我认为这算法的核心是 用原图减去高斯滤波的结果来表示surrounds 对 center的抑制；用不同的feature 通道来表示眼睛的不同感受神经；用N(.)强调峰值；
1）使用默认参数
2）计算Gabor滤波器
从0º~180º等间隔选择Gabor角，为param.gabor
计算saliency map的长和宽，和原图像等比例
imgs{1, 2, 3} 三种center scale
如果原图像没有三个通道（rgb）则feature maps不要C和D通道
3）计算D通道的feature map：getchan()
对于每个center scale（默认3个128，64，32）
D通道：
如果原图有rgb三个颜色通道，则把原图从rgb转换到dkl空间，dkl空间的三个通道都加入chan{}中
getchan()计算D通道的feature maps 返回时，chans里面有9个cell，分别是三个scale的dkl分量。
4）计算D通道每个feature map的pixel saliency：pixsal()函数
调用mygausskernel()产生给定surrounds sigma（默认为2和8）的高斯核函数，一维的
这个feature map（局部变量img）和高斯核向量ker做卷积，在和ker的转置做卷积。这就是高斯模糊处理了（好像不是这样的？？？）
将原图和高斯模糊的结果做差的平方，然后化到0，1之间 （直接减去高斯滤波的结果？文章里是cross scale减啊？？？？）
调用mypeakiness()做文中说的N(.)处理，这里面调用了一个找局部极值的mexLocalMaximaGBVS，是某个开源库里的东西？
最后把不同的surrounds sigma的到的结果加起来，对这个和在化到0，1之间
以128*128为例，d分量和各自saliency分别为：
对于D通道的各个maps，全都resize到mapSize，再用N(.)求得的权值求加权和作为D通道的saliency map
5）直接求三个颜色分量的均值，就是I通道的feature。I通道128*128的feature和saliency如下
I通道的加权和为
6）O通道，0º，128*128的feature和saliency：
O通道加权和：
三个通道求加权和：blurring处理（高斯滤波模糊）：加中心偏置（乘以高斯函数）：
最后化到0，1区间的到最终saliency map
