1.基于矩阵低秩稀疏分解的目标显著性检测方法，其特征在于：包括如下步骤：(1)给定一张输入图像I，首先通过线性迭代聚类方法将其分割成互不重叠的N个超像素块；

D

(2)对于每个超像素块Pi提取一个D维的特征向量，记为fi∈R ；然后，将所有超像素块Pi的特征向量整合成一个表示图像I的特征矩阵：D×N

F＝[f1,...,fN]∈R ；

(3)对每个超像素块Pi分别提取位置Lo(i)、颜色Co(i)和边缘Bo(i)先验，并将其融合为一个背景先验Ω(i)＝Lo(i)·Co(i)·Bo(i)，从而得到背景先验权重Ω；

(4)将特征矩阵F分解成低秩矩阵与稀疏矩阵的和，即F＝L+S，所述低秩矩阵表征图像背景，所述稀疏矩阵表征显著目标；然后，利用加权Schattenp‑范数约束低秩矩阵对于显著目标，则用树结构稀疏l2,1范数 和拉普拉斯正则化(Tr(SMFSΤ

))对其进行约束；

(5)采用交替方向乘子法对分解模型进行求解，得出显著目标的检测效果图；

步骤(4)中，对低秩背景的加权Schattenp‑范数约束为

2 2 ‑16

其中权重为 C＝2max(m ,n),ε＝10 ；

利用有t层的索引树T表示图像块之间的空间关系，其中 表示树T的第i层的所有节点集合，bi表示第i层的所有节点个数， 则基于加权树结构稀疏的l2,1范数表示为：

其中 为矩阵S对应节点 的子矩阵， 表示节点 的权重，其表达式为为保留图像固有局部结构，对显著目标进行拉普拉斯正则化约束N×N

其中si表示S的第i列元素，Θ∈R 为图像关联矩阵，其表达式为为图像拉普拉斯矩阵， 所以优化模型为s.t.F＝L+S,

步骤(5)中，优化模型的拉格朗日函数为：其中Y1和Y2是拉格朗日乘子，μ＞0是惩罚参数，J为辅助变量；用交替方向乘子法求解模型的步骤如下：D×N

1)输入：特征矩阵F∈R ，索引树 低秩权重W，稀疏权重 参数p，α，和β；

2)初始化：L0＝0，S0＝0，辅助变量J0＝0，拉格朗日乘子Y1,0＝0，Y2,0＝0，惩罚因子μ0＝

10

0.1，μmax＝10 ，ρ＝1.1，以及迭代次数k＝0；

3)分别更新Y1,k+1＝Y1,k+μk(F‑Lk+1‑Sk+1)，Y2,k+1＝Y2,k+μk(Sk+1‑Jk+1)以及μk+1＝min(ρμk,μmax)；

4)重复步骤6)，直到满足收敛条件时停止；

5)输出：L和S。

2.根据权利要求1所述的基于矩阵低秩稀疏分解的目标显著性检测方法，其特征在于：2

步骤(3)中，对于每个超像素，位置先验为 其中σ为高斯分布方差，c为图像中心；颜色先验根据人眼对暖色系的敏感程度获取；边缘先验则是其中B表示边缘超像素集合，qi表示超像素Pi内的像素个数，|·|表示交集长度，即两个超像素块连接的像素个数；然后将三个先验值相乘，得到每个超像素对应的背景先验；最后，得到背景先验权重为