基于超像素分割及深度特征定位的显著性目标检测方法与流程

本发明属于图像检测技术领域，主要涉及显著性目标检测方法，具体是一种基于超像素分割及深度特征定位的显著性目标检测方法。用于人脸识别，车辆检测，运动目标检测跟踪，军事导弹检测，医院病理检测等各个领域。

背景技术：

随着数据数目的不断庞大，单位时间内积累的数据量指数型猛涨，庞大的数据量便需要更优秀的计算机技术和算法理论来处理提炼数据信息。随着高分辨率图像层出不穷，带给人极大的视觉享受。人们对于复杂图像的理解，已到达很高的水平。传统的图像处理将像素点独立开来，或者完全整体性的分析图像所传到的信息含义，面对庞大的数据量，传统的处理图像的方法已远远达不到高效实时的要求。同时仅仅通过考虑人眼注意机制的相关特征，比如颜色特征，方向特征等简单特征也已不能满足提取显著性目标检测的所要效果了。或者人工去处理待检测图像，工作难度大、压力大、负荷重。如何让计算机模拟人眼视觉机制，实现类似于人类的显著性注意机制去处理图像信息已经成为一个亟待解决的热门话题。

现有的显著性目标检测方法有些只考虑图像本身的特征去寻找图像目标区域和背景区域存在的差异性，以此来辨别目标位置和背景区域。还有利用马尔科夫链来处理显著图，寻找中央显著区和周围背景区的相互之间影响关系。也还有利用幅度谱和滤波器的卷积来实现冗余信息最终寻找显著区域的方法。再者有关注局部对比度和全局对比度等各类方法。虽然这些方法都达到一定检测到显著性目标的有效性，但是检测效果在边缘分割，背景剔除，目标形态提取方面差强人意，有一定局限性。而且大都是把图像特征以单独像素点的形式进行处理，这已经远远不能满足现状。

技术实现要素：

本发明的目的在于克服现有技术的不足，提供一种边缘更清晰，背景剔除更完全，目标形态分割更完整的基于超像素分割及深度特征定位的显著性目标检测方法。

本发明是一种基于超像素分割及深度特征定位的显著性目标检测方法，其特征在于，包括有如下步骤：

步骤1：输入图像对其进行线性迭代的聚类分割。输入待检测的目标图像，先分割成k个区域，寻找各个区域邻域的局部梯度极小值点作为中心点，并对同一区域设定一标签号；寻找距离像素点邻域内五维欧式距离最小的中心点，并将中心点标签赋予待处理的像素点；不断迭代寻找距离像素点最小的中心点的过程，在像素点的标签值不会发生变化时停止迭代，完成超像素分割；

步骤2：构建高斯差分生成定位显著图。

2a：根据输入的原图进行高斯函数滤波处理，生成原图的8个层度尺度图；

2b：对构建的8个层度的尺度图再结合原图形成九层尺度图，提取九层尺度图像的红绿颜色差值图以及蓝黄颜色差值图，共18副颜色差值图；提取九层尺度图的强度图，共9副强度图；提取九层尺度图的gabor滤波方向图，共36副方向图，形成三类特征图；

2c：因九层尺度图同类特征之间的尺寸不一样，对三类特征图先经过插值处理，再进行差分处理；

2d：不同类型的特征图之间因其特征的度量标准不同，需要先将不同类型的特征进行归一化再融合为定位显著图；

步骤3：生成深度特征显著图。先根据步骤2的定位显著图对超像素分割后的图作一个定位处理，再对于分割完成的每一个区域及其相邻区域采集最近邻区域信息、全局区域信息、边角背景区域信息三类特征信息，生成深度特征显著图，用于显著性目标的检测；

步骤4：将通过步骤2和步骤3最终得以确定的定位显著图和深度特征显著图，对定位显著图和深度特征显著图作融合和边界处理，生成最终的显著性目标图，完成超像素分割及深度特征定位的显著性目标检测。

与现有技术相比，本发明的有益效果是：

1、现有的显著性目标检测算法大都是把图像特征以单独像素点为单位进行处理，其检测到的目标区域和复杂背景之间的边缘分离效果并不理想，本发明采用计算五维欧式距离颜色相似性的线性迭代对输入图像作一个超像素分割预先处理，解决了传统显著性目标检测方法目标边缘分割效果不理想的问题，并提供一种更智能化、高效化、鲁棒性更强的显著性目标检测方法。

