后来有人提出SR算法[9]之所以有效并不是因为谱残差的作用，而是SR中同样参与了计算的相位谱信息。因此基于相位谱的PFT算法[10]被提出了。PFT将振幅谱信息全部丢弃，只对相位谱进行反变换，得到的显著图和SR算法很相似。

SR算法和PFT算法只是对图像的某种特征进行单独操作，割裂了图像特征之间的关联性。因此利用四元素将多种特征并行处理的PQFT算法[11]被发掘。该算法结合三种颜色、强度、运动特征，使之并行处理，加快了运算速度。

利用图像中背景和前景的位置分布规律，Yang等人[12]提出了一种新的算法。首先对图像进行分割，从图像的背景出发，通过流行排序寻找前景。该算法中，将图像的边缘区域看作是背景，从周边向中心扩散，最终得到前景区域。

2自顶向下的显著性分析

在背景和目标非常相似的情况下，根据生物特征来区分图像是很困难的。自顶向下的模型需要事先了解目标的样本特征，建立视觉期望，然后根据已有的知识或经验等先验知识，完成目标区域的分离。典型的自顶向下的显著性分析模型有：

在Itti模型的基础上，Navalpakkam等人[13]研究了自顶向下的方法。该算法对视觉注意系统和实体底层特征的相似度进行学习，根据任务目标的表征，找出与目标任务特征相似的区域，并赋予该区域高于其他区域的显著值。

Peters等人[14]研究了一种机器学习算法。该算法的基本思想是学习全局特征到注视点密度的映射关系矩阵。在预测阶段，根据图像的全局特征，利用之前学习的映射关系，计算出注视点的可能分布，再结合自底向上的显著图，得到最终的显著图。

Wang等人[15]研究了多实例学习的算法。多实例的算法首先对图像进行分割，将分割得到的每一块定义为一个包，对包中的若干像素进行随机抽取，抽取到的像素点作为示例。提取每个像素的底层特征，进行多示例算法的学习，形成示例特征到示例显著性的映射。最后，将图像的中层特征和高层特征结合起来，形成新图像的显著图。

Liu等人[16]研究了基于机器学习的显著性检测算法。采用条件随机场算法，组合三种特征图来获取图像的显著图。被组合的三种特征图是依据多尺度对比、Center-surround对比、颜色Lab分布等原理，依次在图像的局部、区域、全局上获得的。