在生物学，视觉显著性问题很早就已经开始研究了。而基于计算机的显著性检测研究开始于20世纪90年代。显著性检测处理的对象是图像或者视频。在最开始的时候，研究目标主要集中在如何利用生物学上关于视觉显著性的研究成果，在计算机上建立相似的模型并且采用近似的处理方式来模拟人类的视觉行为。但是这些模型比较复杂，用计算机实现起来效率也不高，检测的效果也一般，典型的例子有Itti等人提出的基于特征集成理论的方法。27723
研究者们逐渐开始意识到，视觉显著性生物学研究成果是不完整的而且生物学研究成果的许多结论是不彻底的。这种不可靠的理论仿真算法而所建立的模拟算法难有可靠的结果。渐渐地，已经有很多的方式方法，打破了严格的生物削模式，有很多模型进行了简化，更简单的公式来计算直接执行。这些算法使得检测效果有了较大幅度的提高，典型的算法有Goferman等人提出的上下文集成的方法。
还有一些方法是从图像频率域来分析显著性检测过程。比如Hou和Zhang提出的基于剩余频谱分析的方法，Achanta等人提出的基于频率调谐的检测方法以及Guo等人提出的使用傅里叶变换相位谱进行检测的方法。论文网
通过在模拟检测模型不断简化的基础上，研究人员通过研究不断地发现，对比度是引起人视觉注意力的最大因素。图像显著性检测的核心应该是对比度计算。这时，生物学上的研究成果不再用来指导研究者们去建立复杂的模型，而是作为对比度计算的指导原则。这些方法极大的简化了对显著性问题的理解，同时也能够在更高的水平上综合各种规则来实现简单高效的检测算法，典型的算法有Cheng等人提出的基于区域对比度的方法。      
对比度就是计算两个单元的差别程度。这种差别一般指两个单元所具有的特征在相应的特征空间中的差别距离。这些特征可以是颜色、强度、色度、局部角度等。很多时候对比度的计算还的需要考虑两个单元在二文平面空间中的距离长短因素。
对比度有两种，局部对比度和全局对比度。典型的采用局部对比度计算方式的方法有Achanta等提出的多尺度方法，典型的例子有采用全局对比度计算方式的方法有Zhai和Shah提出的基于直方图的方法。当前的研究人员的研究方向正在从以局部对比度为主向以全局对比度为主转变，而且还产生了多种局部对比度和全局对比度相结合的方法。对比度可以在不同的规模上计算，以像素为单元，或者以类为单元，或者以区域为单元。
除此之外，Liu等人基于机器学习方法设计了显著性检测方法，能够将主要物体所在的矩形区域选择出来。
 发展趋势
人类可以快速准确地识别视觉场中的显著区域。在机器上模拟人类的这种能力对于使机器能够像人类一样处理视觉内容是及其重要的。在过去的几十年内，已有大量的显著性检测方法进入了公开发表。这些方法中的大部分都趋向于预测人眼视觉注视点。然而这些人眼视觉注视点只是一些空间中的离散点，并不能准确地标识整个显著区域。
　　近些年来，一些科研单位和研究人员已经开始密切关注于显著区域检测方法的构建工作，如洛桑联邦理工学院的Sabine Süsstrunk研究员，以色列理工学院的Ayellet Tal教授，微软亚洲研究院的研究人员，清华大学的胡世民教授等。显著区域检测方法对以下领域发挥着重大的助益作用：图像分割、物体检测、内容保持的图像缩放等。从计算机智能模拟的角度说，视觉注意显著性的区域检测计算可以为选择少数的几个视觉显著区域和排除冗余提供快速的计算机制。开展视觉注意的理论和实验研究不仅符合人类对智能探秘的科学思想，而且具有战略意义，应用到海量数据的处理可以有效的提高计算效率，应用到军事侦查、医疗设备、智能机器人、工厂智能化中将明显提高我国高科技产品在国际市场上的竞争力。 视觉显著性问题国内外研究现状和发展趋势:http://www.youerw.com/yanjiu/lunwen_22298.html