视觉显著性是指在一幅图像中的某个区域,由于其特殊性以及相对周围区域的差异性或观察者主观意识,引起视觉注意的能力。显著性检测即检测图像或者视频中感兴趣的区域。本文对图像的显著性检测技术研究现状进行总结与分析,研究基于稀疏表示理论和背景字典学习的显著性检测算法,并将研究成果与工程应用结合。本文主要工作与贡献总结如下。(1)基于动态背景建模的图像显著性检测(SOD-DBM)。基于多尺度SLIC分割,将输入图像划分为超像素集合,并借助颜色及位置信息对超像素进行描述;进一步,基于两阶段字典学习及“肘点”阈值筛选规则,实现图像的多尺度动态背景建模;基于每个尺度的背景模型进行超像素重构,得到基于超像素重构误差平滑的单尺度显著图;最终,基于多尺度融合方式生成图像的显著图。将动态背景建模与基于“肘点”规则的单尺度背景超像素识别机制有机结合,有效克服了显著区域的“中心先验”假设导致的显著目标检测失效问题。即使显著区域出现在图像的边界处,也不会影响显著性检测效果。与11种典型的显著性检测算法在多个图像库的对比实验表明:本文的SOD-DBM算法在不损失查准率的前提下,提高了显著性检测的查全率。(2)基于查询图像显著性区域检测的图像检索(CBIR-SOD)。将显著性检测的算法与图像检索的工程应用有机结合,提出了一种基于查询图像显著性区域检测的CBIR算法,记为CBIR-SOD。算法的创新点在于:在查询图像特征提取之前,引入“基于显著性检测的目标区域自动裁剪”模块,提取查询图像的显著性区域;进一步提取显著性区域的特征,以实现该区域的内容描述;最终,实现基于查询图像显著性区域内容描述的相关图像检索。多个类别的相关图像检索实验表明:基于本文CBIR-SOD算法的图像检索性能明显优于基本的CBIR图像检索性能。