1.一种快速流形排序和低秩约束的协同显著性检测方法，其特征在于，包括以下步骤：步骤1、基于快速流形排序算法得到第一阶段协同显著图：步骤1.1、对于给定的一组输入图像 M为该组输入图像的数目，用LAB空间颜色来表示每一个像素点，构建数据点集χ＝{x1,x2,...,xn}，其中xk代表用LAB空间颜色表示的某一像素，n代表该组输入图像所有像素数目；

步骤1.2、利用聚类算法选择d个聚类中心作为锚点{u1,u2,...,ud}，每一个数据点xk与距它最近的s个锚点相连，s＜d，计算所有数据点与各自最近的s个锚点之间的关联权重zkp，并组成一个关联矩阵Z∈Rd×n；

步骤1.3、使用单张显著性检测算法得到的显著图 作为原始标签信息,并计算计算每一张显著图SMi的均值thi，当像素大于均值thi，则yi被赋值“1”，否则yi被赋值“0”，得到初始列向量y＝[y1；y2；...；yM]；

步骤1.4、采用快速流形排序算法，得到每张输入图像二值化的协同显著图 即第一阶段协同显著图；

步骤2、基于快速流形排序得到第二阶段协同显著性图：步骤2.1、在得到的第一阶段协同显著图 的基础上为每张图像选取不同的标签信息，每一次选取的标签为一张协同显著图 的值；

步骤2.2、将第一阶段协同显著图 重构为列向量y1，此步骤共有M次循环，在第i次循环中，保留y1中第i张图像的标签信息，而其余协同显著图的标签信息置0；

步骤2.3、对于每一张输入图像Ii，得到M张协同显著图 即第二阶段协同显著性图；

步骤3、协同显著性分割：

步骤3.1、利用超像素分割法对输入图像Ii划分超像素，一张输入图像Ii表示成一组超像素集合 其中ni表示图像Ii中超像素的数目；

步骤3.2、对每张协同显著图 通过阈值化得到二值图Bij；

步骤3.3、根据二值图Bij得到协同显著图 所对应的分割区域fij＝Ii·Bij；

步骤4、低秩约束：

步骤4.1、步骤3分割出的显著性区域fij之间具有相似属性，为了表示这种相似属性，利用三维颜色直方图来表示分割出的每一个显著性区域，将每一个颜色通道分为q个区间，总计Q＝q3个颜色区间，统计每一个显著性区域在每一个颜色区间的像素个数，用以表示该显著性区域的颜色直方图，记为hij∈RQ×1，将所有分割出的显著性区域表示为特征矩阵步骤4.2、特征矩阵H具有低秩性质，将特征矩阵表示为H＝L+S，L代表低秩部分，S代表稀疏部分；

步骤4.3、求解稀疏矩阵S，基于稀疏矩阵S计算每一张协同显著图 的差异值ζij：ζij＝-||Sij||2

其中，Sij为矩阵S第i行第j列元素，||·||2代表矩阵的l2范数；

步骤5、基于差异值计算自适应权重并得到融合图：步骤5.1、定义每一张协同显著图 的自适应权重σij：步骤5.2、将自适应权重σij与协同显著图 进行融合，得到融合图：步骤6、优化平滑融合图，得到最终的协同显著性检测结果。

2.根据权利要求1所述快速流形排序和低秩约束的协同显著性检测方法，其特征在于，在步骤1.2中，聚类算法采用k-means算法。

3.根据权利要求1所述快速流形排序和低秩约束的协同显著性检测方法，其特征在于，在步骤1.2中，关联权重zkp的计算公式如下：其中，up∈{u1,u2,...,ud}，λk＝|xk-us|，us为所有锚点中距离xk第s近的锚点，

4.根据权利要求1所述快速流形排序和低秩约束的协同显著性检测方法，其特征在于，在步骤1.4中，快速流形排序算法的函数r*如下：其中， W＝ZTZ，D为对角矩阵，其对角元素 Wkv为矩阵W第k行v列的元素， 为权值系数。

5.根据权利要求4所述快速流形排序和低秩约束的协同显著性检测方法，其特征在于，权值系数

6.根据权利要求1所述快速流形排序和低秩约束的协同显著性检测方法，其特征在于，在步骤3.1中，采用超像素分割法采用SLIC法。

7.根据权利要求1所述快速流形排序和低秩约束的协同显著性检测方法，其特征在于，在步骤3.2中，通过如下公式获得二值图Bij：其中，x∈SPi，avg用来计算超像素x所包含的所有像素点在显著图 上的显著值的平均值，Tij为阈值， 为控制这个阈值的系数。

8.根据权利要求7所述快速流形排序和低秩约束的协同显著性检测方法，其特征在于，

9.根据权利要求1所述快速流形排序和低秩约束的协同显著性检测方法，其特征在于，在步骤4.3中，采用RPCA算法求解S：min(||L||*+λ||S||1)

s.t.H＝L+S

其中，||·||*代表矩阵的核范数，||·||1代表矩阵的l1范数，λ为用来控制矩阵S的稀疏程度的参数。

10.根据权利要求1所述快速流形排序和低秩约束的协同显著性检测方法，其特征在于，步骤6的具体过程如下：步骤6.1、采用图割的方法对融合图进行平滑；

步骤6.2、利用Max-Flow方法得到第i张输入图像基于前景概率的每个像素点的前景图Mi；

步骤6.3、计算最终的协同显著性检测结果CSfinal：