近年来,随着计算机技术、智能手机、社交网站等的发展和普及,数字图像等数字化信息与我们日常生活和工作的关系越来越密切。对于图像来说,采用人工的方法对图像进行分割、分类、标注等已经不能适应时代的发展。显著性检测等计算机视觉技术的发展为解决上述问题提供了很大的方便。由于图像、视频等通常都是维数非常高的数据,处理这些数据甚至会出现维数灾难的问题,而压缩感知理论的提出为有效处理高维数据、避免维数灾难带来了希望。本文的主要工作包括以下三个方面*:(1)根据单幅图像显著性检测中稀疏性与显著性的关系,提出了一种基于压缩感知的显著性检测算法。首先对输入图像进行超像素分割并通过一维DCT稀疏变换提取每个超像素的特征(一维列向量)。然后把图像中所有超像素的特征组成一个特征矩阵,通过计算每个超像素的特征在特征矩阵中的稀疏性,或者说是低秩性来确定该超像素的显著性。最后通过多尺度融合和基于显著目标为中心的高斯平滑得到最终的显著图。实验表明,本文算法能够得到较好的显著图。(2)根据协同显著性检测中协同显著区域的相似性,提出了一种基于加权低秩分解的协同显著性检测算法。首先通过传统的显著性检测算法得到输入图像对的单幅显著图并选出图像的显著区域。然后计算每幅图像相对于另一幅图像显著区域的协同对比度及协同增量系数并取两者的均值作为协同特征,以协同特征作为权重进行加权低秩分解以突出协同显著目标并通过多尺度的融合得到初步协同显著图。最后通过与单幅显著图的融合得到最终的协同显著图。实验表明,本文算法能够更准确地检测到显著性目标及协同显著性目标。(3)人脸识别实际上是一个相似性度量的问题,通过对协同显著性检测算法中使用的协同增量系数进行适当的变形,提出了一种基于稀疏表示增量系数的人脸识别算法。该算法用每个类别的训练样本生成对应类别的虚拟样本,并用测试样本和每个类别的训练样本共同线性表示该类别的虚拟样本。对应于测试样本的系数即为增量系数。该算法将测试样本分类到具有最大增量系数的类别。实验表明,本文所提算法是有效的,并且具有较好的鲁棒性。