在显著性物体检测领域,有针对单幅图像的显著性物体检测技术和针对多幅图像的协同显著性物体检测技术两个方面。这两项技术都是利用模型或者算法使计算机自动识别并提取自然图像中符合人类视觉特性,且吸引人类视觉注意的区域,并形成显著性/协同显著性图的技术。前者旨在针对单幅图像的显著性区域,后者则是提取一组图像中共同存在且能够吸引人类视觉注意的区域,这两项技术是计算机视觉中的一项重要研究课题。近年来,由于显著性物体检测在图像分割、图像检索等方面以及协同显著性物体检测在协同分割、前景注解、图像重定向等方面有着越来越广泛应用,显著性和协同显著性物体检测引起了越来越多学者的重视,提出了一系列具有启发性的显著性和协同显著性物体检测算法。但是,现存的显著性和协同显著性物体检测算法普遍存在当被检测图像背景复杂、前景和背景对比度不高或图像中存在多个显著性物体时,检测得到的显著性物体不完整、边界不清晰以及误将背景作为显著性物体检测出来等问题。针对这些问题,本文提出了基于超图和随机游走的显著性和协同显著性物体检测算法,并设计开发基于超图和随机游走的协同显著性物体检测系统。(1)在基于超图和随机游走的显著性物体检测算法中,首先利用简单线性迭代聚类算法进行超像素分割;然后利用模糊C均值聚类算法构建普通超图模型;其次根据显著性物体检测的先验知识,利用边界超像素和中心超像素的位置关系及颜色相似性为普通超图模型中的顶点和超边进行加权构建加权超图模型,并根据转移概率矩阵生成规则得到转移概率矩阵;最后结合转移概率矩阵并利用随机游走算法检测出单幅图像中的显著性物体。(2)在基于超图和随机游走的协同显著性物体检测算法中,首先将组内的每幅图像进行预处理,预处理包括:利用基于超图和随机游走的显著性物体检测算法得到单幅图像的显著性图,提取每幅图像颜色特征和全局空间特征以及将提取到的每幅图像的颜色特征合并;然后利用模糊C均值聚类算法将合并后的颜色特征进行聚类构建普通超图模型,并根据协同图像中区域间颜色相似性、单幅图像的全局空间关系及单幅图像的显著性值为普通超图模型中的顶点和超边进行加权,以构建加权超图模型;最后利用转移概率矩阵生成规则得到转移概率矩阵,并结合随机游走算法检测出协同图像中的协同显著性物体。(3)设计开发基于超图和随机游走的协同显著性物体检测系统。本系统整合了基于超图和随机游走的显著性和协同显著性物体检测两个算法及算法的分步操作流程,使得该系统具有图像超像素分割、加权超图模型的构建等功能。实验表明,本文提出的基于超图和随机游走的显著性和协同显著性物体检测算法能够较完整的提取图像中的显著性和协同显著性区域,达到良好的检测效果。