3*3的均值濾波器，g(x)是一個高斯濾波器。

評價：演算法簡單但只能一定程度上給出顯著性區域的位置。
matlab程式碼：
myFFT = fft2(inImg);
myLogAmplitude = log(abs(myFFT));
myPhase = angle(myFFT);
mySpectralResidual = myLogAmplitude - imfilter(myLogAmplitude, fspecial(‘average’, 3), ‘replicate’);
saliencyMap = abs(ifft2(exp(mySpectralResidual + i*myPhase))).^2;

3.FT演算法

《Frequency-tuned Salient Region Detection》
在頻域空間下，影象可以分為高頻和低頻部分，其中高頻部分主要對應於影象的細節部分以及一些不希望的高頻噪聲，低頻部分對應於影象的基本區域等整體資訊，顯而易見，低頻部分是顯著性區域檢測主要研究的地方。定義 為計算顯著性所需要的最低頻率， 為計算顯著性需要的最高頻率，研究顯著性區域將集中在區間 中。為了提高顯著性區域的完整性以及體現出一些細節，需要將這一區間向兩端擴大。

Iu表示全圖的CIELab空間下顏色均值， I(p)為p點經過濾波後的顏色特徵， || ||表示在Lab空間下的歐式距離。

4.PCA演算法

《What Makes a Patch Distinct?》

該演算法將形態與Lab顏色空間下兩種描述相結合。
Step1：形態顯著性計算，利用PCA(Principal Component Analysis)對基礎部分進行降維，找到最具有代表性的特徵作為顯著性計算的依據。利用超畫素分割將影象分割為不同的區域，計算各區域與全圖平均值的對比度，得到顯著圖。
Step2：顏色顯著性計算，計算在CIELab空間下，各個區域間的顏色對比度。
Step3：加入先驗資訊，融合形態顯著圖和顏色顯著圖的基礎上，找到影象中顯著性區域，加入一個o=1000的Gaussian濾波器，凸出顯著性區域增加亮度。