人类视觉注意力机制一直都是研究的热点,其中一个重要的分支就是显著性检测。研究场景中的显著性区域或物体检测,一方面有助于理解人脑和视觉系统中的注意力机制,另一方面可以让计算机快速地从复杂场景中提取关键信息,以辅助后续更高层次的视觉任务。现有的无监督显著性物体检测方法一般是从图像等视觉输入中提取像素点或者是图像块的特征,如对比度信息、边界连接性等来估计每个像素点的显著性。虽然这些方法效率较高,也不需要人工标记的像素级标签,但分割得到的显著性物体不够完整。此外,由于大多数方法对单一信息源或者先验过分依赖,它们在复杂场景下检测显著性物体的结果并不理想。针对以上问题,本文提出紧密度扩散模型,将显著的前景区域和冗余的背景区域看作两个独立的部分分别检测,最后再进行融合。通过构建全局图,本文提出基于图像统计特性的度量方式——紧密度,用于检测图像中的显著性区域。通过构建局部图,将检测到的紧密区域作为种子输入到二次能量模型中进行扩散,最终检测到连贯、分布均匀的显著性物体。该模型综合利用前景信息和背景信息检测图像中的显著性区域,有效地改善了只依赖于单个信息源造成的检测不完整、不均匀,或是包含背景区域的问题。实验部分在三个公开数据集上验证了该模型的有效性,同时给出了该模型与其他方法检测结果的定量和定性比较,以及算法的执行速率比较。综合来看,紧密度扩散模型在保证效率的同时,能给出较好的显著性检测结果。紧密度模型通过充分利用前景和背景信息检测出较完整的显著性物体,但是当图像中存在多个显著性物体时,该方法的检测结果并不理想。为此,本文进一步提出基于低秩矩阵分解的递进式显著性物体检测模型。该模型包含粗略显著性图生成模块和物体精细化模块,前者是融合了Laplacian约束的低秩矩阵分解模型,后者利用粗略显著图中图像区域之间的空间连接关系分别学习前景和背景特征各自的共性,利用学习到的投影矩阵更准确地估计物体区域的显著性。实验部分对比了粗略显著性模型和其他基于低秩矩阵分解的显著性检测方法,也验证了精细化模块的一般化效果。实验结果表明,利用该粗略模型检测到的显著性区域比其他方法的检测结果更加均匀,且在多物体场景下的明显优于其他方法。通过在三个公开数据集上与具有代表性的其他十二种方法的对比结果来看,该递进式模型的综合检测性能更好,并且检测到的显著性物体边缘更加清晰。