2、本发明的方法充分的考虑颜色特征，方向特征和深度特征等图像特征，同时充分考虑更关心中心而忽视周围背景，目标所在区域的特征相似性，相较于全局特征的独特性等先验知识；进而实现显著性目标的检测，使得计算机更加具有逻辑性，更加人工智能化。

3、本发明方法从检测结果得出检测目标不局限于具体特征，所在环境等条件，通过在办公室场景，校园内区域，公园等多个场景拍摄待检测图像，通过本发明方法均能对显著性物体实现检测，且检测效果更符合人眼显著性效果。对背景剔除的更加完全，目标提取的位置和形态更完整。

附图说明

图1为本发明方法的流程图；

图2为本发明方法中通过超像素分割后的效果图，其中图2(a)为办公室墙角的分割效果图，图2(b)为图书馆场景内分割效果图；

图3为针对选取的十幅图，本发明与近年来其他方法的检测效果展示和效果比较图，其中图3(a)为选取的原始图像，图3(b)为本发明检测效果图，图3(c)为gs方法效果图，图3(d)为gbmr方法效果图，图3(e)为rare方法效果图，图3(f)为hsd方法效果图，图3(g)为std方法效果图，图3(h)为人工标记图；

图4为针对选取的五百幅图，本发明与近年来其他方法精确度和召回率的曲线结果图。

具体实施方式

下面结合附图对本发明详细说明

实施例1

现有的显著性目标检测方法有些只考虑图像本身的特征去寻找图像目标区域和背景区域存在的差异性，以此来辨别目标位置和背景区域。还有利用马尔科夫链来处理显著图，寻找中央显著区和周围背景区的相互之间影响关系。也还有利用幅度谱和滤波器的卷积来实现冗余信息最终寻找显著目标区域的方法。虽然这些方法都达到一定检测到显著性目标的有效性，但是检测效果在边缘分割，背景剔除，目标形态提取方面差强人意，有一定局限性。

针对现有技术的这些缺陷，经过探讨与创新，本发明提出一种基于超像素分割及深度特征定位的显著性目标检测方法，参见图1，包括有如下步骤：

步骤(1)对输入图像进行线性迭代的聚类分割：输入待检测的目标图像，即原图，先分割成k个区域，寻找各个区域邻域的局部梯度极小值点作为中心点，并对同一区域设定一标签号。寻找距离像素点邻域内五维欧式距离最小的中心点，并将中心点标签赋予待处理的像素点；不断迭代寻找距离像素点最小的中心点，并给像素点赋予标签的过程，保证像素点的标签号不会发生变化为止，完成超像素分割。本例中寻找各个区域邻域采用的是5*5邻域，寻找距离像素点邻域采用的是2s*2s邻域。

步骤(2)利用高斯差分方法生成定位显著图：

(2a)根据输入的原图进行高斯函数滤波处理，生成原图的8个层度尺度图。

(2b)对构建的这8个层度的尺度图再结合原图形成九层尺度图，提取九层尺度图像的红绿颜色差值图以及蓝黄颜色差值图，九层尺度图的两种颜色差值图共18副图；提取九层尺度图的强度图，九层尺度图的强度图共9副图；提取九层尺度图的gabor滤波四个方向图，这四个方向为0°,45°,90°,135°，九层尺度图的四种方向图图共36副图，形成颜色差值图，强度图和方向图三类特征图。

(2c)由于得到的九层尺度图同类特征之间的尺寸不一样，需要对三类特征图先经过插值处理，再进行差分处理。

(2d)不同类型的特征图之间因为其特征的度量标准不同，所以单一的幅值并不能反映显著性的重要度，所以需要先将不同类型的特征进行归一化再融合为定位显著图。

步骤(3)生成输入图像的深度特征显著图：先根据步骤2的定位显著图对超像素分割后的图作一个定位处理，再充分考虑中心位置为显著性目标的可能性远大于图像四周位置以及显著性目标的集中性，即显著性目标势必都是集中在一定区域，不可能散落在图像的所有区域或者绝大部分区域；所以对于步骤1分割完成的每一个区域及其相邻区域采集最近邻区域信息、全局区域信息、边角背景区域信息三类特征信息，生成深度特征显著图，用于显著性目标的检测。

步骤(4)将通过步骤2和步骤3最终得以确定的定位显著图和深度特征显著图，为了使得物体分割的更规整，使得显著性的目标和忽视的背景之间的边界性更加的清晰，对定位显著图和深度特征显著图作融合和边界处理，生成最终的显著性目标图，完成超像素分割及深度特征定位的显著性目标检测。

