在計算機視覺中，顯著性地圖是一種突出人們眼睛首先關注的區域的圖像。顯著性地圖的目標是反映一個像素對人類視覺系統的重要程度。例如，在這張圖片中，人們首先看的是財富和輕盈的云朵，所以它們應該在顯著性地圖上被強調。在人工或計算機視覺中設計的顯著性地圖通常與生物或自然視覺構建的實際顯著性地圖不一樣。

顯著性地圖在各種不同的問題中都有應用。一些一般的應用。圖像和視頻壓縮。人眼只關注畫面中的一個小的興趣區域。因此，沒有必要以統一的質量來壓縮整個畫面。根據作者的說法，使用顯著性地圖可以在相同的視覺感受下減少視頻的最終大小。圖像和視頻質量評估。圖像或視頻質量指標的主要任務是與用戶意見高度相關。突出區域的差異被賦予更多的重要性，因此對質量分數的貢獻更大。圖像重定位。它的目的是通過擴大或縮小非信息區域來調整圖像的大小。因此，重定目標的算法依賴于準確估計所有突出圖像細節的顯著性地圖的可用性。對象檢測和識別。與其將計算復雜的算法應用于整個圖像，我們可以將其用于圖像中最有可能包含物體的最突出的區域。顯著性作為一個分割問題顯著性估計可以被看作是圖像分割的一個實例。在計算機視覺中，圖像分割是將數字圖像分割成多個片段（像素集，也稱為超級像素）的過程。分割的目的是簡化和/或改變圖像的表示方法，使之成為更有意義和更容易分析的東西。圖像分割通常用于定位圖像中的物體和邊界（線條、曲線等）。更確切地說，圖像分割是為圖像中的每個像素分配一個標簽的過程，使具有相同標簽的像素具有某些特征。

在OpenCV中實現的經典突出性估計算法有三種形式。靜態顯著性。依靠圖像特征和統計數據來定位圖像的興趣區域。運動顯著性。依賴于視頻中的運動，通過光流檢測。移動的物體被認為是突出的。對象性。對象性反映了一個圖像窗口覆蓋一個物體的可能性。這些算法產生一組物體在圖像中可能存在的邊界框。除了經典的方法，基于神經網絡的方法也很流行。有一些用于運動顯著性估計的神經網絡的例子。TASED-Net。它由兩個構建模塊組成。首先，編碼器網絡提取低分辨率的時空特征，然后下面的預測網絡對空間編碼的特征進行解碼，同時匯總所有的時間信息。STRA-網絡。它強調了兩個基本問題。首先，通過外觀和光流耦合整合時空特征，然后通過注意力機制學習多尺度的突出性。STAViS：它結合了時空視覺和聽覺信息。

這種方法采用一個單一的網絡來學習定位聲源，并融合兩種顯著性來獲得最終的顯著性地圖。實施實例首先，我們應該計算每個像素與同一幀中其他像素的距離。其中N是當前幀中的總像素數。然后我們可以進一步重組我們的公式。我們把具有相同I的值放在一起。SALS(Ik)=ΣFn×|Ik-In|其中Fn是In的頻率。而n的值屬于[0,255]。頻率以直方圖的形式表示，直方圖的計算時間為時間復雜度該突出度圖算法的時間復雜度為時間復雜度。由于直方圖的計算時間是O(N){displaystyleO(N)}的時間復雜性。時間復雜度，其中N是一幀的像素數。此外，這個方程的減法部分和乘法部分需要256次操作。

以下所有的代碼都是MATLAB的偽代碼。首先，從視頻序列中讀取數據。