空间自相关指标显著性检验

详解显著性检验的基础概念，包括假设建立的实质理解，以及如何区分第一类误差和第二类误差。探讨常见的统计检验方法，例如方差分析。

随着技术的发展，正交试验设计在显著性检验中发挥关键作用。因素A显著，而因素C则未达到显著水平；而因素B对试验结果没有显著影响。因素的作用顺序为：A－C－B。根据表10-28的方差分析表，t变异来源t平方和t自由度t均方tF值t临界值Fat显著性tAt17.334 t3t5.778 t22.75tF0.05(3,3)=9.28, F0.01(3,3)=29.46t* tB△t0.00125 t1t0.00125 tCt0.781 t1t0.781 t3.07tF0.05(1,3)=10.13 F0.01(1,3)=34.12 t误差e t0.763 t2t0.381 t误差e △ t0.764

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。

显著性检验和正交设计的学习材料比较丰富，是这个课程内容。它了如何通过方差来判断各个因素的显著性，并清楚展示了因素 A、B、C 的主次关系和自由度计算。说实话，做实验的时候，搞清楚每个因素的影响程度真的重要，正交设计就适合这种情况。而且，F 值、临界值等概念，虽然看着有点复杂，但如果按照课程一步步来理解，能大大简化你的过程。这个资源的优势就是通俗易懂，适合入门和进阶的朋友。你如果有做数据或者实验设计的需求，学习它能帮你在实际应用中避免一些常见错误，操作起来也挺直观的。另外，推荐你可以看看一些相关的扩展资源，像是关于 Excel 和 SPSS 的方差应用，也挺有的，尤其是需要与其他工具结合的时候。

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。

ITTI 算法的 MATLAB 实现，真的是研究视觉显著性比较经典的一套思路。人类注意力模型里比较早期也比较有代表性的那种，核心就是三个通道：色彩对比、强度对比、边缘检测。每一步都挺清楚的，代码写得也不复杂，调试的时候心态比较稳。配色对比的，用的是像素和周围邻域做差值，色差大的地方显著性就高。边缘检测那部分，Sobel、Canny 之类的常规方法都能套进去。itti_simpsal这个函数应该是整合了各部分，直接丢图进去就能出结果，效率还不错。这套算法用在图像摘要、视频、交互式编辑这些场景都蛮合适的。比如说快速找出图片里最吸引人的地方，或者视频里某一帧突然亮眼的画面——就挺直观的。而且 MAT

自己写的myGBVS，核心算法思路清晰，代码也写得挺干净，适合拿来练手或者二次开发。显著性检测这个方向，说白了就是找图里哪些区域“比较重要”。而GBVS就是靠亮度对比，来决定图像的“关注点”在哪。整个流程不绕弯子，从图像预、亮度差计算到显著图生成，一步步都能看懂。 导航是函数式的，直接调用myGBVS('xxxx.jpg')就能跑。预部分包括灰度化和直方图均衡，这两步可以提高对比度，方便后面的。后也不马虎，加了滤波和阈值，能去掉噪声，结果挺干净。 这套代码适合想入门显著性检测或者图像分割的你。应用场景蛮广，比如视频监控里自动识别移动物体，自动驾驶识别障碍，甚至医学图像里找病灶。代码结构清爽，变

局部空间自相关分析方法主要包括以下三种： 空间联系的局部指标 (LISA) G 统计量 Moran 散点图