近年来,计算机视觉各个领域都取得了众多的成果,但是图像显著性重定向领域却并仍有空白。图像显著性重定向算法致力于处理图像中的局部特征,达到增强或者削弱该区域显著性从而引导用户视觉注意力的目的。目前可应用在图像编辑、智能广告、改善图像美学等方面。为了实现引导用户的视觉注意力的效果,首先我们需要知道哪些是人眼更加感兴趣的信息,因此我们引入了图像显著性检测算法。图像显著性检测算法已在计算机视觉相关领域取得了众多成果,其中联合显著性检测算法在图像联合分割、目标检测等领域被广泛应用。本文主要研究内容为图像组中的图像显著性重定向,目的是对图像组中的非联合显著对象进行重定向操作,使其显著性减弱,从而图像组中的联合显著对象在每张图像中有唯一的显著性,达到重定向处理后的单图像显著性图与联合显著性图基本一致的效果,我们称其为“一致性图像处理”。为了更加准确的找到非联合显著对象区域,本文提出了一种新的图像联合显著性检测算法并引入抠图算法来提取非联合显著对象区域,最后在HSI颜色空间建模进行图像显著性重定向操作。创新点如下:1.本文提出了一种基于深度学习的联合显著性检测算法,首先利用残差网络ResNet34作为特征提取网络获取图像在不同层级的特征和图像组共凸特征矩阵,再计算得到图像组的相关系数矩阵,其次利用梯度反向传播进行深层特征诱导,筛选关键特征进行权重分配。为保证特征在逐层传递时不被稀释并且增强前景显著性,我们加入了卷积块注意力机制模型CBAM（Convolutional Block Attention Module）,最后在解码阶段通过自上而下的迭代计算求得最终的联合显著性图。2.本文提出基于增强优化的KNNT抠图算法,主要针对先前的抠图算法直接在原始数据集上进行操作,这使得在低对比度图像和前背景颜色接近的图像上获取的抠图结果并不理想的问题。首先,采用优化的高斯高通滤波器作为同态滤波函数,将图像看作照度分量和反射分量的乘性结合,再对输入的RGB图像在三个通道分别做同态滤波处理,该操作通过增强对比度来来改善图像的清晰度,并且高斯高通滤波器可以增强图像的细节与边缘信息。其次,为了避免同态滤波在增强高频信号的同时放大噪声干扰,本文将滤波结果在HSV颜色空间进行对比度受限的自适应直方图均衡化,分别处理饱和度分量S以及亮度分量V,色调分量H保持不变。然后,从增强图像中提取的图像纹理特征更加丰富,再将纹理特征做对数变换,压缩其特征值的范围。最后将纹理特征引入KNN抠图,通过闭合求解获得最终掩膜结果。3.本文针对图像组中非联合显著对象对用户的干扰问题,提出一种图像显著性重定向算法,通过修改图像中局部的显著性,达到引导用户注意力的目的。利用联合显著性检测算法和自然图像抠图算法获取非联合显著对象的精准位置信息后,我们在HSI颜色空间分别对色调、饱和度、亮度三个通道进行建模。在色调方面,对色调分布进行建模,认为当非联合显著对象区域与周围背景区域拥有相同或者相似的色调时,得到色调最优解。在亮度和饱和度两个通道上,我们允许用户根据自己的意愿设置参数饱和度差异和亮度差异,饱和度和亮度模型达到整个设定差异值时,得到最优解。通过对算法的实验仿真并进行客观评价指标的分析表明,本文提出的算法具有可行性、有效性。