本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進(jìn)一步涉及圖像增強(qiáng)技術(shù)領(lǐng)域中的一種基于半監(jiān)督的圖像顯著性檢測方法。本發(fā)明可應(yīng)用于對相近圖像的檢索、圖像中特定目標(biāo)的檢測和圖像分割。

背景技術(shù)：
圖像中的顯著性區(qū)域是指一副圖片中人類視覺中最關(guān)注的目標(biāo)區(qū)域，顯著性檢測的結(jié)果會將目標(biāo)區(qū)域均勻提亮突出的同時抑制背景，便于圖像的后期處理，是目前重要的研究領(lǐng)域之一。近年來顯著性檢測已經(jīng)被廣泛的應(yīng)用于對相近圖像的檢索、圖像和視頻壓縮、圖像中特定目標(biāo)的檢測、圖像及視頻分割等許多圖像處理領(lǐng)域，并很好的促進(jìn)了這些領(lǐng)域的發(fā)展。華東理工大學(xué)提出的專利申請“一種基于移動視覺焦點的圖像視覺顯著性檢測方法”(專利申請?zhí)朇N201410042192.2，公開號CN103810707A)，公開了一種基于移動視覺焦點的圖像視覺顯著性檢測方法。該方法首先運用基于圖的分割算法將原始圖像分割成K個區(qū)域，然后對原始圖像進(jìn)行量化及高頻顏色篩選；利用分割圖像獲得量化圖像對應(yīng)的分割區(qū)域并進(jìn)行區(qū)域?qū)Ρ扔嬎阋垣@取某一區(qū)域的顯著值從而獲得初始顯著圖；以圖像中心為初始視覺焦點對初始顯著圖進(jìn)行加權(quán)計算；利用顯著性引力模型計算視覺焦點的移動距離及移動方向以獲取下一個視覺焦點，直到當(dāng)前焦點距離與上一焦點距離小于1為止；運用最終的視覺焦點對獲得最終視覺焦點的前一次獲得的顯著圖加權(quán)從而獲得最終顯著圖像。該檢測方法的雖然可以突出顯著物體，并很好地抑制圖像背景，但是仍然存在的不足是，該方法獲得的顯著性圖像目標(biāo)不均勻，而且無法保留目標(biāo)的完整邊界。重慶大學(xué)提出的專利申請“一種基于對比度與角點最小凸包的顯著性檢測方法”(專利申請?zhí)朇N201410180885.8，公開號CN103927758A)公開了一種顯著性檢測方法。該方法實施步驟是：首先根據(jù)超像素的全局對比計算全局顯著圖，然后使用中心—周圍算子計算局部顯著圖，最后根據(jù)Harris角點的最小凸包估計主要目標(biāo)的位置與大小過濾到背景中部分區(qū)域的干擾，使得主要目標(biāo)得以突出。該方法雖然可以均勻提亮突出目標(biāo)，但是仍然存在的不足是，高度依賴于凸包的準(zhǔn)確性，在突出目標(biāo)的同時，凸包內(nèi)很大一部分錯誤區(qū)域被突出，降低了顯著性檢測的準(zhǔn)確率。

技術(shù)實現(xiàn)要素：
本發(fā)明針對上述現(xiàn)有技術(shù)的不足，提出一種基于半監(jiān)督的圖像顯著性檢測方法，通過對輸入圖像進(jìn)行簡單的顯著性檢測，獲得初步顯著性圖像，對初步顯著性圖像進(jìn)行二值化，得到亮點像素，利用亮點像素對超像素進(jìn)行標(biāo)記，獲得初步的標(biāo)記超像素，針對獲得的初步的標(biāo)記超像素，通過發(fā)明中提及的相應(yīng)方法對初步的標(biāo)記超像素進(jìn)行更新計算，獲得標(biāo)記超像素，通過對這些標(biāo)記超像素的學(xué)習(xí)檢測出其他具有顯著性的超像素，得到的顯著性圖像目標(biāo)均勻，準(zhǔn)確率高。實現(xiàn)本發(fā)明的具體思路是：首先采用超像素分割法，將圖片劃分成分割系數(shù)為K的超像素映射圖像，并采用采用背景優(yōu)先的測地距顯著性Geodesicsaliencyusingbackgroundpriors中的概念，將超像素映射圖像中的超像素和邊界超像素進(jìn)行顯著性計算，從而獲得一張初步的顯著性圖像。