1.一种基于标签上下文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：训练图像集I，所述图像集I包含Q幅图像；每个所述图像都带有标签信息，标签的集合T包含N个标签，所述训练图像集I对应的基准显著图集S；

步骤02：对于训练集中的图像Ij，读取其对应的基准显著图为Sj，对应的标签序列为其中， 为标签i在所有训练图片中出现的情况；

步骤03：将图像Ij对应的标签序列映射到图像的不同区域，即对图像进行分割，得到的分割区域序列为步骤04：根据图像Ij的基准显著图Sj计算所述分割区域序列中每个区域对应的显著值步骤05：根据所述分割区域序列 的显著值序列计算标签的相关性；

步骤06：对训练集的每幅图像进行步骤02到步骤05的计算，得到影响因子矩阵的集合M＝{M1，M2，…，Mi，…，MN}；

步骤07：计算所述矩阵集合M的平均影响因子矩阵

2.如权利要求1所述的基于标签上下文的显著区域提取方法，其特征在于，当所述向量时，表示第i个标签出现；当 时，表示第i个标签没有出现。

3.如权利要求2所述的基于标签上下文的显著区域提取方法，其特征在于，所述分割区域 的显著值 计算方法为 等于区域 中所有元素对应显著值的平均值，得到区域序列对应的显著值序列

4.如权利要求3所述的基于标签上下文的显著区域提取方法，其特征在于，所述步骤06为通过两个标签对应的区域的显著值推理两个标签之间的上下文关系。

5.如权利要求4所述的基于标签上下文的显著区域提取方法，其特征在于，所述计算标签的相关性的计算方法以下：

1)若出现的标签m和标签n对应的区域不同，且 1≤m≤N，1≤n≤N，标签m和标签n之间的影响因子αmn＝0，αnm＝0，认为标签m和标签n之间不相互影响；

2)若出现的标签m和标签n对应的区域不同，且 1≤m≤N，1≤n≤N，则认为标签m和标签n之间相互影响；当 时，表示标签n对标签m有促进作用，标签m对标签n有抑制作用；当 时，表示标签n对标签m有抑制作用，标签m对标签n有促进作用，其中，

3)若出现的标签m和标签n对应的区域相同，则αmn＝0；

4)标签m对标签m之间的影响因子为αmm＝0；

5)如果标签m和标签n没有同时出现或同时不出现，则规定αmn＝0。

6.如权利要求5所述的基于标签上下文的显著区域提取方法，其特征在于，当所有影响因子计算完成后，得到训练图像j的标签之间的影响因子矩阵Mj，其中，Mj是N×N的方阵。

7.如权利要求6所述的基于标签上下文的显著区域提取方法，其特征在于，所述平均影响因子矩阵 的计算公式为：其中，第j个标签受其他所有标签的影响因子为 βji表示平均影响因子矩阵的一个元素。

8.如权利要求7所述的基于标签上下文的显著区域提取方法，其特征在于，所述测试阶段包括以下子步骤：步骤11：计算测试图像img的显著图simg；

步骤12：将测试图像img对应的标签序列映射到图像区域，得到分割区域集合步骤13：通过平均影响因子矩阵 对测试图像的显著值进行调整，得到所述测试图像img的最终的显著图。

9.如权利要求8所述的基于标签上下文的显著区域提取方法，其特征在于，所述调整方法为：测试图像中的像素p的显著值为 像素p对应的区域标签为第xp个标签，1≤xp≤N，则第xp个标签受其他所有标签的影响因子为 则像素p修正后的显著值为 所有元素调整完毕后对图像的显著值进行归一化。

10.一种基于标签上下文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：训练图像集I，所述图像集I包含Q幅图像；每个所述图像都带有标签信息，标签的集合T包含N个标签，所述训练图像集I对应的基准显著图集S；

步骤02：对于训练集中的图像Ij，读取其对应的基准显著图为Sj，对应的标签序列为其中， 为标签i在所有训练图片中出现的情况；

步骤03：将图像Ij对应的标签序列映射到图像的不同区域，即对图像进行分割，得到的分割区域序列为步骤04：根据图像Ij的基准显著图Sj计算所述分割区域序列中每个区域对应的显著值步骤05：根据所述分割区域序列的显著值序列 计算标签的相关性；

步骤06：对训练集的每幅图像进行步骤02到步骤05的计算，得到影响因子矩阵的集合M＝{M1，M2，...，Mi，...，MN}；

步骤07：并计算所述矩阵集合M的平均影响因子矩阵