显著性物体检测,是一个从图像中检测出最能引起人视觉注意的物体区域的计算机视觉处理过程,它模拟的是人类视觉系统的信息处理环节,为进一步高层问题的研究奠定基础。本文所研究的显著性检测属于“自底向上”、纯数据驱动、不带有人主观目的的检测,重点研究了面向单幅图像和群组图像的显著性检测算法设计,主要工作与创新点包括以下四点:1.基于边界先验与视觉注意的显著性模型:该模型利用边界先验,通过建立图结构得到图像中每一个超像素到边界的测地线距离,利用其来衡量显著性大小。同时为了提高显著性图的质量,提出基于最大均值偏差的视觉注意点图。实验测试和比对都证明了所提出方法的有效性。2.基于多先验与能量图的显著性模型:该模型分别从显著性物体和背景出发,结合各自先验知识的优势来定义对应的显著性衡量方式。对于显著性物体,融合了中心-周围对比度、中心、布局等先验来衡量图像元素间的迥异性,凸显显著物体具有的性质;对于背景,再次利用边界先验,基于所定义的能量图和8邻域“缝”,动态优化找到每一个像素到边界的最优“缝”,以“缝”的成本来衡量显著性大小。实验表明,该模型能够取得可靠、高质量的显著性检测图。3.群组图像的协同显著性模型:该模型最大的贡献就是使得(单幅图像的)显著性模型在协同显著性的任务场景下发挥其潜在的指导作用,利用任意一种单幅显著性模型得到的检测结果,在一个排序框架下,通过一个两阶段的查询关键词选择,指导协同显著性检测的进行,最后融合输出得到最终的协同显著性图。实验结果表明,该模型成功地突出了共同显著性物体,抑制了非共同显著的背景,还能应对群组图像中掺杂入少量不相关图像的情况,与现有模型相比,不仅检测准确度更高,而且大大提升了检测的效率。4.显著性在虚化图像中的应用:基于Android开发了一个可以在移动端使用的App应用Lee Bokeh,该应用旨在贴近大众需求,大大降低虚化图像对拍摄设备、技术以及后处理的要求,实现了全自动获得虚化图像的功能。