1、顯著性檢測是計(jì)算機(jī)視覺領(lǐng)域中的熱點(diǎn)問題之一，其目的是令計(jì)算機(jī)具備人類視覺處理信息的能力，使其能夠自動(dòng)找到圖像中吸引視覺注意力的區(qū)域。經(jīng)過近二十年的發(fā)展，視覺顯著性技術(shù)取得了長足的進(jìn)步。對于大多數(shù)目標(biāo)內(nèi)部特征趨于一致且背景比較干凈的圖像，現(xiàn)有的顯著性檢測技術(shù)取得了令人滿意的效果，但是復(fù)雜場景下的顯著性檢測仍然面臨著許多挑戰(zhàn)。
　　本文主要針對自然圖像的顯著性目標(biāo)檢測與顯著性融合兩個(gè)方面展開研究，主要的研究成果包括:
　　(1)

2、本文提出了一種基于雙結(jié)構(gòu)化核范數(shù)的矩陣分解模型(DSNMD)用于顯著性目標(biāo)檢測。在DSNMD模型中，第一次引入了樹結(jié)構(gòu)的核范數(shù)(TSN)概念分別刻畫感興趣目標(biāo)區(qū)域和背景區(qū)域潛在的結(jié)構(gòu)信息，包括全局結(jié)構(gòu)、局部結(jié)構(gòu)以及每個(gè)樹結(jié)點(diǎn)的內(nèi)部結(jié)構(gòu)。TSN同時(shí)具備了核范數(shù)以及與稀疏相關(guān)范數(shù)在顯著性目標(biāo)檢測中的優(yōu)點(diǎn)。此外，高層先驗(yàn)信息被嵌入到DSNMD模型中，進(jìn)一步提高了顯著性目標(biāo)檢測的性能。實(shí)驗(yàn)結(jié)果表明，該方法優(yōu)于目前其它非監(jiān)督的顯著性目標(biāo)檢測方法，

3、與監(jiān)督的方法具有高度可比性。
　　(2)基于圖像分類框架，本文提出了一種基于空間約束編碼的自頂向下的顯著性目標(biāo)檢測方法，其結(jié)果是產(chǎn)生針對特定目標(biāo)類別的顯著圖。該方法將空間信息引入到特征編碼中，建立了一種簡單有效的局部約束上下文編碼方法(LCCC)，使得只有來自于相同語境的超像素才具有相似的碼字并以此提升其判別能力。此外，為了進(jìn)一步使用到特征的局部語境信息，提出了一種多尺度的上下文匯聚方法。結(jié)合LCCC編碼方法和上下文匯聚策略后得到

4、的特征表示具有更強(qiáng)的判別能力，從而使得本文提出的自頂向下的顯著性目標(biāo)檢測方法更具魯棒性。最后，使用圖像的似物性檢測結(jié)果對得到的自頂向下的檢測結(jié)果進(jìn)行顯著性增強(qiáng)。實(shí)驗(yàn)表明，相比于現(xiàn)有的方法，該方法可以產(chǎn)生更加準(zhǔn)確的顯著性檢測結(jié)果。
　　(3)通過分析現(xiàn)有顯著性檢測算法的結(jié)果可以得到兩點(diǎn)結(jié)論:第一，不同顯著性檢測方法對于同一副圖像的檢測結(jié)果不同;第二，這些結(jié)果在一定程度上可以優(yōu)勢互補(bǔ)?；诖?，本文提出了一種基于穩(wěn)健主成分分析的顯著性融

5、合方法，旨在得到一個(gè)性能優(yōu)于所有單個(gè)顯著性檢測方法的融合結(jié)果。該方法把顯著性融合轉(zhuǎn)化為一個(gè)低秩矩陣恢復(fù)問題，并使用經(jīng)典的穩(wěn)健主成分分析模型(RPCA)進(jìn)行低秩矩陣恢復(fù)。實(shí)驗(yàn)結(jié)果表明，所提出的融合方法能夠繼承不同顯著性模型的優(yōu)點(diǎn)，得到一個(gè)更加準(zhǔn)確的顯著目標(biāo)檢測結(jié)果。顯著性融合方法的提出為顯著性檢測方法的研究提供了一個(gè)嶄新的視角。
　　(4)本文在基于穩(wěn)健主成分分析的顯著性融合方法的基礎(chǔ)上，建立了一個(gè)雙低秩的矩陣恢復(fù)模型(DLRMR)