感兴趣区域检测是图像处理领域的关键技术,在图像处理和分析过程中,感兴趣区域检测能够模拟人类视觉快速、准确抓住图像的重点,降低图像处理计算量,有效提高计算机信息处理的效率。作为图像预处理过程,该技术被广泛地应用到视觉跟踪、图像分类、图像分割和目标重定位等视觉工作领域。本文分别研究了简单背景图像和复杂背景图像中的感兴趣区域检测方法。对于简单背景下的图像,为了快速、准确地检测感兴趣区域,提出了基于背景先验和前景节点的感兴趣区域检测方法(BPFS)。首先,利用全局颜色和空间距离矩阵计算基于背景的显著图,再利用单层元胞自动机优化基于背景的显著图;然后,利用优化后的基于背景的显著图得到前景节点,并据此计算基于前景的显著图,为了更好地抑制背景噪声,利用偏置的高斯滤波对基于前景的显著图进行优化;最后,融合两个优化后的显著图以得到最终的显著图。对于复杂背景下的图像,为了准确地检测感兴趣区域,提出了基于全卷积神经网络与低秩稀疏分解的感兴趣区域检测方法(FCN-LRSD)。首先,对原图像进行超像素聚类,并提取每个超像素的颜色、纹理和边缘特征,据此构成图像的特征矩阵:然后,利用MSRA数据库基于梯度下降法学习得到特征变换矩阵;接着,再次利用MSRA数据库对全卷积神经网络进行微调,学习得到高层语义先验知识矩阵;最后,利用特征变换矩阵和高层语义先验知识矩阵对特征矩阵进行变换,再利用鲁棒主成分分析算法对变换后的矩阵进行低秩稀疏分解,根据稀疏矩阵计算最终的显著图。在公开数据库上对两个方法进行测试并采用准确率-召回率曲线、F-measure和MAE指标对方法性能进行评价。首先,对本文两种方法(BPFS和FCN-LRSD)在简单背景和复杂背景下的效果进行比较;然后,在简单背景图像中,将BPFS方法和传统方法的效果进行比较;最后,在复杂背景图像中,将FCN-LRSD与传统方法及深度学习方法的效果进行比较。实验结果表明BPFS方法和FCN-LRSD方法分别在简单背景下和复杂背景下优于当前流行算法。