本书密切跟踪国际前沿研究主流的发展趋势，探析了显著区域提取的研究方向、显著区域的提取方法及其应用，以显著性检测的关键因素为导向，以论述基础概念、研究相关算法、提出可行模型为主线，构建了面向社群图像的显著性数据集，提出了显著区域提取模型，并利用显著性检测技术有效地解决了对象类图像库的分类问题。 本书可作为高等院校和科研机构计算机科学与技术相关专业本科生和研究生的教学参考书，也可以作为计算机视觉领域技术人员的参考书。

梁晔，2004.7-至今，一直在北京联合大学（北京市信息服务工程重点实验室）从事图像处理方面的教学和研究工作，发表过多部相关著作和教材。承担了多项省部级相关课题，如国家自然科学基金项目“无人车多视视频信息获取与定位关键技术”（项目编号：61871038）等。

目 录
第1章 绪论 1
1.1 研究背景和意义 1
1.2 研究现状 6
1.2.1 显著区域提取方法的研究现状及分析 6
1.2.2　显著性数据集的研究现状及分析 12
1.3　本书的主要研究内容 18
1.4 本书的内容安排 19
第2章　面向社交媒体图像的显著性数据集 21
2.1　引言 21
2.2　数据集的图像筛选原则与性能评测方法 22
2.2.1　图像筛选原则 22
2.2.2　数据集的性能评测方法 25
2.3　面向社交媒体图像的显著性数据集的构建 30
2.3.1　图像来源 30
2.3.2　图像标注 31
2.3.3　图像筛选 32
2.3.4　数据集的统计分析与性能评测 32
2.3.5　数据集的典型图像 36
2.3.6　数据集的标签信息统计 38
2.4　本章小结 38
第3章 基于标签上下文的显著区域提取方法 40
3.1 引言 40
3.2 显著区域提取流程 41
3.3 显著区域提取方法建模 43
3.3.1 条件随机场模型介绍 43
3.3.2 提取方法的模型描述 43
3.4 基于图像外观的显著性计算 45
3.4.1 多尺度的区域分割 45
3.4.2 显著性计算 46
3.4.3 空间一致性优化 47
3.4.4 多尺度显著图融合 48
3.5 标签语义特征计算 48
3.6 实验 50
3.6.1 实验设置 50
3.6.2 评价指标 52
3.6.3 标签有效性的验证实验 53
3.6.4 与流行方法的比较 56
3.7 本章小结 61
第4章 基于多特征的显著区域提取方法 62
4.1 引言 62
4.1.1 图像特征的获取方法 62
4.1.2 卷积神经网络 63
4.1.3 基于层次结构的显著区域提取方法 65
4.2 基于多特征的显著区域提取方法流程 66
4.3 基于深度学习特征的显著区域提取 67
4.3.1 基于CNN特征的显著性计算 67
4.3.2 标签语义特征计算 71
4.3.3 显著图和标签语义图的融合 72
4.4 基于人工设计特征的显著区域提取 72
4.5 图像依赖的显著图动态融合 74
4.5.1 方法思想 74
4.5.2 训练阶段 76
4.5.3 测试阶段 76
4.5.4 基于投票机制的显著图融合 77
4.6 空间一致性优化 79
4.7 实验 80
4.7.1 实验设置 80
4.7.2 SID数据集上的实验 82
4.7.3 流行数据集上的实验 89
4.7.4 基于深度学习特征提取方法和基于人工设计特征提取方法的比较 91
4.8 本章小结 92
第5章 显著性在图像分类中的应用 93
5.1 基于显著性的图像分类框架 93
5.1.1 分析思想的由来 93
5.1.2 图像库的显著性分析 95
5.1.3 分类框架 96
5.2 特征编码技术和特征池化技术 97
5.2.1 符号说明 97
5.2.2 特征编码技术 98
5.2.3 特征池化技术 101
5.3 面向场景类图像库的分类方法 104
5.3.1 多环划分的特征池化区域选择方法 104
5.3.2 多视觉词硬编码方法 107
5.3.3 实验 108
5.4 面向对象类图像库的分类方法 112
5.4.1 基于显著性和空间局部约束的软编码方法 112
5.4.2 实验 114
5.5 本章小结 116
第6章 总结与展望 117
6.1 总结 117
6.2 展望 118
参考文献 120