马杉杉，彭来献

（中国人民解放军陆军工程大学，江苏 南京 210007）

0 引言

图像显著性研究的主要任务是让计算机视觉系统能够模拟人类的视觉能力检测并分割出一幅图像中最吸引人注意力的目标，被广泛应用于各种计算机视觉任务。显著性目标检测算法分为传统的显著性检测算法和基于深度学习的显著性检测算法两类。前者依赖于手工制作的基于颜色、强度、形状以及纹理等图像的基本特征描述显著性，忽视了丰富的上下文语义信息。当背景相似或图像结构较为复杂时，算法的准确度往往不尽人意。

目前，基于深度学习的方法被广泛用于图像显著性目标检测。Lee[1]等人提出了一个由两个子网络组成的显著性检测网络模型，同时获取全局和局部信息。全卷积网络FCN[2]的出现，使得显著性检测看作是图像语义分割任务。Liu 在FCN 基础上提出了DHSnet 网络[3]，通过反卷积算法恢复缩小后的显著图的细节信息。Wang 和Borji 等[4]提出具有两阶段的循环网络结构，先提取图像粗糙的显著图，再使用金字塔池化结构生成较为清晰的显著图。这些模型中存在大量的卷积和池化操作，导致生成显著图时丢失了很多细节。所以，目前大多数的显著性分割模型能够大致定位到显著物体的位置，但是边界比较模糊。

本文通过深度学习算法提取图像中的显著性目标区域，并利用基于GMM 模型的颜色特征提取目标空间信息，最后通过一个优化模型融合空间信息和语义信息得到最终的显著性目标图。……