该方法为程明明老师2008年发表在cvpr上的文章Global Contrast based Salient Region Detection中提出的（详细算法见原文点击打开链接）。
该方法只用到了颜色特征。一个像素的显著值是通过与图像中的所有其它像素的色差来定义的。比如方程1：
其中D(Ik,Ii)是空间L*a*b中两个像素的颜色距离度量，上式经过扩展像素等级变为方程2：
其中N为图像I中的像素数量。
由于测量没考虑空间关系，同样颜色值的像素具有相同的显著值。从具有相同颜色值的像素被组合在一起的角度重新整理方程2，我们就得到每个颜色的显著值如下方程3:
其中，Cl是像素Ik中的颜色值，n是不同像素颜色的数量，fi是图像I中像素颜色Cj出现的频率。
（1）基于直方图的加速
首先将每个颜色通道量化为12个不同值，这就讲颜色的数量减小到了。考虑到自然图像中的颜色仅仅包含了全颜色空间中很小的一部分，通过忽略出现频率较低的颜色来进一步减少颜色数量。通过选择高频颜色并且保证这些颜色覆盖图像像素不低于95%的颜色，最终达到了n=85个颜色。剩下的像素颜色，包含不高于5%的图像像素，这部分颜色被直方图中最邻近的颜色替代
（2）颜色空间平滑
一些相似的颜色可能被数量化为不同的值。为了减少这类由于随机性给显著结果引入的噪声，采取一套平滑程序来改善每个颜色的显著值。用相似颜色的显著值加权平均来代替每个颜色（以L*a*b*距离测量）的显著值。选择m=n/4。个最近的颜色作为代表来改善颜色c的显著值，如方程4：
其中，
【MATLAB实现步骤】
1、量化颜色通道。找出图像中一共有多少种颜色以及对应的像素总数。
2、按照像素总数从大到小排序，并同时记录相应颜色。
3、找出像素数目覆盖图像不小于95%的高频颜色，以及其他的不高于5%的颜色种类，假设高频颜色共有maxnum种。
4、把低频颜色的像素归类到与它lab颜色距离相距最近的高频颜色中。
5、在maxnum种颜色中，计算颜色i到所有其他颜色j的颜色距离。并按照距离从小到大排序，记录相应j的颜色种类。
6、按照方程3计算每一种颜色的显著值。根据第5步，可以找到距离颜色i相距最近的m种颜色，从而可以根据方程4计算每种颜色显著值，即最终的显著值。
7、为图像中每一个像素分配显著值。像素(i,j)是什么颜色，就赋予它相应颜色的显著值。
8、至此，显著图生成。进行归一化、线性空间滤波。