基于生物感知的图像显著特征分析在二十世纪九十年代末兴起,并逐渐成为生物视觉感知领域研究的焦点。该方法结合人类心理学和生理学理论知识,基于人类视觉注意机制,模拟人眼机能建立图像显著性提取模型。视觉显著性特征提取作为一项独立的技术,可以帮助我们更好地分析和理解数字图像。提取图像显著性的研究是一个图像分析,特征提取和探索人类视觉特性的综合过程,对各种基于图像分析和理解的应用都有着非常重要的意义。本文的工作是分析各种显著图生成模型,实现基于注意力机制的显著图生成算法,开发算法实现与比较系统,并进行结果分析。本文分析五种显著图生成算法。Itti模型是典型的基于空间的注意模型,它对一幅输入的图像提取颜色、亮度、方向等特征,然后在各个特征维上形成关注图,最终融合这些关注图为显著图；SMG(Saliency map generation)算法是一种“尺度内中心周边对比,尺度间插值融合”的基于特征的注意模型；HC(Histogram-based Contrast)算法是基于直方图对比的显著图生成算法；RC(Region-based Contrast)算法是基于区域对比的显著图生成算法,该算法使用分割算法将图像分割成区域,在区域级上进行基于颜色直方图的显著值计算；FT(Frequency-tuned)算法是基于频率调频的显著图生成算法,并且增加了边缘检测。基于以上的研究工作,本人对基于注意力机制的显著性特征提取理论进行了梳理,重新实现Itti算法和SMG算法。然后根据算法提取显著区域的准确率,对各算法进行比较评测,参照的标准是微软亚洲研究院(MSRA)提供的显著对象图像库。比较发现,RC算法的准确率最高,但该算法的存贮量和计算量较大：SMG算法效率高,系统开销小,有助于满足图像检索的实时性要求；Itti算法需要对原图像降采样,显著图仅为原图像的1/256；FT算法计算效率高,而且输出的显著图是全分辨率的；LC算法避免了图像分割,因此对于那些难于自动分割的图像,效果非常好。