全文总字数：4634字

1. 研究目的与意义及国内外研究现状

随着计算机科学与技术的发展，彩色图像和视频应用越来越广泛，它们的规模和复杂程度也不断加大，如何进行图像分析就成为一个亟待解决的问题，由于日常生活中我们接触的图像和视频最终观察者都是人类，所以研究人眼视觉特性和研发一种途径来模仿人眼视觉特性就显得极为重要。如何进行图像和视频显著区域提取日益成为数字图像研究方面的热点问题。

传统的图像处理方法将所有的图像像素赋予了相同的优先等级，然而通常情况下我们所需要分析的部分只占全部图像的一小部分，这种相同的优先等级不仅会造成资源浪费也会使我们的分析变得复杂。从生理学和心理学角度来说，人类感官对所获图像的处理是具有选择性的，即只关注大脑认为重要的东西进行进一步的分析而对那些图像的次要部分则予以忽略，这大大提高了我们的信息处理效率，从计算机智能模拟的角度来说，模仿人的注意力机制来提出图片中最显著的目标可以有效地减少冗余和简化我们的分析过程。

建立视觉注意力模型就是让计算机模仿人的注意力机制得出图像中最显著的区域，图像的显著性检测，它作为一种图像预处理技术大体上说就是将前景从背景中分离出来，因此它可以用来做后期的图像分割^[2]、物体检测^[3]、自适应图像压缩^[4]、基于内容的图像检索^[5]、视频目标检测^[6]等领域，本文的目的就是模仿人的注意力机制提出图片中最显著的目标用二值化的形式表示出来。

2. 研究的基本内容

显著性检测的任务是找出场景中最为关键的、最重要的部分，通常显著性方法包括：1）自上而下2）自下而上；大多数自上而下的方法^{[ 11, 12 ]}是任务驱动的，需要有类标记的监督学习。大多数现有的自下而上方法都是基于本地文本或者整张图片的对比度来测量前景像素或者区域的显著性，而一些方法则侧重于分割背景图像，从而突出目标。本文没有考虑显著性物体与其周围区域之间的对比，而是以不同的方式考虑前景和背景线索。本文通过基于图形的流形排序，结合图像的前景和背景线索对像素或者区域排序。图像元素的显著性是根据它们对给定种子或查询的均数来定义的。1)我们将图像表示为一个以超像素为节点的闭环图模型，然后根据前景和背景信息利用流行排序法分别得出前景和背景种子，然后再依据亮度和颜色特征通过结合两类种子来筛选出更为准确的查询节点;2)利用流行排序算法进行显著性分析。显著性检测采用两阶段的方案，有效地提取背景区域和前景区域。在本次实验中，我们选择的方法是基于图流形的显著性分析：给定一部分查询节点，通过节点间lab信息的差异构建图模型，用流行排序算法探索数据点之间的相关性。

3. 实施方案、进度安排及预期效果

实施方案：

1）了解流行排序，其中包括流行排序算法、显著性度量等

2）进行图的构建

4. 参考文献

[1] itti l, koch c, niebur e. a model of saliency-based visual attention for rapid scene analysis[j]. ieee transactions on pattern analysis and machine intelligence, 1998, 20(11) : 1254-1259.

[2]goferman s, zelnik-manor l, tal a. context-aware saliency detection[j].

[3]rutishauser u, walther d, koch c, et al. is bottom-up attention useful for object recognition? [c]// cvpr 04: proceedings of the 2004 ieee computer society conference on computer vision and pattern recognition. washington, dc: ieee computer society, 2004: 37-44.