显著性分析模型,能够仿真生物视觉系统,提取出图像中最引人注意、最能代表图像内容的显著部分。它作为很多计算机视觉问题的基础处理步骤,具有重大的研究意义和广阔的应用前景。高效高质量的显著性分析模型可以为核心区域锁定及追踪、对象分析、场景描述、前景敏感的图像检索与编辑等抽象出可靠的完备数据：可以合理恰当地分配图像分析与处理所需的计算资源；也可以反过来加深我们对人类视觉系统工作原理的认知和理解。根据实现机理不同,当前图像显著性分析模型可大致分为三类：生物体视觉仿真类,纯数学计算类和两者融合类。本文选取10种极具代表性的方法进行研究,它们涵盖上述多个类别,涉猎该领域最新的研究成果,且被引用多次。本文给出了显著性分析问题的一般解决方案,共分为筛选图像特征、计算图像基本单元显著性和后处理三个环节,并概括性地总结了各个过程较为有效的处理方法,介绍了各自的处理对象和处理方式。基于以上研究可以发现,今天显著性分析依旧是待解决的热点问题,有必要作进一步探索。提升显著性分析算法的性能可以依据以下三点,一是尽可能减少比较次数来提高速度,二是综合考虑多种因素来更科学地度量显著性,三是引入恰当的后处理步骤来增强检测效果。本文设计了一种新的超像素聚类方法HAIC (Hexagonally Arranged Iterative Clustering),为图像显著性分析问题引入了恰当的预处理步骤,解决了显著性全局分析效果虽好但计算耗费过大的问题。HAIC方法在CIELAB色彩空间和平面空间聚类像素,能在线性时间复杂度内将输入自然图像的处理粒度更新为尺度均匀、邻接关系优良、颜色边缘贴合的高质量超像素。本文进一步提出了一种新的显著性分析模型SGC (Superpixel Global Contrast)。它采用HAIC方法进行预处理高效划分图像,后续显著性分析都是基于预处理中产生的超像素的,所以速度很快。本文关注的是全局对比度,采用了简单高效的评估方式欧氏距离,并将对比度衡量对象集合中的元素减少到两个,颜色差异及平面接近程度,它们不仅可以被直观地定义,而且能够计算出高精度的显著性值。再引入POO算法(Pivotal Object Outstanding),来进一步加工过程显著性图,强化其中的核心目标物体,增强检测效果。相较于前面提到的其他十种显著性分析模型,SGC生成的显著性图质量更高,所用的平均检测时间更短,性能更好。本文将生成的显著性图像应用于很多有意思的应用。再现了一些经典应用模型,如遍历阈值提取；改进了一些有代表性的应用模型,如前景优化提取；设计了一些新的应用模型,如前景敏感缩放。并通过大量实验测评,展现了SGC显著性分析模型出色的性能和极佳的通用性及实用性。