1.一种基于深度学习的显著区域提取方法，包括训练步骤和测试步骤，其特征在于，所述训练步骤包括以下子步骤：步骤01：进行超像素分割；对训练集的每幅图像采用超像素分割算法进行分割预处理，1

得到训练集图像的超像素集合 其中，M为集合R 中超像素的个数，i表示处理的是第i块超像素区域；

1

步骤02：进行超像素集合的筛选；对所述训练集图像的超像素集合R中的每一个超像素区域和其邻域进行对比度判断，筛选出满足对比度判别阈值要求的超像素区域，获得满足2

要求的超像素集合 其中，N为集合R中超像素的个数；超像素区域对比度判别函数如下：

1

其中， 表示集合R中的当前超像素区域， 表示 的邻域，j表示第j块超像素区域；

和 表示区域 和 的RGB颜色直方图； 和 表示

1 1 1 1

区域 和 的HSV颜色直方图；HLab(ri)和HLab(rj)表示区域ri 和rj 的Lab颜色直方图；d()表示颜色距离；是归一化参数，2

步骤03：生成训练区域块；对筛选后的所述超像素集合R中的每一个超像素区域提取三种区域：当前超像素区域 的外接矩形框区域sa、外接矩形框区域sa的邻近区域ssa和图像3

中去除外接矩形框区域sa的剩余区域sssa,1≤a≤N；得到训练区域块集合R ＝{s1,ss1,sss1,s2,ss2,sss2,…,sa,ssa,sssa,…,sN,ssN,ssN}；

步骤04：提取所述训练区域块的特征；

步骤05：标注所述训练区域块；

步骤06：训练卷积神经网络。

2.如权利要求1所述的基于深度学习的显著区域提取方法，其特征在于，所述步骤04包3

括把所述训练区域块集合R输入到深度网络，提取CNN特征。

3.如权利要求2所述的基于深度学习的显著区域提取方法，其特征在于，将所述当前超像素区域 的外接矩形框区域sa的特征fa1、所述邻近区域ssa的特征fa2和所述图像中去除外接矩形框区域sa的剩余区域sssa的特征fa3连接后得到总特征为Fa。

4.如权利要求3所述的基于深度学习的显著区域提取方法，其特征在于，所述步骤05包括判断当前超像素区域 中至少x％的像素在基准二值标注中为显著时，所述区域块被标注为显著，否则标注为不显著。

5.如权利要求4所述的基于深度学习的显著区域提取方法，其特征在于，得到训练区域3

块的集合R及其相应的显著标签集合L＝{l1，l2，…，lb，…，lN}。

6.如权利要求5所述的基于深度学习的显著区域提取方法，其特征在于，所述步骤06为通过随机下降的方法对所述卷积神经网络进行训练。

7.如权利要求6所述的基于深度学习的显著区域提取方法，其特征在于，采用权重作为softmax回归模型损失函数的正则项，目标函数的公式为：其中，θ是可学习的参数，包括卷积神经网络各层的权重和偏置；l{·}是符号函数，当m＝1时，P(lb＝m|θ)表示显著标签lb对应的当前超像素区域 预测为显著区域的概率；λ是权重衰减参数；Wk代表第k层的权重。

8.如权利要求7所述的基于深度学习的显著区域提取方法，其特征在于，所述测试步骤包括以下子步骤：步骤11：进行超像素分割；

步骤12：生成测试区域块集合；

步骤13：进行显著性预测。

9.如权利要求8所述的基于深度学习的显著区域提取方法，其特征在于，所述步骤11为对测试图像采用超像素分割算法进行分割预处理， 其中，X为4

集合R中超像素的个数。

10.如权利要求9所述的基于深度学习的显著区域提取方法，其特征在于，所述步骤124

为对所述测试图像R的超像素集合中的每个超像素区域，提取三种区域：当前超像素区域的外接矩形框区域pc、外接矩形框区域pc的邻近区域ppc和图像中去除外接矩形框区域pc的剩余区域pppc，其中，1≤c≤X。

11.如权利要求10所述的基于深度学习的显著区域提取方法，其特征在于，得到测试区域块集合R′＝{p1,pp1,ppp1,…,pc,ppc,pppc,…,pX,ppX,pppX}。

12.如权利要求11所述的基于深度学习的显著区域提取方法，其特征在于，所述步骤13为将所述测试区域块集合R′输入卷积神经网络，提取特征，然后通过训练好的模型预测各个区域为显著区域的概率。

13.一种基于深度学习的显著区域提取系统，包括训练模块和测试模块，其特征在于，所述训练模块的训练方法包括以下子步骤：步骤01：进行超像素分割；对训练集的每幅图像采用超像素分割算法进行分割预处理，1

得到训练集图像的超像素集合 其中，M为集合R中超像素的个数，i表示处理的是第i块超像素区域；

1

步骤02：进行超像素集合的筛选；对所述训练集图像的超像素集合R中的每一个超像素区域和其邻域进行对比度判断，筛选出满足对比度判别阈值要求的超像素区域，获得满足2

要求的超像素集合 其中，N为集合R中超像素的个数；超像素区域对比度判别函数如下：

1

其中， 表示集合R 中的当前超像素区域， 表示 的邻域，j表示第j块超像素区域；

和 表示区域 和 的RGB颜色直方图； 和 表示

1 1 1 1

区域 和 的HSV颜色直方图；HLab(ri)和HLab(rj)表示区域ri 和rj的Lab颜色直方图；d()表示颜色距离；是归一化参数，2

步骤03：生成训练区域块；对筛选后的所述超像素集合R中的每一个超像素区域提取三种区域：当前超像素区域 的外接矩形框区域sa、外接矩形框区域sa的邻近区域ssa和图像3

中去除外接矩形框区域sa的剩余区域sssa,1≤a≤N；得到训练区域块集合R ＝{s1,ss1,sss1,s2,ss2,sss2,…,sa,ssa,sssa,…,sN,ssN,sssN}；

步骤04：提取所述训练区域块的特征；

步骤05：标注所述训练区域块；

步骤06：训练卷积神经网络；

所述系统按照如权利要求1所述的方法提取测试图像的显著区域。