显著性水平

在假设检验中，显著性水平 (α) 用于确定拒绝原假设的标准。通常情况下，α 设置为 0.05，这意味着有 5% 的可能性拒绝正确的原假设（即犯第一类错误）。 置信区间则提供了一种估计总体参数范围的方法。例如，在 95% 置信水平下，我们有 95% 的把握认为总体参数的真实值位于该区间内。 显著性水平和置信水平之间存在着互补关系： 1 - α 置信水平下的置信区间：如果在某个显著性水平 α 下拒绝了原假设，那么在 1 - α 置信水平下，相应的置信区间将不包含原假设中的参数值。 未拒绝原假设的情况：如果在某个显著性水平 α 下未拒绝原假设，那么在 1 - α 置信水平下，相应的置信区间将包含原假设中的参数值。 因此，显著性水平和置信区间提供了两种相互关联的方式来评估假设检验的结果和总体参数的范围。

北京航空航天大学于 2017 年在 TIP2017 上发表的论文《学习使用 HEVC 特征检测视频显著性》开源代码。通过对眼动跟踪数据库的分析，提出了基于 HEVC 特征的视频显著性模型，包括分割深度、比特分配和运动矢量特征。

GBVS是在Itti模型基础上改进的算法，对视觉显著性和注意力机制的研究具有重要意义。这一算法对于深入理解视觉信息处理及其应用具有重要价值。

空间自相关指标显著性检验通过标准化 Z 值实现。Moran's I 显著性检验公式为： E(I) = 1/(n-1)

提供图像分割、物体检测和视觉识别的基准图像数据集

解读最小显著性差异法：SPSS实战指南 最小显著性差异法，常用于多组均值比较后的两两比较。它基于t检验原理，通过计算最小显著差异值，判断哪些组别之间存在统计学意义上的差异。 操作步骤： 完成ANOVA分析: 在SPSS中进行方差分析（ANOVA），获得F统计量和P值，判断组间是否存在显著差异。 设置LSD选项: 在ANOVA对话框中，勾选“Post Hoc”选项卡，选择“LSD”方法。 结果解读: SPSS将输出LSD检验结果，包括每两个组别之间的差异值、标准误、P值等信息。 应用场景: 适用于组数较少，且方差齐性的数据。 可以更直观地展示组间差异。 注意事项: LSD检验的检验水准需要根据研究目的和数据特征进行调整。 当组数较多时，容易出现第一类错误（假阳性）。

随着技术的发展，正交试验设计在显著性检验中发挥关键作用。因素A显著，而因素C则未达到显著水平；而因素B对试验结果没有显著影响。因素的作用顺序为：A－C－B。根据表10-28的方差分析表，t变异来源t平方和t自由度t均方tF值t临界值Fat显著性tAt17.334 t3t5.778 t22.75tF0.05(3,3)=9.28, F0.01(3,3)=29.46t* tB△t0.00125 t1t0.00125 tCt0.781 t1t0.781 t3.07tF0.05(1,3)=10.13 F0.01(1,3)=34.12 t误差e t0.763 t2t0.381 t误差e △ t0.764 t3t0.254 t总和t18.879 t7

详解显著性检验的基础概念，包括假设建立的实质理解，以及如何区分第一类误差和第二类误差。探讨常见的统计检验方法，例如方差分析。

简单的matlab代码实现图像显著性特征提取，代码简洁高效，实现效果显著。