本发明的方法充分的考虑颜色特征，方向特征和深度特征等图像特征，同时充分考虑更关心中心而忽视周围背景，目标所在区域的特征相似性，相较于全局特征的独特性等先验知识；进而实现显著性目标的检测，使得计算机更加具有逻辑性，更加人工智能化。

实施例2

基于超像素分割及深度特征定位的显著性目标检测方法同实施例1，本发明步骤1中对待检测的目标图像的超像素分割包括有如下步骤：

1.1先假定目标图像，即原图一共有像素点n个，期望分割的总区域为k个，显然每一个分得的区域共有n/k个像素点，并且不同区域之间的距离约为可能会出现设定的中心点恰好出现在边缘上，为了避免这种情况的发生，在设定的中心周围寻找局部梯度最小的位置，把中心位置移到此局部梯度最小处。并把同一区域设定一标签号，以作标记。

1.2分别计算每个像素点到周围邻域已确定的中心点的五维特征向量欧式距离值，然后把值最小的中心点标签号赋予当前处理的像素点，。计算五维特征向量ci＝[li,ai,bi,xi,yi]^t的欧氏距离如下面三个公式所示，五维特征向量中，li,ai,bi分别代表cielab空间中颜色的亮度，红色和绿色之间的位置，黄色和蓝色之间的位置的三个颜色分量信息值，xi,yi代表像素点所在的待检测的目标图像的坐标位置信息值。

上式中，dlab代表的是像素点k和中心点i在cielab颜色空间方面的欧式距离；dxy代表的是像素点k和中心点i在空间坐标位置方面的欧式距离；di为评价像素点k和中心点i是否所属一个标签的衡量标准，它的值越大，两者之间的相似程度越接近，标签便一致；m为一个固定参数，用于平衡变量之间的关系；s为不同区域之间的距离约为

以上是设置像素点所属标签号的一个迭代周期。

1.3不断按照1.2步骤进行迭代操作，对像素点所属的标签号的准确度作进一步的优化，直到整副图像的每个像素点的所属标签号不再发生变化为止，通常，进行10次左右的迭代可以达到效果。

1.4经过迭代过程，可能会出现一些问题，比如，很小的一个区域被分割成一个超像素区域，只有一个像素点却被孤立开来形成一个超像素区域。为了去除这种情况的发生，把过小尺寸的独立区域或者孤立起来的单像素点分配给就近的标签号，完成目标图像的超像素分割。

本发明采用颜色相似性进行超像素分割，对输入图像作一个预先处理，解决了传统显著性目标检测方法目标分割效果不理想的问题，并提供一种更智能化、高效化、鲁棒性更强的显著性目标检测方法。

实施例3

基于超像素分割及深度特征定位的显著性目标检测方法同实施例1-2，本发明步骤3中采集最近邻区域信息，全局区域信息和边角背景区域信息这三类特征信息是为了充分考虑更关心中心而忽视周围背景，目标所在区域的特征相似性，相较于全局特征的独特性等先验知识，包括如下步骤：

3.1考虑中心为显著性的可能性远大于四周背景，显著性目标必然集中在一定面积的区域内，针对分割完成的每一个区域，采集其最邻近范围区域内的信息，即最近邻区域信息。

3.2考虑处理区域对整幅图像的影响程度，通过除去当前区域即分割完成的每一个区域其他区域包含的信息，即全局区域信息。

3.3针对分割完成的每一个区域代表背景特征的四个边角区域的信息，即边角背景区域信息。

通过这三个部分提供的特征信息完成采集。

实施例4

基于超像素分割及深度特征定位的显著性目标检测方法同实施例1-3，步骤3中所述的生成深度特征显著图，具体包括有：

对于分割完成的其中一个区域r，量化其深度特征显著度为：

其中，s(r)代表该区域r的显著度；π为多个因子相乘；s(r,ψ^c)代表最近邻区域信息；s(r,ψ^g)代表全局区域信息；s(r,ψ^b)代表边角背景区域信息。

通常看到草原上的一束花朵这样一副图像，会瞬间将关注点放在花朵而忽视周围的背景，这恰恰可以理解为，作为背景的绿叶在整副图像出现的概率极高，而身为显著性较大的目标花朵，在整副图像出现的概率相对较低；高的概率因为其的一般性而引起低的关注度，与此同时，低的概率却因为它的独特性而引起高的关注度；这与香农信息论不谋而合，概率低是信息量高的表示，概率高却说明其带来的信息量是较低的。因而将s(r,ψ^m)定义如下：

s(r,ψ^m)＝-log(p(r|ψ^m))

