显著目标检测旨在模拟人类视觉注意机制来提取出场景中最吸引人注意的区域,近年来已发展成为计算机视觉领域的研究热点之一,并已广泛地应用于内容传输、图像缩放、图像分割、目标识别等诸多领域之中。本文通过研究生物视觉认知机制,对场景中的显著目标进行了研究。克服了传统显著性检测方法易受背景噪声影响,准确率低等缺点。具体的研究内容如下:(1)受生物视觉并行处理机制的启发,提出了一种基于双通道低秩分解的协同学习显著性检测方法。其基本思想为:首先,对于输入的原始图像,将其分割成不同的超像素,通过低秩矩阵分解的方法提取出图像边界模板中纯净的背景部分。其次,原始图像通过并行的两条通路进行处理,分别得到基于“where”和“what”通路的显著图。最后,提出了一种融合方法将两幅特征显著图融合在一起,融合完成后,对显著图进行细化处理,从而得到最终的显著图结果。该方法性能分别在ASD、ECSSD和DUTOMRON三组数据集上进行了验证,实验结果表明:该方法有效的提高了检测目标的准确率和召回率,即使在背景复杂,显著目标较多的情况下,仍能得到不错的结果。(2)根据视觉信息层次认知机制,提出了一个基于层次认知机制的RGB-D图像显著目标检测方法,将显著图获取分为初、中、高级获取三个阶段。其基本思想为:首先,针对图像的深度信息,提出了一种基于深度信息引导的RGB-D图像超像素分割方法,其次,分别设计了基于视觉对比度的RGB-D图像初级显著图计算方法、基于图割平滑和多尺度融合的RGB-D图像中级显著图计算方法和基于半监督极速学习机的RGB-D图像高级显著图计算方法,最后,通过一种简单的融合方法将三者进行有效结合,进而得到最终的显著图。实验的结果表明:本章提出的方法在视觉效果和PR曲线上均取得了不错的效果,达到了当前比较先进的显著目标检测结果。(3)根据视觉认知的稀疏性,提出了一个基于视觉稀疏认知的显著目标检测方法。其基本思想为:首先,将图像分割成不同的超像素,并对所有的超像素进行分类,将不属于某一类的超像素作为字典,设计了一种基于全局稀疏重构误差的显著图计算方法。其次,通过局部约束线性编码,设计了一种基于局部稀疏重构误差的显著图计算方法。最后,通过一种简单的结合方法将全局与局部稀疏重构误差方法获得的显著图进行有效融合,进而得到最终的结果图。该方法的有效性分别在三个公共的数据集上进行了验证。此外,将本章方法还应用到了中、高分辨率SAR图像舰船目标检测中,实验结果表明:本章提出的方法对船舶目标提取的结果较传统方法在检测率上有大概3%-5%的提升。