视觉是人类所有知觉中最主要的一种,注意力选择是视知觉中的一个重要特性。我们可以很容易的检测和识别图像以及视频中的不同物体,然而传统的机器视觉却很难做到这一点。心理学研究表明,在人类视知觉过程中,物体的全局拓扑知觉首先得到感知,其次视觉会感知到亮度、颜色、运动等局部特征,将其并行输入到视觉神经元中同步处理。注意力选择机制在视觉感知中发挥了关键性的作用,帮助我们关注和提取场景中感兴趣的区域和目标。现有的注意力选择机制主要分为自下而上和自上而下的注意力两部分。本文中我们研究了视觉注意机制,基于心理学上的拓扑知觉理论,将拓扑性质应用到了自下而上的显著性检测方法中,提出了一个新的客观的显著图评价标准,还将显著性信息应用到了图像分割中。论文的主要工作和贡献包含以下几个方面：1.将拓扑性质应用到了注意力选择模型当中,提出了一个基于拓扑知觉特性的白下而上的显著性检测方法。该方法将视觉信息的拓扑连通性,颜色,亮度,运动等特征提取出来,并行输入到四元数模型中进行处理。经过超复数傅里叶变换,得到原始图像的相位信息。之后将其反变换到空间域,再进行滤波,最终得到模型的注意力显著图。这种方法考虑了视知觉中拓扑性质的重要作用,以著名的心理学理论为基础。我们模型的效果能很好地反映注意力的显著性信息分布。2.提出了一个全新的显著图评价标准。该标准不需要人工参与,完全依靠客观评价。在自下而上的注意力选择模型当中,模型的结果一般都是依靠注意力显著图来表现的。如何有效地评价显著图质量一直是这个领域重要的问题之一。现有的评价方法几乎都需要人工的参与,这样的评价标准难免带有主观性的因素,可信度和说服力都不高。我们提出的评价方法基于模型通道贡献度的评测,完全不需要人工参与,是一个客观的评价指标。基于提出的评价标准,发现了模型中存在的一些问题,进行了改进,调整了拓扑通道的权值,适度地降低了其对最终结果的影响。改进后的模型效果能更客观真实地反映注意力的分布。3.将注意力显著性信息应用到图像分割中,实现了彩色图像的自动分割。现有的彩色图像分割方法绝大多数都严重依赖于人工标记,或者是参数调整。我们将图像的显著性信息提取出来,把目标和背景区域的人工标注改进为显著图自动标记,并结合了均值平移和基于最大相似度的区域生长两种分割方法,提出了一个新的彩色图像自动分割方法。新方法在分割效果上有所提升,但最重要的突破在于它是一个全自动的,不需要人工参与的彩色图像分割方法。