上式中，s(r,ψ^m)代表深度特征下提取的最近邻区域信息，全局区域信息，边角背景区域信息；p是一个概率值。

对最近邻区域信息，全局区域信息，边角背景区域信三类区域信息分别用其区域平均值简化上式为：

上式中d表示当前所处理的区域块r的深度平均值；是上文中所提及的ψ^m的深度平均值，其中di^m代表第m类区域信息特征的第i块区域的深度平均值，nm共有三种情况，nc代表最近邻区域信息的总数，ng代表全局区域信息的总数，nb代表边角背景区域信息的总数。

用高斯函数来估计的实现：

上式中，代表不同区域块的深度差异性的影响因子，d,d^m,nm在上文中均已经作过相关含义的解释。

本发明的深度特征显著模型充分的考虑了人眼更关心中心而忽视周围背景的特性，利用目标所在区域的特征相似性，相较于全局特征的独特性即考虑到不同区域块的深度差异性的影响因子等先验知识，使得本发明目标检测效果边缘更清晰，背景剔除更完全，目标形态分割更完整。使得计算机更加具有逻辑性，更加人工智能化。

下面给出较为详细的实例，对本发明进一步详细说明：

实施例5

基于超像素分割及深度特征定位的显著性目标检测方法同实施例1-4,其核心步骤包括有如下步骤：

步骤(1)对输入图像进行线性迭代的聚类分割：先将输入图像分割成k个区域，寻找各个区域邻域的局部梯度极小值点作为中心点，并把同一区域设定一个标签号，不同区域设定成不同的标签号，在本领域，也可以称为标签值。针对每一个像素点，寻找距离像素点邻域内五维欧式距离最小的中心点，并将中心点标签赋予待处理的像素点。设定当前像素点为距离最小的中心点的标签，参见图1，不断迭代寻找距离像素点最小的中心点，并给像素点赋予标签的过程。以一个k区域为单位，通过比较像素点和中心点的距离，设定像素点的标签，通过迭代优化完成k区域的像素点标签设定，遍历整幅图像，迭代优化过程中要进行判断操作，具体是判断是否像素点的标签值发生变化，如果标签值相对于上一次迭代过程发生变化，重复迭代操作，否则，如果标签值相对于上一次迭代过程不再发生变化，将过小尺寸的独立区域或者孤立起来的单像素点分配给就近的标签号，本例中迭代次数为10次时标签值就不再发生变化，去除孤立点形成的超像素区域，完成超像素分割。分割完成后生成可控数目的区域个数，不一定是k个区域。本例中寻找各个区域邻域为3*3邻域，寻找距离像素点邻域为2s*2s邻域。

步骤(2)利用高斯差分方法生成输入图像的定位显著图：

(2a)根据输入图像进行高斯函数滤波处理，生成1/2原图的尺度图，1/4原图的尺度图，直到1/256原图的尺度图，共8个层度的尺度图。

(2b)对构建的8个层度的尺度图再结合原图，即8个层度的尺度图加上原图形成九层尺度图。提取九层尺度图的红绿颜色差值图rg以及蓝黄颜色差值图by一共18副颜色差值图。提取九层尺度图的强度图i一共9副强度图。提取九层尺度图的gabor滤波方向图o，共提取九层尺度图的0°,45°,90°,135°四个方向的共36副方向图。

上述过程是对九层尺度图分别从三个方面提取特征图，包括颜色差值图，强度图和方向图。

(2c)由于得到的三方面特征图的同类特征之间的尺寸不一样，所以需要对三类特征图的同类特征先经过插值处理，再进行差分处理，参见图1。

(2d)不同类型的特征图之间因为其特征的度量标准不同，所以单一的幅值并不能反映显著性的重要度，先将不同类型的特征进行归一化，再融合为定位显著图，得到输入图像的定位显著图。

步骤(3)提取输入图像的深度特征显著图d：先根据步骤2的定位显著图对超像素分割后的图作一个定位处理，再充分考虑中心位置为显著性目标的可能性远大于图像四周位置和显著性目标的集中性，即显著性目标势必都是集中在一定区域内，不可能散落在图像的所有或者绝大部分区域内。对于步骤1分割完成的每一个区域及其相邻区域采集最近邻区域信息、全局区域信息、边角背景区域信息三类特征信息，生成输入图像的深度特征显著图，用于显著性目标的检测。

