随着科学技术的高速发展，大量的图像信息方便了人们的生活，同时也随之产生了大量的冗余信息。如何从海量的图像中去除冗余，找到人类需要和感兴趣的信息，成为了一个热门的研究课题。鉴于人类的视觉系统能够快速高效的从场景中找到有效信息且忽略不需要的干扰，大量研究人员开始致力于模拟人类的视觉系统来对图像进行处理。

近年来，图像处理作为计算机视觉领域的一个重要分支吸引了越来越多的国内外专家和学者的注意力。随着科学技术的高速发展和数码产品的迅速普及，各种图像信息充斥了人们的生活，大量的冗余信息也随之产生。例如胶囊内镜在人体内工作的6到8个小时内，拍摄了大量的图片，医生要从这海量的图片中挑选出能够帮助作出诊断的有效信息，或是交通摄像头24小时拍摄的大量交通情况，要从中挑选违反了交通规则的有效信息，类似的工作的效率受到了严重的挑战。因此，越来越多的研究人员开始寻求一种能够体现图像中有效信息和感兴趣目标的处理方法。鉴于人类能够快速的从一副图像中找出和定位有效的信息，图像的显著性检测开始提上研究人员的日程。图像的显著性检测模型能够凸显出图像中人们感兴趣的区域或是目标，从而大大的方便了后续的处理和操作。

人类的视觉系统需要处理大量的视网膜传入信息，面对庞大的信息，人类能够快速而高效的去除冗余信息，提取和识别感兴趣的目标，能够实现此功能的重要原因之一就是人类视觉系统存在着注意调节机制。视觉注意机制能够依据视觉显著性对输入的大量的视觉信息进行选择和处理，挑选出有效信息，从而有效分配了大脑资源并提高处理速度。视觉注意机制是一个多领域交叉的新的研究领域，它结合了心理学和神经科学等其他领域的研究成果。心理学和神经学的相关研究人员在对认知反应时间和信号在生物途径的传播速度进行研究时发现，人类视觉系统处理图像时，只对我与人类息息相关或是感兴趣的区域或目标进行处理，而对其余的部分几乎不做处理。这一机制分为两种类型：快速的、下意识的、数据驱动的被称为自底向上的注意机制和慢速的、任务相关的、目标驱动的被称为自顶向下的注意机制。这两者的协同合作形成了统一的视觉注意机制。根据遇到的情况不同，视觉系统所侧重的信息处理机制有所不同。在良好的认知情况或是无意识状态下，视觉系统主要依靠自底向上的信息处理机制，当场景越来越复杂或是有特定目的时，自上向下的信息处理机制的影响增大。

视觉显著性是指场景中的特异性，是一个相对属性，取决于场景中一个细节与它的背景的差异程度。视觉显著性是一个为生物和人工视觉系统提供高效解决方案的工具，无论是动态场景还是静态场景，显著性可以强有力的预测注意和关注区域。此外，显著性还可以确定视觉场景下人们感兴趣的细节。与之相反，计算机处理类似问题如从图像中快速识别提取目标时，却很难迅速准确实现，因此人们希望能够通过模拟人类视觉系统的运作方式，计算图像显著性，来实现对海量图像数据提取重要信息和快速处理。

视觉显著性检测模拟人类视觉注意机制来分析图像结构，对大量信息进行提取有效信息并忽略冗余信息的初步处理，大大方便了之后进行的进一步处理或是特定任务的实现。因此，图像的显著性检测可以广泛应用于计算机视觉领域的许多方面，包括图像分割，目标识别，自适应压缩，内容感知，图像编辑和图像检索，广告设计和视觉修复等。由于自然场景十分复杂，显著性检测算法还远远达不到人类观察场景的效果，要进一步的研究和发展显著性检测算法，这不仅依赖人类对图像的理解，还需要对人类的视觉注意机制更深入的研究和探索。尽管如此，显著性检测还是表现出了强大的使用价值和发展潜力，所以一直以来，人们在模拟视觉显著性的理论研究和应用上投入了大量的时间和精力，提出了许多显著计算模型来计算图像的显著性。

在近几十年内，国内外大量研究人员一直投身于显著性检测算法的完善和优化的研究中，希望能够最大程度上模拟人类的视觉注意机制。现有的许多显著计算模型都是建立在Treisman和Gelade提出的特征整合理论基础上，特征整合理论描述了哪些视觉特征更重要，这些特征通过弹出效应并结合起来引导人类注意完成搜索任务，Koch和Ullman在特征整合理论的基础上，提出一个前馈模型以结合图像中的特征，并提出了显著图的概念，显著图代表了场景中醒目的、吸引人注意的位置。他们还提出了胜者为王神经网络来选择最显著的位置和禁止返回机制允许注意中心转移到下一个最显著的位置。Itti等人首次实现和验证了Koch和Ullman的理论，通过计算平行特征的显著性，并对得到的显著图进行归一化和融合以得到最终的显著图，以后的显著性计算模型都是在这个模型的基础之上研究出来的。

2. 研究的基本内容与方案

基本内容：

本文研究的课题是图像显著性目标检测研究。论文包括以下几个方面的内容：

（1）查阅文献，了解当前国内外图像显著性目标检测研究一般方法和发展趋势，搜集相关资料，完成有与毕业设计相关的外文文献翻译，然后确立自己的设计方案。

（2）了解图像显著性目标检测算法原理，完成算法设计。