對初步的顯著性圖進(jìn)行高斯強(qiáng)化，形態(tài)學(xué)操作，大津法二值化獲得初步的標(biāo)記超像素，通過貝葉斯選擇則獲得半監(jiān)督方法中需要的一部分標(biāo)記超像素。對這些標(biāo)記超像素進(jìn)行聚類計算，對聚類結(jié)果的賦予不同分類不同的權(quán)值，最后將不同類的標(biāo)記超像素使用流形學(xué)習(xí)法獲得學(xué)習(xí)結(jié)果，并將學(xué)習(xí)結(jié)果乘以各自的權(quán)值后相乘獲得最終的顯著性圖像。為了實現(xiàn)上述目的，本發(fā)明包括如下步驟：(1)獲得初步顯著性圖像：(1a)利用簡單線性迭代聚類SLIC超像素分割算法，對待檢測的圖像進(jìn)行分割，獲得一個超像素映射圖像；(1b)將位于待檢測圖像邊緣上的超像素作為邊緣超像素；(1c)利用顯著性公式，計算超像素映射圖像中每個超像素與邊緣超像素的顯著性值，獲得初步顯著性圖像；(2)獲得初步的標(biāo)記超像素：(2a)對初步顯著性圖像進(jìn)行高斯濾波，獲得高斯顯著性圖像；(2b)利用大津法，對高斯顯著性圖像進(jìn)行二值化操作，獲得二值圖像；(2c)對二值圖像像進(jìn)行形態(tài)學(xué)的開操作，獲得開操作二值圖像，對開操作二值圖像進(jìn)行形態(tài)學(xué)的填孔操作，獲得優(yōu)化二值圖像，將優(yōu)化二值圖像中的值為1的像素點設(shè)定為亮點像素；(2d)利用亮點像素，對超像素映射圖像中每個超像素進(jìn)行選擇，獲得標(biāo)記樣本；(2d)將標(biāo)記樣本設(shè)定為初步的標(biāo)記超像素；(3)貝葉斯選擇：(3a)使用貝葉斯選擇方法，對初步的標(biāo)記超像素進(jìn)行選擇，獲得貝葉斯顯著性圖像；(3b)利用大津法，對貝葉斯顯著性圖像二值化，獲得進(jìn)化二值圖像，將進(jìn)化二值圖像中值為1的像素設(shè)定為亮點像素；(3c)利用亮點像素，對超像素映射圖像中每個超像素進(jìn)行選擇，獲得標(biāo)記樣本；(3d)將標(biāo)記樣本設(shè)定為標(biāo)記超像素；(4)聚類操作：(4a)利用均值漂移算法，將標(biāo)記超像素分成4類數(shù)目不均勻的標(biāo)記超像素，獲得4類標(biāo)記超像素；(4b)利用權(quán)值分配法，獲得4類標(biāo)記超像素的權(quán)值；(5)流形學(xué)習(xí)：(5a)利用流形學(xué)習(xí)法，計算流形學(xué)習(xí)矩陣；(5b)利用流形學(xué)習(xí)法，對4類標(biāo)記超像素進(jìn)行學(xué)習(xí)，獲得4類標(biāo)記超像素學(xué)習(xí)結(jié)果；(6)獲得最終顯著性圖像：(6a)將標(biāo)記超像素學(xué)習(xí)結(jié)果與標(biāo)記超像素的權(quán)值相乘，獲得4個子顯著性圖像；(6b)將4個子顯著性圖像相乘，獲得最終顯著性圖像。本發(fā)明與現(xiàn)有技術(shù)相比有以下優(yōu)點：第一，本發(fā)明采用了流形學(xué)習(xí)法，獲得標(biāo)記超像素的的學(xué)習(xí)結(jié)果，并最終獲得顯著性圖像，克服了現(xiàn)有技術(shù)中利用顯著性引力模型計算獲得顯著性圖像造成的顯著性圖像目標(biāo)不均勻，而且無法保留目標(biāo)的完整邊界的缺點，使得本發(fā)明可以獲得均勻目標(biāo)的同時，保留目標(biāo)的完整邊界。第二，本發(fā)明利用貝葉斯選擇方法，對超像素映射圖像中的每一個超像素進(jìn)行選擇，獲得貝葉斯顯著性圖像的方法，克服了現(xiàn)有技術(shù)由于高度依賴于凸包的準(zhǔn)確性，在突出目標(biāo)的同時，凸包內(nèi)很大一部分錯誤區(qū)域被突出，降低了顯著性檢測的準(zhǔn)確率的缺點，使得本發(fā)明可以準(zhǔn)確的提取目標(biāo)，大大提升顯著性檢測的準(zhǔn)確率。