随着信息技术的迅猛发展,人们希望利用计算机来处理和分析日益膨胀的图像和视频数据,并从中便捷地获取有用信息,这对图像处理与模式识别的理论方法和技术提出了更高的要求和挑战。通过借助模式识别手段,图像处理需要用计算机对图像进行分析,得到所需结果,最终实现对图像内容的理解。为了对媒体数据进行智能化处理,人类的视觉感知和注意力机制近年来引起国内外研究者的广泛关注。视觉注意力是人类在分析视觉场景时,迅速选择性地找到“重要的”或“感兴趣的”部分,而忽略其余部分的一种认知能力。通过视觉注意力机制,视觉系统可以有选择地着重处理进入视野的海量信息中最重要的部分,从而打破大脑和视觉系统处理信息的瓶颈。在图像处理和模式识别领域,图像显著性检测的目标是计算得到一种能够反映视觉注意位置的显著谱。因此,结合信息的认知机理和人工智能,对图像中的显著区域进行检测,实现显著对象的提取,进而寻求媒体数据的智能化处理新方法是目前学术界关注的重要方向。对图像显著性检测进行深入地研究,对于提高图像处理的效率和模式识别的准确率都具有重要的意义。图像显著性检测主要解决两方面的问题:对人眼注视位置进行预测和对图像中的显著区域进行检测。针对这两方面问题,本文通过深入分析和讨论已有研究工作,指出了已有方法的不足和目前亟待解决的问题,从“利用人眼视觉系统的注意力机制”、“解决基于全局对比度方法的面积依赖问题”、“提高对象区域显著性的一致性”和“嵌入对象的一般语义特性”等角度开展了图像的视觉显著性模型理论与方法的研究工作,主要包括以下几个方面:第一,研究了基于颜色局部对比度的显著性检测问题,通过融合视觉注意力的“中心-外周”机制和人眼视觉系统的空间频率响应特性,建立了一种生物启发的中心刺激敏感度模型,并通过搜索显著支撑区域来模拟神经生理学实验中感受野的最大响应,将计算机视觉中的计算方法与神经生理学的研究成果进行了有机的结合。第二,针对传统方法难以检测近景显著对象的问题,分别建立了基于全局对比度的显著性检测矢量模型和联合空间-颜色约束的像素级显著性模型。前者首先通过推导出一个基于全局对比度显著性检测的矢量模型,提出了利用矢量模型进行有效的显著性检测的准则,进而通过引入图像的空间分布信息,对矢量模型的特征矢量和均值矢量的构建进行了优化,有效地克服了传统方法存在的面积依赖问题。后者通过对传统的全局对比度显著性模型施加空间和颜色约束,并提出了一种两层显著性结构,实现了空间-颜色联合约束的像素级显著谱提取,不但能生成全分辨率、边界清晰的显著谱,同时能够有效地抑制背景区域,提升显著性检测的性能。第三,针对过分割方法得到的显著谱难以均匀地突出显著对象的问题,提出了一种多尺度分割的方法,将像素级显著谱扩展到区域级。该方法通过多次不同尺度的分割结果,由像素显著值得到不同分割尺度下的区域显著值,并采用图像导向滤波等手段,极大地提高了区域级显著谱的一致性。第四,在自顶向下的显著性研究方面,为了将对象的一般语义特征嵌入到显著性模型中,提出了采用一般的对象性检测结果和具有低秩特性的背景检测结果作为机器学习的高层次特征,达到了对象语义嵌入的目的,有效地提升了复杂背景下人眼注视预测的准确率。第五,在图像显著性检测的应用研究方面,论文将像素的显著性模型应用于超像素,计算得到超像素的显著值,再利用超像素的显著性检测结果,提出了一种无监督的语义超像素合并生成方法,使合并生成的超像素更具备对象语义特性,增进了对图像语义内容的理解。通过将提出的显著性检测模型和超像素生成方法应用于自然图像,取得了预期的效果,体现出方法的可行性和有效性。