1.融合颜色对比图和颜色空间分布图的图像显著性检测方法，其特征在于：该方法的具体步骤是：步骤1、将输入图像进行平滑处理，得到平滑图像；

步骤2、利用SLIC超像素分割算法将平滑图像分割成超像素图，并计算每个超像素的平均颜色和平均位置：其中，Ri表示第i个超像素，像素Ii∈Ri， 为像素Ii的颜色向量， 为像素Ii的位置向量，ci为Ri中所有像素的平均颜色向量，pi为Ri中所有像素的平均位置向量，|Ri|表示Ri中像素的个数；

步骤3、利用中心-周围原则计算超像素图中每个超像素的颜色对比值Fi，得到颜色对比图；

其中，C(ci,cj)＝||ci-cj||表示ci与cj的欧氏距离，Wp(pi,pj)是调节对比值的空间权重，P(pi,pj)＝||pi-pj||表示pi与pj的欧氏距离；1/Zi是使得 的归一化因子，σp取值0.5，exp为指数运算，N＝|Ri|-1，cj为Rj中所有像素的平均颜色向量，pj为Rj中所有像素的平均位置向量，Rj表示第j个超像素；

步骤4、利用K-Means聚类算法把平滑图像按照颜色聚类分割为M个类，M≤10，得到聚类图，类又称为颜色分量；按下式计算每个颜色分量的平均颜色和平均位置；

其中，Gi表示第i个颜色分量，像素Pi∈Gi， 为像素Pi的颜色向量，颜色向量采用l分量、a分量和b分量表达，Pip为像素Pi的位置向量；cgi为颜色分量Gi的平均颜色向量，即颜色分量Gi在颜色上的聚类中心；pgi为颜色分量Gi的平均位置向量，即颜色分量Gi在空间上的聚类中心，|Gi|表示颜色分量Gi中像素的个数；

步骤5、计算聚类图中的类内空间方差、类间空间方差以及类内颜色方差；

其中，Viin和Viout分别表示颜色分量Gi的类内空间方差和类间空间方差， 表示颜色分量Gi的类内颜色方差， 表示颜色分量Gj在空间上的聚类中心；

步骤6、将步骤5求得的类间空间方差、类内空间方差以及类内颜色方差非线性组合成初步的颜色空间分布值；

采用高斯权值为类内颜色方差分配权重，即 取5；

步骤7、由聚类图得出每个类初步的颜色空间分布值之后，映射到超像素图上进行优化，得到优化的颜色空间分布值Di′，并进行归一化处理，得到优化的颜色空间分布图：其中，Ui是指超像素Ri的邻接超像素个数；Ki和Kj分别是超像素Ri和超像素Rj的初步的颜色空间分布值，vi指超像素Ri中每个像素点初步的颜色空间分布值；

步骤8、融合颜色对比图和优化的颜色空间分布图，得到显著图；

Si＝Fi·Di′        (11)

由于Fi和Di′都与显著图成正比，所以，若某一处超像素的灰度值为零，从公式(11)得出最后的显著图中相应的Si也为零。

2.根据权利要求1所述的融合颜色对比图和颜色空间分布图的图像显著性检测方法，其特征在于：C(ci,cj)表达了超像素Ri与超像素Rj的颜色差，颜色差计算时只取a分量和b分量两个通道的差异。