视觉显著性检测是计算机视觉技术中基础而又困难的一项技术,它可以引导计算机模拟人类视觉习惯提取图像中的关键信息,为后续的图像分割、图像检索、图像融合、图像编辑等应用提供高效的输入。然而,显著性检测研究是一门融合了认知心理学、神经学、数学、统计学等的交叉学科,虽然在人们的关注下已经取得了一些重要进展,但仍然面临诸多困难,比如特征分布不均、样本敏感、有效性差等问题,使得显著性检测依然是计算机视觉领域充满挑战的课题。为解决上述困难,本文在深入分析和总结现有研究成果的基础上,提出了3种新的显著性检测方法,并将它们应用于不同的图像分割领域,取得了较好的效果。论文的主要研究工作及取得的创新性成果如下:(1)提出了一种基于动态指导滤波的显著性检测方法基于对比度的显著性检测方法虽然在一定程度上能有效地检测出显著性区域,但是当检测图像特征分布不均时会导致检测准确率下降。利用动态指导滤波可以有效地改善上述情况,因此提出了一种基于动态指导滤波的显著性检测方法。为了克服现有动态指导滤波迭代次数过多的问题,本文利用滤波结果和输入图像共同定义新的指导滤波核函数,并随着迭代的深入对其进行不断更新,保证了算法可以较快地得到输入图像的基本结构,缓解了特征分布不均引起的检测误差,简化了动态指导滤波的计算模型。实验结果表明该方法具有比对比度检测方法更高的检测准确率和召回率,而且将其应用于遥感图像的显著性检测中取得了不错的检测结果。(2)提出了一种基于鲁棒前景选择的显著性检测方法基于流形排序的显著性检测方法能在有效地提高运行效率的同时保持不错的检测准确率,但该方法对样本敏感。样本选择不当会导致检测准确率下降。为此,提出了一种鲁棒的前景选择方法,通过图像区域的梯度和位置特征所确定的凸包交集来定义新的目标区域,使目标样本不再通过对背景样本的估计而间接得到。实验结果表明,与其它基于区域的显著性检测算法相比,该方法可以更好地适应图像的复杂性,提高显著性目标的检测准确率。(3)提出了一种基于改进LapSVM的显著性检测方法在基于图的方法中,LapSVM是一种比较先进的半监督分类方法。但是在构建图的过程中连接矩阵通常是固定的,这并不能很好地反映图中各节点之间准确的连接关系或相似特性。为了解决这一问题,本文提出了一种基于自适应学习的改进LapSVM方法,并将其用于显著性检测。算法通过迭代的方式寻找准确的连接矩阵和标识样本,并以图像区域的分类概率作为其显著性值。实验结果表明,算法可以获得更高的召回率和更少的时间消耗。(4)提出了3种不同的基于视觉显著性的图像分割方法基于显著性和ICM的航空目标分割方法ICM是PCNN的简化模型,利用它对低对比度图像如航空图像进行分割时,很难准确地聚焦目标。本文将显著性因素引入到ICM的设计中,改进模型的输入项和动态阈值,可以在低对比度的航空图像分割中去掉不必要的背景干扰。实验结果表明,与其它几种阈值分割方法相比,该方法可以得到更高准确率的分割结果。基于显著性和归一化割的自然目标分割方法归一化割是自然图像分割中的常用方法。为了更好地适应自然图像结构复杂与数量大的特点,本文通过引入区域显著性因素构建新的权值结构,更准确地估计不同超像素之间的相似程度。实验结果表明,相对于其它方法,本文可以得到较好的分割和目标提取结果。基于显著性的超像素分割方法超像素可以为图像提供一种过分割的表示方式,但是不论超像素本身的尺寸大小如何,都不能对图像的目标部分进行完整地有意义地表示,很难满足更高级的图像分析需求。本文通过引入基于改进LapSVM显著性检测算法和超像素的合并策略对传统超像素方法进行改进,为后续的图像处理提供更有意义的图像表示方式。