附圖說明圖1為本發(fā)明的流程圖；圖2為本發(fā)明的仿真圖。具體實施措施下面結(jié)合附圖對發(fā)明做進(jìn)一步描述。結(jié)合附圖1對本發(fā)明方法的具體步驟描述如下：步驟1，獲得初步的顯著性圖像。采用簡單線性迭代聚類SLIC超像素分割算法，可以快速對待檢測的圖像進(jìn)行分割，獲得一個超像素映射圖像。第一步，按照下式，確定待檢測圖像的初始化網(wǎng)格：其中，S表示待檢測圖像的初始化網(wǎng)格的大小，N表示待檢測圖像的像素個數(shù)，K表示分割系數(shù)，K取值為200。第二步，在每一個待檢測圖像的初始化網(wǎng)格內(nèi)，隨機(jī)選取一個像素作為初始化聚類中心。第三步，在初始化聚類中心所對應(yīng)像素的3×3鄰域內(nèi)，尋找梯度最小的像素σ。第四步，將初始化聚類中心移到像素σ所在的位置。第五步，將像素σ的五個值賦給初始化聚類中心，其中三個值為像素σ在國際照明委員會顏色-對比CIELab空間內(nèi)的亮度值及兩個顏色對立維度的值，另外兩個值為像素σ所在位置的橫縱坐標(biāo)值。第六步，將標(biāo)簽矩陣Lab內(nèi)所有元素值賦值為-1，將距離矩陣Des內(nèi)所有元素賦值為正無窮大的整數(shù)。第七步，按照下式，計算第k個初始化聚類中心與第i個像素的距離：其中，D表示第k個初始化聚類中心與第i個像素的距離，ri，ai，bi分別表示第i個像素在國際照明委員會顏色-對比CIELab空間內(nèi)的亮度值及兩個顏色對立維度的值，(xi，yi)分別表示第i個像素所在位置的橫縱坐標(biāo)值，rk，ak，bk分別表示第k個初始化聚類中心在國際照明委員會顏色-對比CIELab空間內(nèi)的亮度值及兩個顏色對立維度的值，(xk，yk)分別表示初始化聚類中心所在位置的橫縱坐標(biāo)值，θ是一個常數(shù)，i的取值范圍是初始化聚類中心領(lǐng)域2S×2S內(nèi)的像素，其中S是初始化網(wǎng)格的大小。第八步，比較第k個初始化聚類中心與第i個像素的距離的值與距離矩陣中對應(yīng)元素的值，如果第k個初始化聚類中心與第i個像素的距離的值小于距離矩陣中第i個元素的值,則給距離矩陣中第i個元素賦值為第k個初始化聚類中心與第i個像素的距離的值，給標(biāo)簽矩陣的第i個元素賦值為K，否則，不改變距離矩陣和標(biāo)簽矩陣中第i個元素的值。第九步，比較第k個初始化聚類中心與初始化聚類中心領(lǐng)域2S×2S內(nèi)的所有像素的距離的值與距離矩陣中對應(yīng)元素的值。第十步，當(dāng)?shù)趉個初始化聚類中心與初始化聚類中心領(lǐng)域2S×2S內(nèi)的每個像素的距離的值與距離矩陣中對應(yīng)元素的值都比較結(jié)束后，開始比較第K+1個初始化聚類中心與初始化聚類中心領(lǐng)域2S×2S內(nèi)的每個像素的距離的值與距離矩陣中對應(yīng)元素的值。第十一步，將標(biāo)簽矩陣中值相同的像素分割到同一個區(qū)域。第十二步，計算同一個區(qū)域內(nèi)像素所在位置的橫縱坐標(biāo)的平均值及同一區(qū)域內(nèi)像素在國際照明委員會顏色-對比CIELab空間內(nèi)的亮度值及兩個顏色對立維度的平均值，將結(jié)果賦給初始化聚類中心。第十三步，循環(huán)第七步到第十二步十次，獲得一個以超像素為單位的映射圖。將位于待檢測圖像邊緣上的超像素定義為邊緣超像素。