1、在計算機視覺領(lǐng)域，顯著性檢測指對人的視覺選擇注意機制進行建模。其輸出結(jié)果通常被稱為顯著性圖，該圖表征了圖像場景中不同區(qū)域的顯著程度。由于顯著性檢測可作為從圖像中獲取興趣區(qū)域的有效手段，其被廣泛應(yīng)用于目標(biāo)檢測與識別、圖像壓縮、視頻匯總、基于內(nèi)容的圖像編輯、圖像檢索等。本論文致力于視覺顯著性檢測領(lǐng)域的一個分支研究方向——顯著區(qū)域檢測，其目標(biāo)旨在從輸入自然圖像中檢測并分割整個顯著的物體。在近十年里，該研究引起了廣泛關(guān)注并獲得了迅猛發(fā)展。盡管現(xiàn)

2、存有許多針對顯著區(qū)域的檢測模型與算法，從復(fù)雜且非限定的場景中檢測顯著物體仍然極具挑戰(zhàn)。本文提出五種創(chuàng)新的顯著區(qū)域檢測方法，每種方法受到不同研究動機的驅(qū)動以解決現(xiàn)有方法中所存在的缺陷與不足。本文的主要內(nèi)容與創(chuàng)新點總結(jié)如下：
　　1.提出一種利用圖像顏色特性包括顏色對比與顏色分布的顯著性檢測方法。所提出方法將顏色對比與顏色分布的計算歸納至同一基于超像素的計算框架之下，并結(jié)合顏色分布的中心先驗，分別計算基于超像素的顏色對比顯著性圖與顏色

3、分布顯著性圖。因此使得這兩類特征能互補不足，提升檢測準(zhǔn)確度。
　　2.提出一種基于測地線距離的顯著性傳播方法，依據(jù)測地線距離來保持檢測結(jié)果中物體顯著性值的一致性。給定一幅基于超像素的粗糙顯著性圖，某個超像素的初始顯著性值被傳播至圖像中所有的超像素，其傳播強度受到測地線距離的控制。本文將所提出的傳播方法稱為測地線傳播，其與測地線濾波有著緊密聯(lián)系。測地線傳播一定程度上能修正并優(yōu)化顯著區(qū)域檢測的結(jié)果，恢復(fù)被錯誤抑制掉的物體部分同時抑制一

4、些被誤檢的背景噪聲，最終得到增強后的顯著區(qū)域檢測結(jié)果。
　　3.提出一種基于歸一化圖分割（Normalized cut，簡稱Ncut）的顯著性檢測方法。該方法利用Ncut所得的特征向量來誘導(dǎo)顯著性圖的生成。由于Ncut能產(chǎn)生比過分割更好的聚類結(jié)果，被誘導(dǎo)生成的顯著性圖能更加準(zhǔn)確地檢測出顯著物體。該方法不同于現(xiàn)有檢測方法，因為后者通常采用忽略物體整體性的過分割區(qū)域或圖像塊來計算顯著性。所提出方法將超像素視為圖模型的結(jié)點，并建立一個考

5、慮圖像中顏色與邊緣特征的圖模型從而實施Ncut。本文提出一種自適應(yīng)區(qū)域融合技術(shù)來發(fā)掘Ncut特征向量中蘊含的聚類信息，同時將區(qū)域顯著性計算嵌入到區(qū)域融合過程中得到不同的中間顯著性圖；在將不同層次的中間顯著性圖進行集成后得到了與現(xiàn)有方法可比甚至更優(yōu)的檢測結(jié)果。
　　4.提出一種魯棒的顯著性傳播技術(shù)，稱之為流形保持傳播（manifold-preserving diffusion，簡稱MPD）。MPD同時利用了流形上常用的兩種假設(shè)：流形

6、局部光滑性與流形局部線性重構(gòu)。流形光滑性假設(shè)反映了條件隨機場特性而相關(guān)的懲罰項促使相似的圖結(jié)點有相同的顯著性值。而與流形局部重構(gòu)假設(shè)相關(guān)的懲罰項促使從特征空間到顯著性值的變換為同一線性映射。在所提出方法中，基于此兩種假設(shè)的圖邊權(quán)值被自適應(yīng)地通過最小化特征空間重構(gòu)誤差而確定。相比手工設(shè)置參數(shù)的相似性函數(shù)，該方法能更好地適應(yīng)不同的輸入圖像。將MPD用于顯著性傳播，本文進一步給出一種新的兩階段顯著性檢測方法，稱之為流形保持傳播顯著性（mani

7、fold-preserving diffusion-based saliency，簡記為MPDS）。MPDS聯(lián)合圖像邊界先驗、哈里斯角點凸包、人眼注視點凸包來求取用以傳播的初始向量與粗糙顯著性圖。
　　5.將完整的連續(xù)條件隨機場（continuous conditional random field，簡稱C-CRF）的學(xué)習(xí)及其推斷理論應(yīng)用于顯著區(qū)域檢測。通過C-CRF學(xué)習(xí)，能夠以數(shù)據(jù)驅(qū)動的方式自主地尋求最優(yōu)的數(shù)據(jù)項顯著性特征與逐對