步骤(4)为了使得物体分割的更规整，使得显著性的目标和忽视的背景之间的边界更加清晰，将通过步骤2中得到的定位显著图和步骤3最终得到的深度特征显著图，对定位显著图和深度特征显著图作融合和边界处理，生成最终的显著性目标图，完成超像素分割及深度特征定位的显著性目标检测。

通过本发明的目标检测，得到边缘更清晰，背景剔除更完全，目标形态分割更完整的目标检测效果。

下面结合附图和仿真数据对本发明的技术效果详细说明：

实施例6

基于超像素分割及深度特征定位的显著性目标检测方法同实施例1-5，本例通过仿真对本发明方法中超像素分割部分作效果展示和结果分析。

仿真条件为：pc机，amda8-7650kradeonr7，10computecores4c+6g，3.3ghz，4gb内存；matlabr2015b。

仿真内容是对采用本发明对办公室墙角和图书馆场景进行超像素分割。

图2为本发明方法中通过超像素分割后的效果图，其中图2(a)为办公室墙角的分割效果图，图2(b)为图书馆场景内分割效果图。

图2中，没有网格就是本发明选用的原始图像，网格为本发明方法通过超像素分割后的效果图。

图像的组成往往是一个个像素点独立的出现，但是检测到的目标不可能为单个像素点而是都占有一定的面积，拥有多个像素点，并且像素点之间具有一定的共性而非一个个独立开来。因而鉴于这些特性，本发明将图像超像素分割为具有一定共性的同区域和差异性的不同区域。用超像素区域块来替代数目庞大的单个独立像素点，降低计算机对图像的处理复杂度。

参见图2(a)是一个办公室墙角的盆栽场景图，图中除了墙角有一个盆栽以外，其它地方是简单的背景。通过本发明检测效果可见，对于除去盆栽处的其它地方，由于其特征单一，本发明对输入首先进行超像素分割，分割结果不论是在大小还是形状上都很规整。计算机处理本图像时，由于已经进行了同类分割，不用再一一细致处理，从而降低了处理的复杂度。对于盆栽所在处，由于其特征多变，通过本发明方法也能够将其绿叶和白色盆按照相似和差异特征细致的分割。再以同类和不同类的区域为单位对图像进行处理，提高了计算机对图像的处理速度。图2(b)是一个图书馆场景图，在图书馆单一背景内放置了八幅展品，其中一幅展品放置在场景正中间，虽然(b)的场景相对(a)复杂许多，但是图中仍然存在单一墙面区域。根据效果展示可以看出，对于特征单一的墙面，分割情况不论是在大小还是形状上都很规整。对于放置了展品的地方，本发明方法也能将同类特征和不同特征清晰的分割。凡是要检测的图中，都会不容程度的存在类似于单一墙面的同类型区域。本发明计算机处理的时候以区域为单位，有效降低计算机对图像的处理复杂度。

本发明利用线性迭代实现的聚类分割方法相较于传统的超像素分割方法，区域的分割情况不论是在大小还是形状上都很规整，不同区域之间边界的分割处理效果更清晰。

实施例7

基于超像素分割及深度特征定位的显著性目标检测方法同实施例1-5，本例通过仿真进行目标检测和结果分析。

仿真条件同实施例6。

仿真内容：针对选取的十幅图通过本发明与全局对比度显著检测gcs也即rare，测地距离显著检测gs，基于图论的显著性检测gbmr，分层次显著性检测hsd，统计纹理的显著性检测std五类方法在同一个图像进行效果对比。选择的图像包含室内外场景图像，办公室场景，校园内区域，公园等。

参见图3，图3(a)为选取的原始图像，图3(b)为本发明检测效果图，图3(c)为gs方法效果图，图3(d)为gbmr方法效果图，图3(e)为rare方法效果图，图3(f)为hsd方法效果图，图3(g)为std方法效果图，图3(h)为人工标记图。