利用下式計算超像素映射圖像中每個超像素與邊緣超像素的顯著性，獲得初步的顯著性圖像：其中，Vn表示超像素映射圖像中第n個超像素的顯著性值，M表示邊緣超像素的總數(shù)，m表示從第一個邊緣超像素到第M個邊緣超像素，rn，an，bn分別表示第n個超像素在國際照明委員會顏色-對比CIELab空間內(nèi)的亮度值及兩個顏色對立維度的值，xn，yn分別表示第i個超像素所在位置的橫縱坐標(biāo)值，rm，am，bm分別表示第k個邊緣超像素在國際照明委員會顏色-對比CIELab空間內(nèi)的亮度值及兩個顏色對立維度的值，xm，ym分別表示第m個邊緣超像素所在位置的橫縱坐標(biāo)值。步驟2，獲得初步的標(biāo)記的超像素。根據(jù)人類視覺習(xí)慣，為了加強(qiáng)初步的顯著性圖像中心區(qū)域的顯著性值，對初步的顯著性圖像進(jìn)行高斯濾波，獲得高斯顯著性圖像。其中高斯濾波器的參數(shù)為，高斯濾波器的大小與待檢測圖像的大小相同，高斯濾波器的方差為待檢測圖像最小邊長的30％。利用大津法，可以快速準(zhǔn)確的對高斯濾波后的顯著性圖像進(jìn)行二值化操作，獲得二值圖像。二值圖像中值為1的點設(shè)定為次亮點。當(dāng)次亮點像素個數(shù)占待檢測圖像的像素個數(shù)的比例小于自適應(yīng)參數(shù)e時，子網(wǎng)掩碼值為當(dāng)次亮點像素個數(shù)占待檢測圖像的像素個數(shù)的比例大于自適應(yīng)參數(shù)e時，子網(wǎng)掩碼值為其中自適應(yīng)參數(shù)e的取值范圍為[0.1,0.2],的取值范圍為[5,7],的取值范圍為[8,10]，本發(fā)明的實施例中自適應(yīng)參數(shù)e的取值為0.1，的取值為6，的取值為8。使用子網(wǎng)掩碼對二值圖像像進(jìn)行形態(tài)學(xué)的開操作，獲得開操作二值圖像，對開操作二值圖像進(jìn)行形態(tài)學(xué)的填孔操作，獲得優(yōu)化二值圖像，將優(yōu)化二值圖像中的值為1的像素設(shè)定為亮點像素。將亮點像素個數(shù)占待檢測圖像的像素個數(shù)的比例小于自適應(yīng)參數(shù)ρ時的選擇系數(shù)設(shè)定為s1，將亮點像素個數(shù)占待檢測圖像的像素個數(shù)的比例大于自適應(yīng)參數(shù)ρ時的選擇系數(shù)設(shè)定為s2,其中自適應(yīng)參數(shù)ρ的取值范圍為[0.1,0.2],s1的取值范圍為[0.55,0.65],s2的取值范圍為[0.7,0.8]，本發(fā)明的實施例中自適應(yīng)參數(shù)ρ的取值為0.1，s1的取值為0.6，s2的取值為0.8。統(tǒng)計亮點像素和超像素中像素重合的總數(shù)，獲得重合數(shù)。將重合數(shù)與超像素中像素數(shù)的比值與選擇系數(shù)進(jìn)行比較，如果重合數(shù)與超像素中像素數(shù)的比值大于選擇系數(shù)，則將該超像素作為初步的標(biāo)記樣本。將標(biāo)記樣本設(shè)定為初步的標(biāo)記超像素。步驟3，貝葉斯選擇。將所有初步標(biāo)記的超像素和所有非初步標(biāo)記的超像素分別定義為各自的同類超像素，將初步標(biāo)記的超像素和非初步標(biāo)記的超像素定義為不同類超像素。計算每一個超像素的同類概率值：其中，p表示第w個超像素與同類的超像素的概率值，R表示同類超像素的總數(shù)，v表示從第一個到不與w相同的第R個同類超像素，rw，aw，bw分別表示第w個超像素在國際照明委員會顏色-對比CIELab空間內(nèi)的亮度值及兩個顏色對立維度的值，xw，yw分別表示第w個超像素所在位置的橫縱坐標(biāo)值，rv，av，bv分別表示第v個同類超像素在國際照明委員會顏色-對比CIELab空間內(nèi)的亮度值及兩個顏色對立維度的值，xv，yv分別表示第v個同類超像素所在位置的橫縱坐標(biāo)值。