郭继昌，汪昱东，刘 迪，艾羽丰，贾伟广

（1.天津大学电气自动化与信息工程学院，天津300072；2.国家海洋标准计量中心，天津300112）

引 言

图像显著性检测（Salient object detection，SOD）是根据人眼视觉注意力机制，对图像中各部分信息的重要程度进行感知，以获得场景中最吸引注意力的区域。显著图能够有效提高图像中有用信息的提取效率，从而提高如图像分类［1］和语义分割［2］等计算机视觉任务的精度，因此显著性目标检测有着重要的研究价值。水下图像显著性检测作为其中一个研究方向，也受到了研究人员的广泛关注。

对于水下图像显著性检测，可以将其分为基于传统方法和基于深度学习方法两类。其中基于传统方法的水下图像显著性检测主要通过颜色、亮度及纹理等低级特征或中心点、边缘等中级特征得到显著性区域。Jian 等［3］用基于四元距离的韦伯描述（Quaternionic distance based Weber descriptor，QDWD）和模式距离-局部对比算法（Pattern distance and local contrast，PL），提出了一种水下图像显著性检测方法；并在文献［4］中提出了水下显著性检测数据集，用9 种传统显著性检测方法对数据集进行测试，结果显示除PL 方法，其余方法的精度、召回率和F 值（F-measure）均低于50%，这表明传统的显著性检测方法直接应用于成像质量较差、情况较为复杂的水下图像时其检测性能会大幅下降。Chen 等［5］提出了一种新颖的水下显著性目标检测方法，该方法通过增加亮度敏感度、非线性深度敏感度和对比度敏感度，同时考虑3D 深度特征，从而获得更准确的显著性图。

近年来，深度学习的快速发展使得基于卷积神经网络的图像显著性检测算法［6］取得了突破性进展，大量优秀的图像显著性算法不断被提出（如DSS［7］、R3Net［8］、PiCANet［9］和PoolNet［10］）。……