视觉的主要功能就是解释人们生活的周围环境,并与其发生信息交互。人类视觉具有快速搜索到感兴趣目标的能力,即发现显著目标,然而对于计算机视觉而言这个技术是具有挑战性的。现有的显著性检测模型多应用于简单背景,而对复杂背景的处理的准确性不高,这样增加了后续图像处理的复杂度和难度。如何将复杂背景图像中的显著物体检测并分割出来是本文研究的重点。本文提出一种基于超像素分割的视觉显著性检测模型,能够自动地筛选出自然场景中,特别是复杂背景中的图像显著性区域并将其分割出来。主要工作如下:1.在预处理阶段采用超像素分割。根据颜色、形状、边缘,亮度特征将属性相似的像素进行像素块聚类,将原始图像自适应的分成若干不规则的区域,对分块后的图像区域进行后续的处理,可以减少算法的时间复杂度。2.提出类LBP编码的背景模板提取方法,根据颜色特征、亮度特征、纹理特征对图像四个边界分别进行局部二值编码,将其重新表示,并舍弃编码值较大的边界;采用地理学中的测地线距离,结合颜色空间理论和HLBP算法提取的图像纹理特征,计算图像到背景模板的最短路径,得到粗略显著图;提出一种后处理方法,对得到的粗略显著图采用OTSU分割算法和偏向物体的(Object-biased)的高斯模型进行显著区域增强,得到精确显著图。3.将提取的显著图应用到图像压缩中,并与JPEG 2000普通编码算法进行比较。为验证本文提出模型的有效性,使用包含1000张图像的MSRA(Microsoft Research Asia)数据库和包含300张复杂图像的BSD(Berkeley Software Distribution)数据库进行仿真验证,并与目前主流的7种显著性模型所得的显著图进行对比,主观评价和客观评价指标都证明了本文算法的有效性;将得到的显著图应用于JPEG2000-ROI编码中,实验结果证明本文模型提取的显著图的可以用于JPEG 2000感兴趣区域压缩。