0 引言

　　图像理解是当今的研究热点，而图像理解的关键问题就是图像中目标对象的提取问题[1]。正确提取这些关键目标，可以大大提高图像分析与处理的效率和准确度，降低计算的复杂度，避免不必要的计算资源浪费。图像显著区域检测技术正是在这种思想的基础上提出并发展起来的。

　　目前，国内外研究者提出许多显著对象检测模型，可分为自底向上的模型、自顶向下的模型和混合模型三类。在自底向上模型的研究过程中，特征集成理论（Feature Integration Theory，FIT）是这类模型的基础。其中Itti等人[2]在1998年提出的算法最具代表性，该算法将多种特征、多种尺度通过中心--周围思想得到的显著性度量结果合成为一幅显著图，并且该模型通过引入运动和闪变的对比度特征而扩展到视频显著性计算中[3]。Walther和Koch在Itt's98 模型的基础上进行了扩展，得到一个显著典型（proto）目标[4]。另外，还有其它一些自底向上的模型，比如Bruce提出的基于信息最大原则的AIM模型[5]，Koch提出的基于图论的GBVS模型[6]，Hou提出的基于谱残差的SR模型[7]，Achanta提出的基于频率调整的FT模型[8]等。还有利用图像分割获得区域显著性[910]、利用提取语义线索（人脸、语音等）[11]、利用机器学习方法学习[9，1213]等自顶向下的显著计算模型。

　　本文针对图像检测存在的多目标误检问题，提出了基于上下文感知显著检测模型和Ncut分割的贝叶斯框架下的多目标检测方法。首先根据上下文感知显著检测方法获取图像的低层特征信息，然后用Ncut图像分割方法得到图像的中层信息提示，即目标类别信息，根据低层信息特征和中层信息提示来增强显著区域，抑制非显著区域，计算得到图像的先验显著图，最后根据贝叶斯方法计算得到图像的后验显著图。

　　1 方法原理

　　本文的显著区域检测总体框架如图1所示，主要包括基于上下文感知的显著区域检测和Ncut图像分割，将两者结合，增强显著区域，抑制非显著区域，计算得到先验显著信息，最后根据贝叶斯方法求得后验显著图。

　　1.1 低层特征的提取

　　根据人眼的视觉注意特性，显著检测主要遵循以下3项原则：

　　①从局部来看，显著区域和周围区域有明显的对比度和颜色等方面的差别；

　　②从全局来看，显著区域总是某些特征在全局范围内出现频率较低的区域；

　　③显著的区域一般会有一个聚集的中心，既显著区域和物体在图像中的分布有明显的聚合特征，而不是分散的。

　　由原则①可知，颜色和对比度比较大的区域将获得比较高的显著度，而类似的和模糊的将获得比较低的显著度。由原则②可知，出现频率比较高的区域将获得比较低的显著度。由原则③可知，显著地像素点应该是聚合的，而不是分布在整幅图像中的。

期刊库（http://www.zgqkk.com），是一个专门从事期刊推广、投稿辅导的网站。
　　本站提供如何投稿辅导，寻求投稿辅导合作，快速投稿辅导，投稿辅导格式指导等解决方案：省级投稿辅导/国家级投稿辅导/核心期刊投稿辅导//职称投稿辅导。

　　【免责声明】本文仅代表作者本人观点，与投稿辅导_期刊发表_中国期刊库专业期刊网站无关。投稿辅导_期刊发表_中国期刊库专业期刊网站站对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任。