目前,显著性分析在图像分割、图像目标提取、自适应图像压缩和编码等很多领域中都有非常成功的应用。显著性分析算法主要有两类:一类是基于低级视觉信息,由数据驱动的自底向上的注意模型;一类是基于高层视觉信息,由知识驱动的自顶向下的注意模型.目前大多数算法属于前者。对于目前出现的众多算法还没有一个系统的评价体系,本论文从评价的角度切入,引入两种统计指标,在三个方面来计算这些统计指标来讨论对比各种算法的优缺点,并在评价实验研究的基础上建立一种新的显著性分析算法。论文的第一部分集中介绍几种典型的显著性分析算法,主要有Itti等提出的显著图模型、Harel等提出的基于图论的图像显著性分析算法(GBVS算法)、Achanta等提出的两种的显著图模型(AC算法和IG算法)以及Xiaodi Hou等提出的一种剩余谱方法(SR算法)。这里选择重点介绍这几种算法的主要原因是:它们基于不同的理论的基础,非常具有代表性,且在计算机上易于实现,实验得到的效果比较好,是目前引用率较高的几种算法。论文的第二部分引入两种统计指标,在统计意义上进行比较五种算法的优劣。利用人工分割提出了三组统计评价指标(分别为显著图和人工分割图的直接对比指标,显著图的固定阈值分割图和人工分割图的对比指标以及显著图的自适应阈值分割图和人工分割图的对比指标),同时利用提出的评价指标客观评价和分析几种显著性分析算法在目标分割中的应用。通过实验结果来分析各种算法的优缺点,从而来思考如何建立一个比较好的新的显著性分析算法。论文的第三部分引入一个局部不一致的概率函数NIF,从而来建立一个新的显著性分析算法。通过计算之前提出的评价指标将其与本文第一部分介绍的五种进行比较。最后将其应用到Avidan等提出一种新的缩放裁剪图像方法(“seam carving”的缝补算法)中去。讨论它的可行性与适应性。