图像显著性检测是智能处理中图像识别的重要组成,最早可追溯到1998年Itti等人提出这一概念。研究表明,人类的视觉系统在处理图像时,对场景识别依靠整体特征,而对物体的辨识主要取决于局部特征。通过阅读大量文献材料,总结他人检测算法的优劣,从提高显著性算法的适用性以及保证显著结果的完整性角度出发,提出了一种局部背景优先策略的图像显著性检测算法。文章从课题的背景与现状入手,讨论了显著性模型的研究意义,对人类的视觉系统进行了简述,同时介绍了图像显著性检测中经常用到的描述特征。本文的工作主要在以下三个方面:在颜色特征选取方面的改进。选取RGB与Lab颜色空间,对两个颜色空间分别计算各个颜色通道(共6个通道)的相邻颜色差值序列,选择性地提取相差最大的通道中颜色差值,生成最终的序列等待与合并阈值比较。本文算法将颜色特征的选择放在对物体边缘的局部变化处理中,保留有效信息,提升算法性能。尺度级自适应阈值分割。算法读取静态图像,生成一个新矩阵,该矩阵中包含静态图像中所有像素点、每两个相邻(4邻域)像素点之间的差值,使用原静态图片平均差值作为阈值,对新矩阵中的所有差值标记是否连通,再将连通结果反馈到原像素点,实现分割处理。根据人类视觉的辨识尺度,对分割区块的面积做出一定的限制,提出运用反比例函数模型生成根据不同区块面积大小进行更改的自适应阈值,最终比较合并。这部分的处理将算法从属性独立的像素块讨论,上升到具有概念性的物体整体,是后续研究不可或缺的。局部背景优先策略性能分析与实验。根据局部区域提取线数据上物块的相对位置关系线索(背景-主体-背景),标记出背景区域,再对结果进行边缘优化。本文提出的局部背景优先策略的图像显著性检测算法与其它算法相比得到的显著图不需要外接其他阈值算法即生成二值图,自适应阈值合并能排除复杂环境中的物体细节,专注于相同尺度等级的显著性对比。在公开的实验数据集上测试的结果表明本文提出的方法是确实有效的。