神经科学研究发现，人类在观看复杂场景时，视觉系统会迅速选择一个或几个显著目标，忽略其他对象。这种选择性视觉注意机制应用于计算机视觉，可大大提升图像分析与理解能力，帮助计算机自动处理图像并根据显著内容进行分类，从而提高工作效率。 本书介绍了视觉注意的研究背景及意义，分析了国内外研究现状，并对现有显著性检测模型进行了分类总结。书中详细介绍了常用测试数据库及评价方法，深入探讨了单幅显著性计算、特征融合策略及协同显著性计算等方面，提出了几种自底向上的视觉注意模型，并通过实验验证了所提算法在自然场景分析中的有效性和优越性。

更多科学出版社服务，请扫码获取。

2000年9月-2004年6月 河南师范大学 本科学习 2004年9月-2007年6月 河南师范大学 硕士学习 2010年9月-2014年6月 西北工业大学 博士学习2007年7月-2011年11月 咸阳师范学院数学与统计学院 助教 2011年11月-2015年12月 咸阳师范学院数学与统计学院 讲师 2015年12月-2021年10月 咸阳师范学院数学与统计学院 副教授 2021年10月-至今 咸阳师范学院数学与统计学院 教授 2016年入选咸阳师范学院青蓝人才 2017年被入选陕西省普通高校青年杰出人才计划 2017年被聘为西安工程大学硕士生导师 2022年入选咸阳师范学院学术带头人信息与通信工程-？信号与信息处理2017年荣获陕西省第十三届自然科学优秀学术论文二等奖； 2014年荣获陕西省数学会青年教师优秀论文二等奖； 2013年荣获第六届咸阳市自然科学优秀学术论文二等奖； 2015年荣获第七届咸阳市自然科学优秀学术论文二等奖； 2018年荣获第八届咸阳市自然科学优秀学术论文一等奖。

1 视觉注意机制基础 1.1 视觉注意机制的原理 1.2 显著性模型分类 1.2.1 从信息处理的角度分类 1.2.2 根据理论搭建的框架分类 1.2.3 按处理对象分类 1.2.4 按照检测结果分类 1.3 常用的颜色特征 1.3.1 RGB 颜色特征 1.3.2 CIELAB 颜色特征 1.3.3 强度特征 1.3.4 宽频调谐颜色特征 1.3.5 对抗色颜色特征 1.3.6 HSV 空间颜色特征 1.4 常用的信息融合方法 1.5 测试数据库 1.5.1 眼动数据库 1.5.2 显著物体数据库 1.5.3 自然图像数据库 1.5.4 复杂场景显著性数据库 1.6 性能评估方法 2 结合空域及频域信息的显著性检测算法 2.1 引言 2.2 颜色空间选取 2.3 最大矩形邻域模型 2.4 谱残余模型 2.5 特征融合 2.6 中心偏移机制 2.7 实验结果及分析 2.7.1 MSRA 实验测试库 2.7.2 BET 实验测试库 2.7.3 颜色通道实验对比 2.8 本章小结 3 基于选择性颜色特征的显著性目标检测 3.1 引言 3.2 超像素分割 3.3 空间对比度特征 3.4 分布特征 3.5 特征融合 3.6 实验结果及分析 3.7 本章小结 4 基于颜色及纹理特征的显著性目标检测 4.1 引言 4.2 直方图对比度 4.2.1 直方图定义 4.2.2 直方图对比度特征 4.3 纹理特征 4.3.1 Gabor 变换 4.3.2 多尺度分析 4.4 特征融合 4.5 实验结果及分析 4.6 本章小结 5 基于背景先验知识的显著性目标检测 5.1 引言 5.2 图像预处理 5.2.1 平均分割 5.2.2 超像素分割 5.3 基于背景先验知识的显著性建模模型 5.3.1 对比度特征 5.3.2 分布特征 5.4 特征融合 5.5 实验结果及分析 5.5.1 均匀分割下的实验结果 5.5.2 超像素分割下的检测结果 5.6 本章小结 6 基于特征点的显著性目标检测算法 6.1 引言 6.2 颜色空间选取 6.3 特征点检测 6.5 特征融合 6.6 中心偏移机制 6.7 实验结果及分析 6.7.1 MSRA实验测试库 6.7.2 BET实验测试库 6.7.3 颜色通道实验对比 6.8 本章小结 7 协同显著性目标检测 7.1 引言 7.2 稀疏表示 7.3 构造图像特征空间基函数 7.4 多幅图的协同显著性 7.5 基于协同显著图的显著区域提取方法 7.6 实验结果及分析 7.7 本章小结