图像显著性检测是机器视觉的重点研究课题之一,因其广泛的实际应用价值成为研究热点,但如何快速、精准的提取图像中有用信息是图像显著性检测的关键。通过显著性检测获取人类感兴趣的区域,进而分离出图像的目标区域和背景区域,由此可以实现图像分割、目标识别、视频追踪等机器视觉应用。本文首先介绍几种经典的显著性检测模型,并对每种模型的检测图和模型特点进行分析对比,在此基础上提出一种基于低秩稀疏分解与马尔可夫链的显著性检测方法。首先用低秩稀疏分解算法对图像做处初步处理。使用简单线性迭代聚类(SLIC)算法对输入图像分割得到图像的超像素图,提取每个超像素的颜色、纹理和边缘特征,并结合图像的高层先验知识:位置先验、语义先验和颜色先验构成图像的特征矩阵,利用鲁棒主成分分析算法(RPCA)把特征矩阵分解成低秩矩阵和稀疏噪声,低秩矩阵表示图像的背景区域,稀疏噪声表示图像的显著区域,进而获得初步显著图S0;根据所得显著图S0进行二值化处理,可分割出背景区域的超像素节点和显著性区域的超像素节点;然后,基于超像素图建立马尔可夫随机游走图模型,利用背景区域的超像素节点作为背景吸收节点,利用吸收马尔可夫链计算每个超像素的显著性值,检测出中间结果显著图S1;再以显著性区域的超像素节点作为前景吸收节点,利用吸收马尔可夫链检测出中间结果显著性图S2;最后,融合S1和S2得到最终的显著图S。为了证明本模型的检测效果,选取ECSSD、MSRA以及PASCAL_S三个图像数据集进行测试,从主观角度和客观角度两个方面验证了模型的检测效果,并与经典显著性检测模型进行对比。实验结果表明,本文模型在ROC曲线和PR曲线方面高于其他模型,证明了基于低秩稀疏分解与马尔可夫链的显著性检测模型可以更精确地检测出显著性区域,具有更高的鲁棒性。