显著性特征提取

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。

显著性水平α表示以(1-α)的置信水平，置信区间包含总体均值μ的概率。

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。

该工具允许从任何预训练的神经网络中提取图像特征，并提供功能：1. 数据加载和存储；2. 特征提取和规范化；3. 自定义模型特征管理。应用于机器学习和图像处理领域。

根据《基于Matlab实现的指纹图像细节特征提取》一文，编写了这个程序。

DSL：基于多维特征密集稀疏标记的显著性检测算法实现 本代码库提供了论文 “具有显着性检测的多维特征的密集和稀疏标记” [1] 中提出的 DSL 算法的实现。 系统要求 64位 Ubuntu 14.04 或 64位 Windows 8.1 操作系统 MatConvNet (需编译) [2]，支持 CUDA 7.5 和 cuDNN v3 CUDA 7.5 (可选，GPU加速) cuDNN v3 (可选，GPU加速) 使用方法 下载并编译 MatConvNet [2]. 下载模型文件 (必需) 以及现有数据集上生成的显著性图 (可选). 运行代码. 引用 使用此代码，请引用 [1]. 参考文献 [1] 论文标题 [2] MatConvNet: CNNs for MATLAB

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)

pymfe (Python 元特征提取器) 为 Python 环境提供了一套全面的元特征提取工具。该软件包基于最新研究成果，囊括了众多前沿元特征，并采用系统化的提取架构，确保生成可靠的元特征集。pymfe 遵循最新的元特征形式化标准，致力于提高元学习 (MtL) 的可重复性。 使用 pymfe，您可以灵活选择不同的度量和汇总函数，自定义超参数，并自动跟踪提取时间。此外，它还支持从特定模型中提取元特征，甚至可以通过引导程序获取置信区间。更多强大功能，敬请参阅官方文档。 元特征在元学习领域中用于描述数据集特征和/或其与算法偏差的关系。

提供图像分割、物体检测和视觉识别的基准图像数据集