图像的显著性目标或区域是指图像中特别吸引人眼关注的目标或区域。显著性检测就是利用计算机检测出图像中人眼关注的目标或区域,因此显著性检测算法应能模拟人类视觉感知系统且具有智能化的选择能力和快速的处理能力。图像显著性检测已广泛地应用在图像缩放、图像分割、图像检索、目标识别等方面,但目前算法都存在一定缺陷,对显著性检测进行更深入的探索,在图像处理和模式识别等领域具有非常重要的意义。图像缩放是指调整图像的尺寸以适应不同显示设备的需要,同时在缩放时图像的内容尽可能不发生视觉失真。缝切割算法是一种流行的基于内容的图像缩放算法,该算法根据图像的显著性来选取显著性较低的缝进行移除或复制,从而达到图像缩放的目的。因此,显著性检测在基于缝切割的图像缩放中起着至关重要的作用。本文首先提出了一种基于图像卡通-纹理分解的显著性检测方法,该方法通过求原图像卡通部分的高阶统计量来获取图像的显著性图。在卡通-纹理分解过程中尺度因子σ的选取对最终的显著性图有很大的影响,因此,本文还利用高阶统计量提出了一种自适应地选取尺度因子σ的方法。进一步,为了将图像显著性检测结果很好地应用于图像缩放,本文针对图像缩放应用对前面提出的显著性进行改进。首先,利用图像显著性得到图像的显著性点集,然后自适应地生成显著性点集的凸包作为图像的显著性区域,称为显著性窗。其次,利用显著性窗和图像的上下文信息定义一个加权函数。最后,利用加权函数修正之前的显著性,得到一个新的显著性图。在加权函数的作用下,新的显著性图能够有效地突出图像的显著性区域,同时抑制背景部分的显著性。最后,本文利用新的显著性图及改进的缝切割算法对图像进行缩放。在新的显著性图的作用下,无论是背景光滑还是复杂的图像在去除缝的过程中都能使缝尽量地避开图像的显著性目标同时尽可能多的穿过图像的非显著区域,从而更好地保护了图像的显著性目标。为了测试本文的图像缩放算法,本文从MSRA图库中随机选取了100张图像进行实验,并从主观和客观两方面对本文方法与其他方法进行比较,其中客观评价指标是本文通过分析图像显著性区域的面积变化情况和颜色成分变化情况而提出的。实验结果表明,本文所提的基于显著性区域检测的缩放方法不仅有效地降低了算法复杂度,而且得到了更加符合人们视觉的图像缩放结果。