1.基于FCN与低秩稀疏分解的感兴趣区域检测方法，包括下列步骤：步骤1：对原图像进行超像素聚类，并提取每个超像素的颜色、纹理和边缘特征，据此构成特征矩阵；

步骤1‑1：提取图像的R、G、B三通道灰度值以及色调和饱和度描述图像的颜色特征；

步骤1‑2：采用可控金字塔滤波器对图像作多尺度和多方向分解，选取3个尺度、4个方向的滤波器，得到12个响应作为图像的边缘特征；

步骤1‑3：采用Gabor滤波器提取不同尺度、不同方向上的纹理特征，选取3个尺度、12个方向，得到36个响应作为图像的纹理特征；

步骤1‑4：利用mean‑shift聚类算法对图像进行超像素聚类，得到N个超像素{pi|i＝1，

2，3，…，N}，计算每个超像素中所有像素特征的均值表示该超像素的特征值fi，所有超像素d×N

特征共同构成特征矩阵F＝[f1，f2，…fN]，F∈R ；

步骤2：基于梯度下降法利用MSRA标记的数据库学习得到特征变换矩阵，在此基础上对特征矩阵F进行特征变换；

N×N

步骤2‑1：构造标记矩阵Q＝diag(q1，q2，…，qN)∈R ，如果超像素pi在人工标注的显著性区域内，qi＝0，否则qi＝1；

步骤2‑2：根据以下优化模型，利用数据库中K幅图像学习特征变换矩阵T，s.t.||T||2＝c

其中， 为第k幅图像的特征矩阵，Nk表示第k幅图像的超像素个数， 为第k幅图像的标记矩阵，||·||*表示矩阵的核范数，即矩阵的所有奇异值之和，||T||2表示矩阵T的 范数，c是一个常数，阻止T任意变大或变小；

步骤2‑3：利用梯度下降法求解梯度下降方向：步骤2‑4：利用以下公式更新特征变换矩阵T，直到算法收敛至局部最优，其中α为步长；

步骤3：利用全卷积神经网络学习得到高层语义先验知识；

步骤3‑1：将训练图像标记成前景和背景两类；

步骤3‑2：训练网络得到FCN‑8s模型；

步骤3‑3：对于每一幅待处理图像，利用训练好的FCN‑8s模型进行处理，输出基于FCN的N×N

语义先验知识，据此构建高层语义先验知识矩阵P∈R ：其中pri表示FCN测试结果图像中超像素pi内所有像素的均值；

步骤4：利用学习得到的特征变换矩阵T和高层语义先验知识P对特征矩阵F进行变换，得到特征变换后的矩阵，

A＝TFP

d×N d×d N×N

其中，F∈R 是特征矩阵，T∈R 是学习得到的特征变换矩阵，P∈R 是高层先验知识矩阵；

步骤5：利用鲁棒主成分分析算法对变换后的矩阵进行低秩稀疏分解，求解以下公式：s.t.A＝L+S

d×N d×N d×N

其中，A∈R 是特征变换后的矩阵，L∈R 表示低秩矩阵，S∈R 表示稀疏矩阵，||·||*表示矩阵的核范数，即矩阵的所有奇异值之和，||·||1表示矩阵的 范数，即矩阵中所有元素的绝对值之和，由以下公式计算出显著图：*

Sal(pi)＝||S(：，i)||1* * *

其中，S是稀疏矩阵的最优解，Sal(pi)表示超像素pi的显著值，||S (：，i)||1表示S的第i列向量的 范数，即向量中所有元素的绝对值之和。