视觉注意是人的视觉感知的一个重要特征,人可以在复杂的视觉场景中很容易地找到感兴趣的目标,但是传统的机器视觉却没有办法做到,本文的研究重点是如何设计拟人的视觉注意计算模型。目前自底向上的视觉注意模型主要有空间域模型和基于傅立叶变换的模型。空间域的模型具有生物学合理性,但其计算复杂度高。基于傅立叶变换的模型运算速度快,但其缺乏生物学依据。我们在研究现有模型的基础上提出基于脉冲PCA变换的视觉注意模型,并进一步将其扩展为基于脉冲余弦变换的视觉注意模型。此外,我们将提出的视觉注意模型应用到合成孔径雷达图像的舰船目标检测和图像信号的压缩传感中。论文的主要创新点包含以下几个方面：1.提出基于脉冲主成分分析(PCA)的视觉注意计算模型。该模型利用图像PCA系数的符号来产生空间显著性和运动显著性。PCA的投影向量可以通过神经网络中的Hebb学习来获得,而且模型中显著性信息可以表达成二元编码的形式,这正好模仿了人脑中的神经元脉冲。因此,我们的脉冲PCA模型比现有基于傅立叶变换的模型更具生物学合理性。根据脉冲PCA的原理,我们进一步提出基于脉冲余弦变换(PCT)的视觉注意计算模型。PCT模型利用图像离散余弦变换(DCT)系数的符号来产生视觉显著性,该模型的优势在于它不需要估计PCA投影向量,而且DCT变换有很多快速算法,这使得我们提出的PCT模型计算速度非常快,能够应用到实时显著性探测系统中。2.脉冲PCA模型需要估计自然图像的主成分向量,而高维数据(如图像)的PCA问题较难处理。为了解决这一问题,我们提出一种面向数据学习的快速PCA算法。在迭代过程中,新的特征向量等于所有样本向量的加权和,因而不需要计算数据协方差矩阵。该算法弥补了传统批量PCA算法在协方差矩阵分解时空间和时间复杂度高的不足,而且具有比增量PCA算法收敛速度快、收敛精度高的优点。3.合成孔径雷达(SAR)图像中的斑点噪声和不均匀区域的存在给自动的舰船目标检测带来很大挑战。本文提出一种基于视觉注意的SAR图像舰船目标检测方法,根据SAR图像的特点,改进了PCT模型,并利用它来产生SAR图像的视觉显著图,从而将SAR图像中舰船信号和背景的灰度级分离开来,从而避免了虚警的出现。我们提出的方法非常简单、快速,能够抵抗斑点噪声和非均匀背景的干扰,优于传统的舰船目标检测方法。4.提出一种基于显著性的图像压缩传感方法,该方法利用PCT模型来计算视觉场景的显著性信息,根据得到的显著性信息,将较多的传感资源分配到显著性高的区域,而把较少的传感资源分配到显著性低的区域。由于人的视觉总是更多地去注意显著性高的图像区域,而很少去注意显著性低的图像区域,所以我们提出的方法考虑了人的视觉感知特性。与不使用显著性信息时的情况相比,该方法能够明显提高重构图像的质量。