按照下式，計算每一個超像素的不同類概率值：其中，q表示第w個超像素與不同類的超像素的概率值，T表示不同類的超像素的總數(shù)，t表示從第一個不同類超像素到第T個不同類超像素，rw，aw，bw分別表示第w個超像素在國際照明委員會顏色-對比CIELab空間內(nèi)的亮度值及兩個顏色對立維度的值，xw，yw分別表示第w個超像素所在位置的橫縱坐標(biāo)值，rt，at，bt分別表示第t個不同類超像素在國際照明委員會顏色-對比CIELab空間內(nèi)的亮度值及兩個顏色對立維度的值，xt，yt分別表示第t個不同類超像素所在位置的橫縱坐標(biāo)值。統(tǒng)計1000張初步顯著性圖像在召回率為0.9時的準(zhǔn)確率，獲得準(zhǔn)確率為0.6，將0.6設(shè)定為不同類概率，則同類概率為0.4。將同類超像素概率值與同類概率值乘積的值賦給貝葉斯顯著概率，將不同類超像素概率值與不同類概率值乘積的值賦給貝葉斯非顯著概率。比較賦值后貝葉斯顯著概率和賦值后貝葉斯非顯著概率，如果賦值后貝葉斯顯著概率大于賦值后貝葉斯非顯著概率，將賦值后貝葉斯顯著概率的值作為貝葉斯顯著性賦給該超像素，否則，將賦值后貝葉斯非顯著概率的值作為貝葉斯顯著性值賦給該超像素，獲得貝葉斯顯著性圖像。利用大津法，對貝葉斯顯著性圖像二值化，獲得進(jìn)化二值圖像，將進(jìn)化二值圖像中的值為1的像素設(shè)定為亮點像素。按照步驟3中的方法利用亮點像素，對超像素映射圖像中每個超像素進(jìn)行選擇，獲得標(biāo)記樣本。將標(biāo)記樣本設(shè)定為標(biāo)記超像素。步驟4，聚類操作。利用均值漂移算法，將標(biāo)記超像素分成4類數(shù)目不均勻的標(biāo)記超像素，獲得4類標(biāo)記超像素。統(tǒng)計4類標(biāo)記超像素分類的每一類記超像素中標(biāo)記超像素的總數(shù)。求和4類標(biāo)記超像素分類的每一類記超像素中標(biāo)記超像素的總數(shù)，獲得所有標(biāo)記超像素的總數(shù)。按照下式，計算出4類標(biāo)記超像素的坐標(biāo)值：其中，xκ表示第κ類標(biāo)記超像素的橫坐標(biāo)值，κ的取值范圍為[1,4]，ζ表示第κ類標(biāo)記超像素中標(biāo)記超像素的總數(shù)，j表示第κ類標(biāo)記超像素中從第1個標(biāo)記超像素到第ζ個標(biāo)記超像素，xj表示第κ類的標(biāo)記超像素中第j個標(biāo)記超像素的橫坐標(biāo)，yκ表示第κ類標(biāo)記超像素的縱坐標(biāo)值，yj表示第κ類的標(biāo)記超像素中第j個標(biāo)記超像素的縱坐標(biāo)。按照下式，計算所有標(biāo)記超像素的坐標(biāo)值：其中，表示所有標(biāo)記超像素橫坐標(biāo)的值，τ表示所有標(biāo)記超像素的總數(shù)，表示從1個標(biāo)記超像素到第τ個標(biāo)記超像素，表示第類標(biāo)記超像素的橫坐標(biāo)，表示所有標(biāo)記超像素的縱坐標(biāo)值，表示第類標(biāo)記超像素的縱坐標(biāo)。按照下式，計算4類標(biāo)記超像素的特征值：其中，ηκ表示第κ個標(biāo)記超像素的分類的特征值，δ為第κ類標(biāo)記超像素中標(biāo)記超像素的總數(shù)，(x，y)分別為第κ類標(biāo)記超像素的坐標(biāo)，為所有標(biāo)記超像素的坐標(biāo)值。當(dāng)分類標(biāo)記超像素的坐標(biāo)和所有標(biāo)記超像素的坐標(biāo)越接近，分類標(biāo)記標(biāo)記超像中包含的超像素數(shù)目越多，特征值越大。應(yīng)給特征值越大的分類標(biāo)記超像素賦越大的權(quán)值，所以設(shè)定的分類標(biāo)記超像素權(quán)值為從1開始遞減，分別為1，0.9，0.8，0.7。對4個標(biāo)記超像素的分類的特征值進(jìn)行降序排列。