随着科技飞速发展,大量的图像信息每时每刻都在不断地生成,为了对图像中的有效信息进行筛选和处理,人们以观察者对视觉场景中的内容进行选择和处理的能力——亦即视觉注意机制——为基础而逐步发展出了图像显著性检测的方法。所谓图像显著性检测,指的是一种能将图像中最引起人们注意的区域提取出来的图像处理方法。目前如何对数字图像进行更有效的管理和对其进行更加高效快速的图像显著性检测已经逐渐成为研究重点。如果能够精准地识别和提取图像或视频中的显著区域,让计算机优先处理这些显著区域,就可以极大地提高图像分析处理的效率。本文根据人类视觉注意机制的基本原理,对显著特征提取和显著性计算方法进行了研究,具体的研究工作如下:(1)为了准确地提取出图像中的显著区域,根据人类视觉注意机制的基本原理,提出一种基于背景和中心先验的图像显著性检测方法。首先选择了SLIC(Simple Linear Iterative Clustering)超像素分割算法对输入图像进行预处理,使得检测结果能够最大程度上保持图像中物体的形状;然后根据背景先验理论,大致区分图像的背景和显著目标;最后,针对传统的中心效应对偏离图像中心的显著目标检测失效的问题,将背景先验显著图的质心作为显著目标的中心位置建立中心显著图,进一步抑制背景,突出显著目标。仿真实验结果表明,针对自然场景的图像,该方法能够均匀地突出显著对象,有效地抑制背景。(2)针对由单一尺度的稀疏重构来描述图像显著性时产生的错误检测问题,提出了一种融合上下文信息的多尺度图像显著性检测算法。该方法首先采用多尺度的SLIC超像素分割方法处理输入图片,建立背景模板,采用稀疏表示算法进行稀疏重构;然后构建图像的上下文信息计算各超像素显著值,平滑相似图像块之间的稀疏重构误差;之后设计加权融合策略完成多尺度显著性融合,最后加入位置信息使得上下文显著性检测的结果更加准确,得到最终的显著图。仿真实验结果表明,在国际公开的数据库中,该方法得到的显著图能够均匀地突出显著对象,较强地抑制背景噪声。(3)针对视频显著区域检测问题,研究了视频的显著性检测,针对静态物体的显著性检测方法应用在动态视频中存在的问题进行了改进。为了准确地反映视频序列中的显著区域,对视频中的目标进行运动特征的分析,提出了融合运动特征的视频显著性检测方法。首先,使用SLIC超像素分割算法将每一帧图像表示为一系列超像素以保持目标的边界结构;针对图像本身的内在显著性,应用流形排序方法进行空间显著性的计算;然后,采用光流向量区域对比的方法进行时间显著性的检测,使用一种自适应融合方法将运动显著图和空间显著图进行融合。最后,对显著图进行自适应阈值的二值化,进一步滤除背景,显著目标。仿真实验结果表明,仿真实验结果表明,针对自然场景的图像,该方法能够均匀地突出显著对象,有效地抑制背景。