Seo等人[12]利用自相似方法来预测显著性。首先，利用局部回归矩阵描述算子来得到每个像素的局部结构特征，该特征是个矩阵。该特征矩阵对图像的变形和噪声都很鲁棒，因此可以准确的衡量像素的显著性，然后，通过矩阵的余弦相似度来计算像素和其领域的距离，从而得到像素的显著性。

Judd等人[13]提出一种自顶向下的眼动预测方法。该方法利用包含15个实验者真实眼动点分布的数据库，训练了一个线性支持向量机SVM分类器对像素进行分类。

2显著物体检测模型

显著物体检测本质上类似于图像分割，不同的是显著物体检测算法要检测的目标区域必须满足显著的特性，而图像分割在没有认为干预或者先验知识的情况下，将图像中所有的目标都分割出来。

自底向上的显著性区域检测算法主要基于由于外界刺激产生的视觉注意，使观察者迅速将注意力集中在感兴趣的地方。该类算法根据图像和视频自身的内容，利用视觉注意基本原则，仅需少量的或者无需视觉先验即可计算出视觉显著区域。自底向上的显著性提取方法由数据驱动，独立于具体任务。其注意模型主要从输入图像提取多种不同特征，如颜色，方向，亮度，运动等。

目前自底向上的显著物体检测算法大多数都是利用对比度来衡量显著性。根据计算对比度的范围可以分为局部的和全局的方法。局部对比度方法基于周围邻近像素估计一特定图像区域的显著性，或考量像素级别的差异，或使用多尺度的高斯差算子，或进行直方图分析。Ma和Zhang[14]通过模拟视觉感知的方式计算显著性图。该方法将视觉显著性检测分为三个层次：关注点、关注区域和关注视角，并在显著性检测过程中采用模糊增长策略从关注点逐步扩大至关注区域、关注视角。虽然这类方法能产生较为清晰的显著性图，但它忽略了全局关系及结构，而且对图像的高频部分更为敏感，像边缘或噪声之类的。Achanta等人[15]以图像块作为显著性计算的基本单元，并且通过改变图像块的大小，来得到多幅不同尺度的显著图，最后将多幅显著图平均来得到最终的显著图。Goferman等人[18]融合多尺度修正与上下文感知提出了基于上下文集成的显著性检测方法。

全局对比度方法在整幅图像上考虑对比度关系。这类方法倾向于将大范围的目标和周围环境分离开，检测效果通常要优于会在轮廓附近产生较高显著性的局部对比度方法，此外，还可为图像中相似区域分配相近的显著性，均匀地突出目标。Achanta等[16]提出根据频率调谐的理论来计算显著性。首先利用高斯滤波器对图像进行模糊，并计算模糊图像的颜色均值，然后计算原图像中每个像素和颜色均值之间距离来得到显著图。Cheng等[17]提出了基于稀疏直方图对比的显著性区域检测方法。该方法首先采用图像分割的方法将输入图像分割成若干的区域，然后为每个区域建立颜色直方图，通过比较该区域与其他区域的颜色直方图的差异计算显著性值。与其他基于块的方法不同，该方法没有采用固定尺度的块，而是比较图像分割算法产生的区域的差异，并引入空间信息增大近邻区域的影响，减小远距区域的影响。Shen等人[19]提出将低秩引入到显著图计算中，非显著区域表示为秩矩阵，显著区域认为是稀疏噪声。鲁棒PCA对低秩矩阵进行恢复，噪声被认为是显著区域，根据先验知识修正显著区域。刚方法提取特征较多，计算量较大，速度慢。Han等人[20]提出显著性模型和稀疏编码结合，提取特征包括颜色特征、方向特征、全局特征等组成特征矩阵进行训练。