將分類權(quán)值1，0.9，0.8，0.7，按照4個標(biāo)記超像素的分類的特征值的排列順序，分別賦給標(biāo)記超像素的分類，獲得4類標(biāo)記超像素的權(quán)值。步驟5，流形學(xué)習(xí)。按照下式，計算關(guān)系矩陣：其中，Wαβ表示關(guān)系矩陣中第α行β列的值，未被賦值的W矩陣中的元素值為0，rα，aα，bα分別表示第α個超像素在國際照明委員會顏色-對比CIELab空間內(nèi)的亮度值及兩個顏色對立維度的值，rβ，aβ，bβ分別表示第β個超像素在國際照明委員會顏色-對比CIELab空間內(nèi)的亮度值及兩個顏色對立維度的值，β的取值范圍為與第α個超像素的相鄰超像素，ε的取值范圍為[0,1]，本發(fā)明的實施例中ε取值為0.99。按照下式，計算流形學(xué)習(xí)矩陣：Z＝(W/I)*(1-I)其中，Z表示流形學(xué)習(xí)矩陣，W表示關(guān)系矩陣，I表示單位矩陣。按照下式，建立關(guān)系進(jìn)化矩陣：其中，Cαβ表示關(guān)系進(jìn)化矩陣C第α行β列的取值，β表示從關(guān)系矩陣的第一列到關(guān)系矩陣的第K列，K為超像素總數(shù)，Wαβ表示關(guān)系矩陣第α行β列的取值。對標(biāo)記超像素的學(xué)習(xí)向量，如果第Ω個超像素為標(biāo)記超像素，則標(biāo)記超像素的學(xué)習(xí)向量中的第Ω個元素的值為1，否則，該標(biāo)記超像素的學(xué)習(xí)向量第Ω個元素的值為0。按照下式，計算4類標(biāo)記超像素的的學(xué)習(xí)結(jié)果：fφ＝(C-ΔZ)-1uφ其中，fφ表示第φ類標(biāo)記超像素的的學(xué)習(xí)結(jié)果，C表示關(guān)系進(jìn)化矩陣，Z表示流形學(xué)習(xí)矩陣,uφ表示第φ類標(biāo)記超像素的學(xué)習(xí)向量，φ的取值范圍是從1到4。步驟6，獲得最終的顯著性圖像。將標(biāo)記超像素的的學(xué)習(xí)結(jié)果與標(biāo)記超像素的權(quán)值相乘，獲得4個子顯著性圖像。將4個子顯著性圖像相乘，獲得最終顯著性圖像。下面結(jié)合仿真圖對本發(fā)明做進(jìn)一步的描述。1.仿真條件：本發(fā)明仿真實驗的運行系統(tǒng)為：Intel(R)Core(TM)i5CPU@1.8GHz，windows8，64位操作系統(tǒng)，仿真軟件采用MATLAB2014a。本發(fā)明的仿真實驗在“獲得初步的顯著性圖像”步驟中使用的參數(shù)為，分割系數(shù)K取值200。“獲得初步的標(biāo)記超像素”使用的參數(shù)為，高斯濾波器長寬設(shè)定為待檢測圖像的長寬，方差為待檢測圖像最小邊長的30％，自適應(yīng)參數(shù)e的取值0.1，子網(wǎng)掩碼值的取值6，子網(wǎng)掩碼值的取值8，自適應(yīng)參數(shù)ρ的取值0.1，比例參數(shù)s1的取值0.6，比例參數(shù)s2的取值0.8；“流形學(xué)習(xí)”步驟中關(guān)系矩陣公式中的參數(shù)為，固定常數(shù)ε取值0.99。2.仿真內(nèi)容與結(jié)果分析：參照圖2，本發(fā)明的待檢測圖像如圖2(a)所示，圖2(a)為從Liu提供的數(shù)據(jù)庫選取的一幅圖像，圖2(a)中的目標(biāo)為一朵花。參照圖2，本發(fā)明的對待檢測圖像計算獲得的最終顯著性圖像如圖2(b)所示。由圖2(b)可見，采用本發(fā)明提出的方法可以獲得待檢測圖像圖2(a)的目標(biāo)一朵花。在圖2(b)中只有花所在的區(qū)域被均勻提亮，并保留花的完整邊界，所有背景和花的枝干都被抑制，沒有被檢測成為目標(biāo)，由此可以說明本發(fā)明可以準(zhǔn)確檢測待檢測圖像的目標(biāo)，提高顯著性檢測的準(zhǔn)確率。