图像的显著性目标检测是当前计算机视觉领域中一个重要研究方向,有效的检测效果给计算机视觉处理带来极大方便。作为图像的预处理过程,它能够检测出图像中感兴趣的区域,提取图像的重要信息从而减少计算量。该文主要从种子点信息扩散、模式挖掘和极限学习机三个方面对图像显著性目标检测进行了研究。首先,该文提出一种融合前景和背景种子点扩散的显著性目标检测算法。有用的种子点对生成有效的显著图至关重要,该文在选择种子点时同时兼顾前景点和背景点,使种子点信息更加丰富全面;之后分别对背景种子和前景种子进行显著性扩散,并融合各自得到的显著图;最后通过聚类优化和抑制函数改善显著图,使其目标区域更加突出,背景区域得到更多的抑制。其次,为了找到更加准确的种子点信息,该文从数据的关联规则出发,提出一种基于模式挖掘的显著目标检测算法。首先利用模式挖掘找到图像中比较准确的前景点;然后度量前景点和其余节点的特征相似度,得到初始显著图;最后利用结构信息扩散的方法有效改进显著图。模式挖掘很好的找到了前景点,所以该算法的显著图目标清晰,识别率比较高。最后,为了提高检测的准确性,该文受数据二分类任务的启发提出了一种基于极限学习的多尺度显著性目标检测算法。在单个尺度的超像素分割中,采用样本的CNN特征训练极限学习机得到图像超像素的标签,并用标签结果计算得到初始显著图;然后借助高斯函数和平滑先验对显著图进行优化;最后叠加三个尺度下的显著图,取叠加后显著图的均值作为最终的显著图,使得显著图效果更加完善。