视觉选择性注意机制是人类视觉系统的重要组成部分,它使得我们可以在复杂的场景中快速定位到感兴趣的区域,从而对外界环境做出及时的反应。人类视觉系统的选择性注意机制主要包含两个过程:快速的、生理驱动的自底向上注意机制和慢速的、任务驱动的自顶向下注意机制。在一幅图像中,通常有一个或者几个显著区域,而其他区域则为背景区域,是人眼所不感兴趣的地方,且会给图像处理带来很大的干扰性。人眼可以通过视觉注意机制对图像中的显著区域进行加强,同时对非显著区域进行削弱以减少杂乱背景的干扰,这样,在后期图像处理中,可以只选取图像中的部分信息,而不需要对全图信息进行无区分地处理。已有的视觉选择性注意模型集中在对自底而上的机制的描述上。通过对这些计算模型的研究发现,已有模型在描述图像内容时存在着明显的不足,其计算结果在一些情况下与人眼的判断并不相符。同时,一个显著的特征在某些情况下可能不会得到注意,人眼更可能会注意到一幅图像里比较稀少的特征。针对上述情况,本文对现有的模型进行了改进,提出了一种基于视觉选择性注意模型和全局稀少性相结合的视觉注意模型,并将其用于图像分类中,即自动根据图像内容进行图像的归类。用本文算法提出的图像特征,不涉及图像的具体语义内容,而是借助了与语义相关的图像基元特征,可以利用空间特征的对比性来筛选出可能存在的显著对象。这样,可以弥补单纯的低层特征在描述图像内容时对视觉对象的偏离,同时,也避免了基于区域分割的全图处理带来的高复杂度和高冗余度。实验结果表明,使用本文提出的视觉选择性注意模型提取出的图像特征,在多类物体分类中达到97.74%的总准确率,取到了非常好的效果。