视觉注意力机制是人类视觉感知系统中非常重要以及实用的一种生物机制,它能够帮助人类在复杂的自然环境中快速搜索和定位感兴趣的区域。显著性检测正是以对这种生物机制的研究作为基础以及对该机制的模拟,让计算机在给定图像中迅速找到感兴趣的区域,也就是显著性区域。随着计算机网络等技术的发展以及拍照设备的升级,数据图像不仅数量成爆炸式增长,包含的信息也更加丰富,在这样的环境下,协同显著性检测也逐渐发展起来。单幅图像协同显著性检测作为其中的一个新研究方向,其检测标注为前景的区域不再是图像内的所有显著性区域,而是图像内具有高度相似性的协同显著性目标所在区域。相比于显著性检测,该研究方向对图像具有一个隐性条件,就是图像内至少包含两个显著性目标并且表现为协同显著性。该研究方向在进一步降低图像信息冗余、统计相似目标以及动画合成等实际应用方面都具有很高的研究价值。目标的协同显著性其实也就是指两个显著性目标在某一特征上表现为相同或相似,因此只要能够确定该相同或相似的特征就能通过聚类的方法获取协同显著性区域。但不同图像展现的场景和内容都不相同,用于聚类的特征自然也应该选择最为合适才能取得最佳的效果。为了解决这一问题,本文将特征选择视为优化问题并提出一种粒子群优化聚类的单幅图像协同显著性检测算法。首先在第一阶段根据协同显著性部分与非协同显著性部分在前景中的占比不同,利用贝叶斯公式计算各超像素的协同显著性概率,生成粗协同显著图,并作为第二阶段计算显著值的初始显著图;然后在第二阶段先对超像素提取7种共20维的特征向量,而后利用粒子群优化算法在多次迭代聚类的过程中为每一幅图像选择合适的聚类特征,最后以该特征对超像素聚类生成最终的协同显著图。而在本文的第二个工作中,以直接比较图像内各目标的特征判断协同显著性为思路,提出一种简单高效的单幅图像协同显著性检测算法。该算法首先通过已有的目标检测算法对图像内的目标进行检测,获取表示各目标所在区域的目标框;然后结合初始显著图以及目标框之间的重叠关系,提取每个目标的特有区域,以保证协同显著性判断的准确性;再然后提取每个目标的特征并计算不同目标之间的相似度,初步标记出图像的协同显著性目标;最后利用支持向量机对图像内的超像素进行分类,并将协同显著值分配到整幅图像,获得最终协同显著图。最后,本文提出的两个单幅图像协同显著性检测算法都在目前仅有的WICOS数据集上进行实验,并将检测结果与其他方法进行比较。实验结果表明,这两种方法在PR曲线、最大F值以及平均绝对误差上都具有一定的优势。