肖 锋，李茹娜，胡秀华

(西安工业大学 计算机科学与工程学院，西安 710021)

人类在观察世界时，会将目光集中在部分信息上，使感知具有选择能力.显著性检测正是在这种人类视觉注意基础上提出并发展起来的，通过捕获最吸引人眼兴趣的目标区域，以去除图像中的冗余信息，其在目标检测与识别[1]、图像分割[2]、图像检索[3]、自适应压缩[4]等领域有着广泛的应用.

在显著目标检测方法中，文献[5]提出的基于生物启发模型和特征整合理论的方法是最早的显著性计算模型之一，该方法不能得到全分辨率的显著图.人类视觉系统具有将事物组合成简单单元的倾向，随后研究者采用计算感知单元之间的对比度来度量不同特征的显著值.文献[6]通过计算以某像素点为中心的矩形区域与周围矩形区域的颜色直方图间的欧氏距离来表示显著性；文献[7]通过计算一个感知单元的颜色和亮度在不同邻域的局部对比度来实现多尺度显著性计算；文献[8]以图像块为基本单位，在多层次上结合局部特征和全局特征估计块的显著性，得到了较好的结果.上述使用图像均匀分块的方法存在问题，若块过小，不能体现出像素的结构特性，同时降低计算效率；若块过大，导致不同特征的像素划分到同一区域.这类方法得到的显著图更趋向于突出边缘特征，而非一致地强调整个显著目标.为了解决上述问题，越来越多的算法采用基于区域对比的方法计……