显著性目标检测的目的是完整一致地检测出图像中最吸引人眼注意的目标区域。人类等灵长类动物能够快速地从复杂场景中选择感兴趣的区域,然而在机器视觉领域中,如何准确高效地检测出复杂场景中的显著性目标成为人们关注的问题。近年来,低秩矩阵恢复技术得到人们的广泛关注,出现了一些基于低秩矩阵恢复的显著性检测算法。传统基于低秩矩阵恢复的显著性检测算法假设背景特征属于同一低维子空间,而将较小尺寸显著性目标的特征看作稀疏噪声。因此,利用低秩矩阵恢复算法将图像的特征矩阵分解为低秩矩阵和稀疏矩阵,其中低秩矩阵包含背景信息,稀疏矩阵表示显著性目标信息。此类算法往往能够准确检测简单场景中尺寸较小的显著性目标。然而,当显著性目标的尺寸较大时,传统基于低秩矩阵恢复的算法往往在显著性目标边缘分配较大的显著值,而不能完整地检测出整个显著性目标区域。本文提出了一种基于稀疏子空间聚类和低秩表示的显著性目标检测算法,该算法不仅能够完整一致地检测出较大尺寸的显著性目标,并且对于复杂背景图像,它依然能够得到令人满意的检测效果。本文的主要工作如下:首先,详细介绍了三种已有的基于低秩矩阵恢复的显著性检测算法,它们分别是基于稀疏表示与鲁棒主成分分析的显著性检测、基于多任务低秩表示的显著性检测和基于特征变换与鲁棒主成分分析的显著性检测。传统基于低秩矩阵恢复的显著性检测算法主要假设显著性目标的尺寸较小,背景特征处于同一低维子空间,此类算法一般难以准确检测尺寸较大或复杂背景中的显著性目标。其次,本文提出一种基于稀疏子空间聚类和低秩表示的显著性目标检测算法。该算法对输入图像进行超像素分割,并对分割得到的超像素进行拉普拉斯稀疏子空间聚类。每一个聚类包含具有相似特征的超像素,这些超像素可能同时属于显著性目标或者图像背景的部分区域,本算法将图像显著性目标检测问题转化成聚类的显著性检测问题,并采用低秩表示算法分解聚类的特征矩阵。利用超像素局部-全局颜色对比度粗略构建显著性字典,该字典的原子可以分为三组:(1)前景超像素的特征;(2)背景超像素的特征;(3)混合超像素的特征。在此字典的基础上,利用低秩表示算法分解聚类特征矩阵,其低秩表示系数不仅能够反映该聚类与前景的相似度,还能够反映其与背景的相关性。因此,本算法利用低秩表示系数定义聚类的显著性,能够完整一致地检测出尺寸较大的显著性目标。同时,为了更加准确地检测出尺寸较小的显著性目标,与传统算法相似,该算法还利用重构误差定义超像素的显著性。融合基于低秩表示系数和基于重构误差的显著图,得到最终的显著性目标检测结果。最后,在Window 7环境中,利用Matlab语言实现本文的算法。大量的实验表明,本文提出算法的性能可以超越多数主流的显著性检测算法。本算法不仅可以完整一致地检测出较大尺寸的显著性目标,而且可以准确地检测尺寸较小的显著性目标。此外,该算法还能够有效检测出复杂背景中的显著性目标。