对于办公室场景内的盆栽图，本发明和gbmr方法展现出优势，不仅能检测出显著性目标的位置，其基本的形态也能展示出来，其他几类方法虽也大体展示出了目标形态，但是背景剔除的并不完全，尤其是hsd和std这两个方法，背景残留很大一部分区域。对于简单场景下的篮球检测图，这六类方法都能很好的检测出来目标物体的形态，接近人工标记的结果图，符合结果要求。对于单目标的屋顶红灯笼，此场景因为屋顶也是红色的，所以屋顶的干扰效果比较明显，在此情景下，这几类方法都能将目标物体检测出来，但可以看出来gs方法和std方法对于干扰强烈的红屋顶并没有剔除干净。对于有双目标的屋顶红灯笼图，由于本文所提方法涉及到定位显著图，所以对于多目标的检测有一定局限性，只是更侧重检测了左边的目标，最好的检测出该场景目标的方法是hsd方法，但hsd方法和其他方法虽能检测出目标的位置，但是对于作为强烈干扰的屋顶背景都剔除的不完全，残留的背景区域都过于明显，这一点本发明并没有受到强烈干扰项屋顶的影响，检测出来的单个目标周围背景剔除的比较干净。对于墙面内有多个同类的古迹文字，显然人眼仅会关注该场景内最中间且占场景面积最大的中间这块古迹文字区，对于该场景，hsd方法却把其干扰的上方和右方的微小同类面积去当成显著性目标检测出来了，这显然是不合理的，rare方法和std方法也是同样的情况，而gs方法和gbmr方法结果则比较理想。对于公园场景内的标示牌图，本发明相较于其他几类方法展现出其明显的优势，最接近人工标记图。对于博物馆馆内的这三幅图，本发明那和gs方法以及hsd方法更能展现其优势，对于目标的形态位置都检测的比较理想，但是gs方法和hsd方法像其他方法一样，都有为剔除的背景区域，这是检测结果图总所不需要的部分。对于场景相对简单的数字9的检测，除了rare方法效果不理想，其他五类算法的结果都比较接近人工标记图所展示的图像。总体来说，本发明所提出的目标检测方法，在各类场景上的检测效果在边缘清晰度，背景剔除度，目标形态分割方面更优于其他五类方法。

实施例8

基于超像素分割及深度特征定位的显著性目标检测方法同实施例1-5，本例通过仿真进行目标检测结果性能分析。

仿真条件同实施例6。

仿真内容：针对选取的五百幅图通过本发明与全局对比度显著检测gcs也即rare，测地距离显著检测gs，基于图论的显著性检测gbmr，分层次显著性检测hsd，统计纹理的显著性检测std五类方法在同一个图像进行效果对比。选择的图像包含室内外场景图像，办公室场景，校园内区域，公园等。

参见图4，本发明和五类方法的检测效果性能分析，通过准确性(precision)指标和召回率(recall)指标来反应算法的性能，作如下定义：

tp：得到的显著图和人工标定显著图中目标区域的交集；

tn：得到的显著图和人工标定显著图中非目标区域的交集；

fp：得到的显著图的人工标定显著图中非目标区域的交集；

fn：得到的显著图的人工标定显著图中目标区域的交集；

可知：

分别计算本发明和五类方法的precision和recall指标。不难看出，这几类比较的显著性目标检测方法中，本发明展现出更优的效果，auc(areaundercurve)值达到0.6888，次优的为gbmr方法，其auc值为0.6093。随着召回率的不断增大，整体的精确度都是下降的趋势。并且召回率为0到0.8时候，本发明的precision指标都明显优于其他类方法。直到召回率接近0.8的时候，本发明的precision指标才降到0.6以下，充分表明本发明能更优秀的实现检测，更接近人工标记图，背景剔除更完全，目标形态分割更完整。

简而言之，本发明设计并提出一种基于超像素分割及深度特征定位的显著性目标检测方法。利用五维欧式距离的颜色相似性线性迭代的超像素分割方法，把图像的处理单位由单独像素点上升到集体类似区域，使得检测到的目标和复杂背景边缘能够清晰的分离出来，解决了传统显著性目标检测方法目标边缘分割效果不理想的问题。充分考虑颜色特征，方向特征和深度特征等图像特征，结合人眼更关心中心而忽视周围背景的特性、显著性图像所在区域的特征相似性、相较于全局特征的独特性的先验知识。进而通过算法模拟这些特征生成输入图像的定位显著图和深度特征显著图，对其进行融合和边界处理，生成最终的具有类似于人眼注意机制的显著图。使得计算机更加具有逻辑性，更加人工智能化，具有类似于人的逻辑理解能力，或者说更智能化、高效化、鲁棒性更强。经本发明检测的图像效果边缘更清晰，背景剔除更完全，目标形态分割更完整。用于人脸识别，车辆检测，运动目标检测跟踪，军事导弹检测，医院病理检测等各个领域。