人眼视觉系统中存在的选择性注意机制是一种引导我们目光注视到场景中感兴趣物体的机制,可使人眼视觉系统能以有限的系统资源获取尽可能有用的信息。视觉选择性注意模型已成为图像处理领域的热点研究内容之一。本文研究工作围绕视觉选择性注意模型展开,首先研究自下而上的视觉选择性注意计算模型,并提出一种结合图像位置信息的视觉选择性注意计算模型;然后提出了一种基于视觉选择性注意模型的图像质量评价方法;接着提出了一种结合亮度差和色度差的运动目标检测算法;最后将视觉选择性注意模型和运动目标检测算法应用到H.264编码器中。在已有的自下而上的视觉选择性注意模型中,主要是利用了图像的颜色、纹理和边缘方向等特征来计算出各个像素点的显著度。研究表明,人眼对图像中的不同位置区域具有不同的敏感度。本文根据像素点在图像中的位置信息,对自下而上的视觉选择性注意模型计算出的显著度进行二次计算,最终得到图像的显著度图。实验结果表明,这种结合图像位置信息的视觉选择性注意计算模型更加符合人眼视觉特性。在图像质量评价中,传统的峰值信噪比(PSNR)是用得最多的评价方法。但是在很多情况下,PSNR的值高并不等于图像的主观质量好。本文在视觉选择性注意计算模型提取出的显著度图的基础上,提出了一种基于视觉兴趣的图像质量评价方法。实验结果表明,对不同质量等级的图像,使用本文提出的图像质量评价方法得到的结果比PSNR的计算结果更符合人眼主观评价的结果。运动目标检测是与视频编码应用密切相关的一项关键技术。例如在智能视频监控中,运动目标所在的区域就是“最感兴趣”的区域,需要较高的编码质量。本文提出一种结合亮度差和色度差的运动目标检测算法。在背景帧提取中,通过对各通道色度值的统计分析,解决了视频帧数少、前景运动缓慢时,背景帧上易留下前景运动物体轨迹的问题。在确定运动目标时,利用高斯模型计算亮度偏差的阈值,解决了以往由人工来确定不同视频序列的亮度偏差阈值的问题。实验结果表明,与已有的算法相比,本文提出的算法可以在视频帧数少、前景运动较慢的情况下,准确地提取出不含前景信息的背景帧;能够根据不同视频序列的特点,计算出用来确定前景物体的亮度差阈值;并可准确地检测出视频序列中的运动目标。在此基础上,结合经视觉选择性注意模型提取出的显著度图,本文探讨了一种基于视觉选择性注意模型和运动目标检测的视频编码方法。以最优化视频的主观视觉质量为目标,考虑到人眼对视频中感兴趣区域和其他区域的误差敏感度不同,本文提出了基于选择性注意模型和运动目标检测的空间区域码率分配的视频编码方法。在所有的码率控制机制中,对单个宏块设定量化级是最困难的问题,而本文提出的算法可根据显著度图和运动目标区域对每个宏块都进行量化级的设定,从而提高视频的主观感知质量。实验结果表明,这种基于视觉选择性注意模型和运动目标检测的编码方法可以提供更好的主观视觉效果。