随着互联网的飞速发展以及硬件终端的不断更迭,为了有效地传递信息,大量图像数据在人们的生活中出现。但并不是所有的图像数据都对人们有帮助,因此人们希望计算机能够像人类视觉系统一样快速准确地处理这些图像数据,并从图像中选取有效信息。基于上述需求,视觉显著性检测模型逐渐成为众多学者的研究内容。视觉显著性检测是模拟人类视觉系统的初级阶段,其能够快速而有效地处理图像数据,迅速从图像中提取显著性区域,获得有效信息。视觉显著性检测在图像处理等领域有着广泛的应用,为图像压缩、图像检索等带来了很大的便利。因此,深入研究视觉显著性检测具有十分重要的意义。很多现有的视觉显著性检测方法没有人类视觉感知理论支撑,缺乏生理依据;很多方法只关注底层特征,并且特征融合机制单一。从这两个角度出发,为了进一步提高视觉显著性检测的精确度以及更好地实现对复杂场景的检测,本文对视觉显著性检测算法进行研究,主要研究内容和成果如下:1.本文提出了基于区域对比度与轮廓先验信息的视觉显著性检测方法。首先,在已有SLIC超像素分割算法的基础上,将图像分割在多尺度上;接着,分别提取基于颜色直方图的全局外观线索和基于区域邻近关系的局部对比度线索,充分描述了区域内容的显著性特征;然后,针对复杂场景的区域外观差异小而引起的目标混淆问题,基于格式塔理论的对称性和连续性规则建立数学模型,描述区域轮廓的显著性特征;最后,通过加大外观线索权重的非线性融合机制将外观线索以及轮廓显著性进行融合得到最终的显著图。在MSRA-1000公认数据集上的实验表明,该方法能够有效地改善目标显著性查全率、查准率,优于相比较的其他算法。2.本文建立了基于格式塔优化的视觉显著性检测方法。首先,在已有SLIC超像素分割算法的基础上,将图像分割在多尺度上;然后,基于图像的颜色特征和纹理特征得到相应的特征图并融合生成显著图;最后,基于格式塔理论的邻近性和相似性规则建立数学模型作为约束条件对显著区域进行优化,得到最终的显著图。在MSRA-1000、SED2以及SOD三个公认数据集上的实验表明,该方法在主观和定量指标上均优于相比较的其他视觉显著性检测方法。