随着社会的快速发展、科学技术的突破以及互联网的日益普及,人们获取图像的手段日益方便与灵活,获取到的图像数据量也急速增长。相对海量的并不断增长的图像数据而言,计算资源是有限的,如何利用有限的计算资源自动高效准确地分析和理解图像内容,是计算机视觉领域面临的巨大挑战。视觉注意力机制使得人类在面对一个复杂的视觉场景时,能够快速地找到场景中显著的或感兴趣的某个或某些局部内容并对之进行处理,其核心任务就是视觉显著性检测及分割。本文在现有研究的基础上,对视觉显著性检测和显著目标分割展开深入研究,主要内容及创新点归纳如下:1.针对当前的基于频域的视觉显著性检测方法获得的显著性图一般不具备清晰边界的问题,提出一种基于非下采样轮廓波变换全局和局部信息的视觉显著性检测算法,可以较好地检测图像中的显著目标并进行显著目标的分割。非下采样轮廓波变换具有多分辨率、局部化、多方向性和各向异性等特点,使得其具有有效描述图像细节和精确逼近光滑轮廓的能力。首先应用非下采样轮廓波变换对图像进行分解;然后对高频系数进行分类和优化,对这些优化后系数进行逆变换得到特征图;从全局对比度和局部对比度出发度量全局和局部显著性,最后将全局显著性和局部显著性进行融合得到最终的显著性图。在MSRA10K数据库上的实验结果证明了该方法的有效性。2.基于各个策略的显著性检测方法很少考虑图像光照对检测效果的影响,以及之前的一些基于频域的显著性检测方法一般是利用图像的高频信息进行分析而没有考虑低频信息,针对这些问题,设计一种基于非下采样轮廓波变换的由粗到精的显著性检测框架。首先讨论了场景光照对显著性检测的影响,并利用Retinex理论对传统方法进行改进并进行实验验证。在此基础上,运用Retinex校正的显著性检测方法对非下采样轮廓波分解后的低频分量进行粗糙显著性度量,在粗糙显著性的基础上对高频特征图进行增强并从全局和局部角度出发计算精细显著性,可以有效利用低频分量和高频分量并抑制光照带来的影响。在ASD、DUT-OMRON和MSRA-10K数据集上进行定性和定量评测,验证了所提方法的可行性和有效性。3.针对亮度不均和复杂背景自然图像中的显著目标分割,提出两种结合显著性信息的水平集分割方法。(1)提出结合亮度校正和显著性信息的区域型水平集分割方法,通过对图像进行Retinex亮度校正可以抑制光照带来的亮度不均并且增强后续显著检测;将校正的图像和显著性信息嵌入到区域型水平集能量泛函中,通过曲线演化完成分割。(2)提出嵌入显著性信息的区域和边缘相结合的水平集分割方法,首先引入Retinex理论对显著性检测进行校正,抑制亮度不均对显著性检测和后续分割的影响;然后将显著性信息嵌入到区域能量项中,可以突出复杂图像中的显著目标;最后结合边缘能量项,可以使分割结果的边界更加精确和平滑。对两种方法均进行实验验证,结果表明所提方法的鲁棒性和有效性。4.小波变换的基缺乏各向异性,在稀疏逼近目标轮廓方面不如非下采样轮廓波,而水平集方法可以通过曲线演化达到逼近目标轮廓的目的,且有很好的扩展性。因此本文使用水平集方法弥补小波变换逼近轮廓的局限,设计一种基于小波变换显著性信息和水平集方法的显著目标分割方法。首先通过GBVS算法计算图像显著性,结合CV水平集方法自动定位初始轮廓;然后对图像进行小波分解,将高频分量进行重构得到特征图并利用GBVS显著性进行增强;从全局对比度和局部对比度出发度量显著性;结合自动定位的初始轮廓和基于小波变换的显著性信息,依据水平集能量泛函指导曲线演化,对显著目标实施分割。在数据库上的实验结果可以验证基于小波变换和水平集方法进行显著性目标检测和分割的有效性。