分别对显著区域和非显著区域进行特征提取，具体提取的特征包括颜色(Lab空间，即三个分量)，纹理，方向等，最后每幅图片用两个特征向量表示（一个显著区域特征向量，一个非显著区域特征向量）。

       根据上面第一部分得到的结果，每个图像对应这一个显著性区分图，即：

        根据步骤一的结果，我们进行特征提取：这里，根据要求，主要的特征为颜色(Lab空间，即三个分量)，纹理，方向等，为了提高精度，我们增加其余几种特征，主要为：

         这里，我们考虑其四个方向上的四个文理参数的均值和方差作为最终的特征参数，此外，再加上LAB空间的颜色分量，总共这些均作为其特征参数。

        颜色特征，

       这里根据要求，使用lab特征空间，最后使用的是计算均值作为三个特征数据。关于这个部分的内容，你可以找一些lab的理论用在论文中。

        关于纹理特征：

    (1)能量：即上述特征量中的角二阶矩，是灰度共生矩阵中各个元素的平方和，该特征量可以描述图像的灰度分布情况以及纹理粗细度，是纹理灰度变化的度量特征量。如果图像纹理粗糙，则该特征量较大，反之，纹理细腻，则该特征量较小。

    (2)对比度：是灰度共生矩阵中主对角线的惯性矩，该特征量是图像清晰程度以及纹理沟纹深浅程度的度量特征量。对比度值较小，说明图像效果清晰，沟纹较浅，反之，对比度值较大，说明图像效果模糊，沟纹较深。

    (3)相关：是灰度共生矩阵行或者列方向上元素相似程度的度量特征量，该特征量可以作为判断纹理主方向的特征量。

    (4)熵：图像信息量，是一个随机性的度量特征量，当灰度共生矩阵中元素分散程度较大时候，熵较大，图像为满纹理时候，熵取得最大值，反之如果纹理分布较集中，则熵较小，如果图像中无纹理，则熵取最小值零。

       我们选择上述常用的四个纹理特征的均值和方差作为特征值。具体公式，请查看相关论文即可。

       我们分别从0,45,90,135四个方向计算其纹理空间。

3、赋予显著区域特征向量高权值，非显著区域特征向量低权值。（具体做法请你们自己解决，我有个思路，你们可以参考一下不知道可不可行，就是以显著区域和非显著区域像素点个数的倒数，进行归一化，然后作为权值，因为一般情况下显著区域肯定比非显著区域面积要小，即像素个数少，求倒数之后，则显著区域的权值自然比非显著区域的大），这部分务必写清楚具体实现步骤，论文里需要写。

4、然后用支持向量机的方法对Corel5k图像库的图片进行训练，得出模型，用于对未知图片进行标注。(具体写清楚用的那个类型支持向量机，对应的原始公式等等)

    支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。支持向量机方法是建立在统计学习理论的VC 维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度，Accuracy）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以期获得最好的推广能力（或称泛化能力）。