1、圖像顯著性檢測旨在刪除圖像中的冗余或者重復(fù)繁雜成分，獲取圖像中視覺感興趣區(qū)域，作為圖像預(yù)處理步驟，廣泛地運用到了計算機視覺中目標識別等多個領(lǐng)域。
　　本文提出一種基于半監(jiān)督模式的流形正則化的圖像顯著性目標檢測算法，即基于流形正則化支持向量機（SVM）模型的圖像顯著性檢測算法。本模型在訓(xùn)練時，充分地采用了圖像中所有超像素的信息，降低了模型訓(xùn)練成本，提升了目標檢測的高效性與精確性。并且同時考慮了圖像局部學(xué)習(xí)和圖像全局學(xué)習(xí)的特點，比如，

2、當(dāng)圖像中前景和背景特征對比度較低時，局部檢測可能只檢測目標的一部分，忽略目標的完整性，而全局檢測則能從圖像整體的角度很好地捕獲顯著目標，但有時會忽略顯著目標的一些細節(jié)問題?；谏鲜鎏攸c，本文同時構(gòu)建局部和全局正則化支持向量機模型，融合局部和全局的檢測結(jié)果，使得模型的檢測結(jié)果更準確。具體分為以下四個步驟：首先，將圖像分割成一系列的超像素，構(gòu)建稠密關(guān)聯(lián)矩陣，并生成目標區(qū)域二值圖。根據(jù)背景先驗和平滑先驗計算每個目標區(qū)域二值圖的目標分值和背景分

3、值。以兩個分值為權(quán)重，對所有的目標區(qū)域二值圖進行權(quán)重疊加得到初始顯著性圖，并選取偽前景和背景超像素為偽標記樣本進行后續(xù)模型的訓(xùn)練。接著，分別構(gòu)建局部和全局流形正則項，嵌入傳統(tǒng)的SVM模型進行訓(xùn)練，并預(yù)測圖像中所有的超像素的顯著性值。其次，融合優(yōu)化局部流形正則化SVM和全局流形正則化SVM的檢測結(jié)果，獲得更可觀更優(yōu)異的顯著性目標檢測結(jié)果。最后，基于新的顯著性檢測結(jié)果，更新偽標記樣本，提升偽標記樣本的準確率，重新對流形正則化SVM模型進行訓(xùn)

4、練，并重新預(yù)測，融合優(yōu)化兩個模型的顯著性目標檢測結(jié)果，得到最終的顯著性目標檢測結(jié)果。
　　本文選取五個國際公開的具有權(quán)威性的圖像數(shù)據(jù)庫作為實驗數(shù)據(jù)庫，在之上執(zhí)行了各個階段實驗結(jié)果的驗證，并和當(dāng)前國際認可的13種較新的得到學(xué)術(shù)界認可的顯著性目標檢測算法的進行了實驗結(jié)果的比較。相關(guān)數(shù)據(jù)顯示，本文基于流形正則化SVM模型的顯著性檢測方法的各個評價指標要比其他的算法結(jié)果好。除此之外，本文算法可以提升現(xiàn)有的顯著目標檢測模型的檢測效果，提升效