1、圖像的應用已經大量地融入到我們生活的方方面面，越來越多的圖像需要我們去識別。因此，在圖像處理領域里，目標識別成為了非常重要的一部分，并且對于結果的可靠性有著嚴格的要求。在面對背景非常復雜并且含有大量的冗余信息的輸入圖像時，感興趣區(qū)域(region of interest, ROI)，即能夠引起視覺注意部分區(qū)域，能夠快速地吸引人類視覺系統(tǒng)的注意力并使得人類視覺系統(tǒng)對它進行優(yōu)先處理及最終的識別，從而忽略掉視覺冗余信息，即那些不會引起視覺注意

2、的信息。因此，在圖像處理的時候視覺冗余信息對人眼的作用是很小的，人眼主要關注的是感興趣區(qū)域。在感興趣區(qū)域檢測過程中應該對圖像的冗余信息進行弱化甚至去掉，這對于圖像處理有很重要的意義。
　　鑒于人眼系統(tǒng)對圖像對比度的敏感性，將該特性引入到顯著目標檢測當中。在有關矩陣分解方法應用中，發(fā)現(xiàn)低秩稀疏矩陣分解對圖像的背景有很好的抑制作用，并可以將原圖像的背景和顯著目標部分進行分離，即低秩對應背景部分，稀疏對應顯著部分。結合低秩稀疏矩陣分解和

3、視覺特性，將該矩陣分解方式應用到黑白圖像和彩色圖像，提出了基于全局和局部的低秩稀疏矩陣分解方法和基于多特征低秩稀疏矩陣分解方法。首先，對比度顯著性檢測的結果沒有很好的抑制圖像的背景信息，因此在該方法中引入矩陣分解，利用矩陣分解對背景的抑制作用達到更好的顯著檢測效果；然后，為了將該矩陣分解應用到彩色圖像，結合Itti模型的特征分離方法，將矩陣分解推廣到多特征矩陣分解,該方法融合多種特征的方式是基于矩陣分解的，不同于以往的線性或者其它的融合