2 相关方法研究 6

2。1  Itti算法 6

2。2  FT算法 7

2。3  GMR算法 9

2。4  HC和RC算法 10

3 基于吸收马尔科夫链和物体先验的显著性检测方法 14

3。1  SLIC超像素分割算法 14

3。2  基于吸收马尔科夫链的显著性计算 15

3。3  两级显著性计算 16

3。3。1 边界提取 16

3。3。2 图的构造 17

3。3。3 第一级显著性计算 18

3。3。4 第二级显著性计算 19

4 实验结果与分析 21

4。1 数据库与评价指标 21

4。1。1 基准数据库 21

4。1。2 评价指标 21

4。2 性能比较 23

4。2。1 与现有算法的客观比较与分析 23

4。2。2 与现有算法的主管比较与分析 25

4。3 运行时间比较与分析 26

5 总结与展望 27

致谢 28

参考文献 29

1绪论

随着多媒体技术及数字摄像设备的普及，全世界的数字图像数量迅速增长。大量的图像信息方便了人们的生活，同时也随之产生了大量的冗余信息。如何从海量的图像中快速和准确去除冗余，找到人类需要和感兴趣的信息，仍然是一个亟待解决的具有挑战性的问题。论文网

1。1研究背景和意义

随着计算机性能和功能的发展，人们越来越希望计算机可以更加自动更加智能的完成任务。要实现这个目标，需要计算机能够理解周围的环境，人类感知外界信息最主要的方式就是通过视觉。人类视觉系统能自动有选择地处理复杂自然场景中的重要视觉信息，这种优先处理重要信息的能力，称为视觉选择注意机制。视觉选择注意机制能够让人类快速，有效的完成各种视觉任务，所以计算机理解周围环境的关键是具有视觉注意选择机制，也可以说是视觉感知能力。

当人们看到图1的时候，大部分人会将注意力集中在图像中央的花上，很少有人会留意花的叶子和图中的沙粒地面，这是因为人类的视觉注意选择机制在处理这类场景时选择性地对信息进行了分析和处理，从而使得视觉注意点集中在场景的某些物体或区域上。

图1。1 视觉注意机制示例

视觉显著性检测能提取图像中的显著性区域，符合人眼的视觉感知行为。因此，各种模型计算出的显著性结果被广泛运用于各种计算机视觉和模式识别应用中，如目标分类[4]，目标识别[5]，基于内容的图像检索[1]，图像编辑[2]，视频压缩[6]和目标追踪[3]等。与人的视觉显著性检测行为相对应，在计算机中，可以通过图像显著性区域检测方法实现图像显著信息的提取。图像显著性目标检测研究的目的是获得高质量的显著图，显著图反映了图像中不同区域的显著程度，利用显著图，可以快速定位和处理图像中的显著区域。显著性图使用灰度图像表示显著性强弱，灰度值越大表示越容易引起人眼的关注。根据视觉信息处理机制的不同，视觉显著性的检测方法大致也相应分为自底向上和自顶向下。自底向上的检测方法通过图像和视频内容本身快速检测出显著区域，而自顶向下的检测方法则通过学习总结得到检测显著区域的准则。文献综述