一、思路：
从信息论的角度看，有效编码可以将图片H中信息分为两部分：
$$H(Image) = H(Innovation) + H(Prior Knowledge)$$
Innovation变化，即为显著部分；Prior Knowledge先验知识，即为背景部分，冗余部分。
相似就代表着冗余。对一个系统而言要最小化视觉的冗余信息，它必须知道输入图片的统计相似性（即所有图片平均特性）。
那么如何计算统计相似性呢？前人发现一个规律：大量的自然图像（在某个频率下）的平均振幅与该频率成反比，公式表征如下：
$$E\{A(f)\} \propto 1/f$$
f是频率，A(f)频率f对应的幅度(amplitude)，E代表平均振幅（ensemble）。
加上log，则在log-log 图谱中，自然图像的集合的平均振幅谱大致形状是线性的（统计特性）。
但由于一些原因（在个体图像中不可能发现尺度不变性，没看懂），作者没有使用log-log表征，而是使用log谱表征一幅图像，即$$L(f) = log ( A(f) )$$
当使用log谱表征时，发现如下规律：
所有图像的log谱的趋势是一样的，且大量图像的平均振幅是平滑的（统计特性），于是作者认为吸引我们注意力的部分是那些跳出平滑的部分（尖峰部分），则显著部分可以通过一个图像的幅度减去平均振幅，得到谱残差R(f)（尖峰部分），公式表示如下：
$$R(f) = L(f) - A(f)$$
二，模型特点：
1）以往的大多数显著性检测算法，都是研究目标物体的属性，而该论文中提出的算法是探索背景的特性；
2）通过表征背景，找到背景，去掉背景，剩下的就是前景目标；
3） 模型与图像中的目标特征、种类和其他先验知识无关，算法适用性强；
4）算法简单，运行快。
三，模型算法：
对每个图像的对数谱（log spectrum）进行分析，得到谱残差。然后，然后将谱残差变换到空域，得到显著性图
四，代码解释：
clear
clc
%% Read image from file
inImg = im2double(rgb2gray(imread('Spectral_Residual.png')));
%%inImg = imresize(inImg, 64/size(inImg, 2));
%% Spectral Residual
myFFT = fft2(inImg); % A(f),一个图像的振幅，主要保存图像低频部分的信息
myPhase = angle(myFFT); % 图像对应的相位图，主要保存图像高频部分的信息
% 对低频部分处理，即处理背景部分，使背景部分的振幅接近0，去掉背景，剩下的就是前景目标
myLogAmplitude = log(abs(myFFT)); % L(f) = log(A(f)),图像振幅的log谱，log可以使振幅值区间变小
averageAmplitude = imfilter(myLogAmplitude, fspecial('average', 3), 'replicate');
mySpectralResidual = myLogAmplitude - averageAmplitude;
%% to spatial domain
% 用残差振幅（保存的低频信号，且值接近0），替代图像的原振幅（保存的低频信号，且值较大），再结合相位图，反傅里叶变换到空域中。
saliencyMap = abs(ifft2(exp(mySpectralResidual + 1i*myPhase))).^2;
%% After Effect
saliencyMap = mat2gray(imfilter(saliencyMap, fspecial('gaussian', [10, 10], 2.5)));
imshow(saliencyMap);