图像显著性检测方法、装置、存储介质及电子设备与流程

本公开涉及图像处理技术领域，具体地，涉及一种图像显著性检测方法、装置、存储介质及电子设备。

背景技术：

人类的视觉系统在面对复杂场景时，可以在极短的时间内过滤掉不必要的背景信息，快速准确地获取目标。因此，借鉴这种视觉注意机制，在图像处理技术领域，出现了图像显著性检测算法，从而可以在海量的图像数据中快速获取重要信息。

但是，相关技术中的显著性检测算法通常是针对图像中的每一个像素点进行显著值计算，计算量较大。并且，如果图像中的场景较复杂，根据相关技术中的显著性检测算法，无法得到一个准确的显著性检测结果。

技术实现要素：

本公开的目的是提供一种图像显著性检测方法、装置、存储介质及电子设备，以解决相关技术中显著性检测算法存在的计算量较大以及结果不准确的问题。

为了实现上述目的，第一方面，本公开提供一种图像显著性检测方法，包括：

确定目标图像上的感兴趣roi区域以及与所述roi区域相关的多个子区域，其中，与所述roi区域相关的子区域是指所述目标图像上与所述roi区域至少具有部分相同像素点的子区域；

确定每个所述子区域的颜色特征、空间关系特征和面积；

根据所述颜色特征和所述面积，确定每个所述子区域的对比度特征；

根据所述颜色特征和所述空间关系特征，确定每个所述子区域的区域特征；

基于每个所述子区域的对比度特征和区域特征，确定所述目标图像的显著值。

可选地，所述根据所述颜色特征和所述空间关系特征，确定每个所述子区域的区域特征，包括：

根据所述颜色特征，确定每个所述子区域间的颜色距离；

根据所述空间关系特征，确定每个所述子区域间的空间距离；

根据所述颜色距离和所述空间距离，确定每个所述子区域的区域特征。

可选地，根据所述颜色距离和所述空间距离，确定每个所述子区域的区域特征，包括：

按照以下公式，根据所述颜色距离和所述空间距离，确定每个所述子区域的区域特征：

其中，sd为子区域的区域特征，n为与所述roi区域相关的多个子区域的个数，dcol(ri,rj)为子区域ri和子区域rj间的颜色距离，ddis(ri,rj)为子区域ri和子区域rj间的空间距离，为预设权重参数。

可选地，所述目标图像为根据图像中各个像素点与预设像素阈值的大小关系获取的布尔图像，根据所述颜色特征和所述面积，确定每个所述子区域的对比度特征，包括：

按照以下公式，根据所述颜色特征和所述面积，确定每个所述子区域的对比度特征：

其中，为子区域的颜色特征，θ为所述预设像素阈值，a为子区域的面积。

可选地，所述布尔图像为在单一图像通道下的多层布尔图像，基于每个所述子区域的对比度特征和区域特征，确定所述目标图像的显著值，包括：

按照以下公式，基于每层布尔图像中每个所述子区域的对比度和区域特征，确定所述目标图像的显著值：

其中，s(x,y)为所述目标图像的显著值，m为布尔图像的层数，为第k层布尔图像的预设权重参数，s^k(x,y)为分别将每层布尔图像中每个所述子区域的对比度特征和区域特征相乘后求和得到的结果。

可选地，所述布尔图像为在多个图像通道下的单层布尔图像，基于每个所述子区域的对比度特征和区域特征，确定所述目标图像的显著值，包括：

基于每个所述子区域的对比度特征和区域特征值，分别确定所述每个图像通道下的单层布尔图像的显著值；

将所述确定的多个显著值中的最大值确定为所述目标图像的显著值。

第二方面，本公开还提供一种图像显著性检测装置，包括：

区域确定模块，用于确定目标图像上的感兴趣roi区域以及与所述roi区域相关的多个子区域，其中，与所述roi区域相关的子区域是指所述目标图像上与所述roi区域至少具有部分相同像素点的子区域；

第一特征确定模块，用于确定每个所述子区域的颜色特征、空间关系特征和面积；

第二特征确定模块，用于根据所述颜色特征和所述面积，确定每个所述子区域的对比度特征；

第三特征确定模块，用于根据所述颜色特征和所述空间关系特征，确定每个所述子区域的区域特征；

显著值确定模块，用于基于每个所述子区域的对比度特征和区域特征，确定所述目标图像的显著值。

可选地，所述第三特征确定模块用于：

根据所述颜色特征，确定每个所述子区域间的颜色距离；

根据所述空间关系特征，确定每个所述子区域间的空间距离；

根据所述颜色距离和所述空间距离，确定每个所述子区域的区域特征。

可选地，所述第三特征确定模块用于：

按照以下公式，根据所述颜色距离和所述空间距离，确定每个所述子区域的区域特征：

其中，sd为子区域的区域特征，n为与所述roi区域相关的多个子区域的个数，dcol(ri,rj)为子区域ri和子区域rj间的颜色距离，ddis(ri,rj)为子区域ri和子区域rj间的空间距离，为预设权重参数。

可选地，所述目标图像为根据图像中各个像素点与预设像素阈值的大小关系获取的布尔图像，所述第二特征确定模块用于：

按照以下公式，根据所述颜色特征和所述面积，确定每个所述子区域的对比度特征：

其中，为子区域的颜色特征，θ为所述预设像素阈值，a为子区域的面积。

可选地，所述布尔图像为在单一图像通道下的多层布尔图像，所述显著值确定模块用于：

按照以下公式，基于每层布尔图像中每个所述子区域的对比度和区域特征，确定所述目标图像的显著值：

其中，s(x,y)为所述目标图像的显著值，m为布尔图像的层数，为第k层布尔图像的预设权重参数，s^k(x,y)为分别将每层布尔图像中每个所述子区域的对比度特征和区域特征相乘后求和得到的结果。

可选地，所述布尔图像为在多个图像通道下的单层布尔图像，所述显著值确定模块用于：

基于每个所述子区域的对比度特征和区域特征值，分别确定所述每个图像通道下的单层布尔图像的显著值；

将所述确定的多个显著值中的最大值确定为所述目标图像的显著值。

第三方面，本公开还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面里任一项所述方法的步骤。

第四方面，本公开还提供一种电子设备，包括：

存储器，其上存储有计算机程序；

处理器，用于执行所述存储器中的所述计算机程序，以实现第一方面里任一项所述方法的步骤。

通过上述技术方案，以与图像中的roi区域相关的每个子区域为计算单元，而不是图像中的每一个像素点，从而减小了显著值计算过程中的计算量。并且，由于在确定显著值时结合了子区域的空间关系特征，因此对于场景较复杂的图像能够得到更加准确的显著值计算结果。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：

图1是根据本公开一示例性实施例示出的一种图像显著性检测方法的流程图；

图2是根据本公开一示例性实施例示出的确定图像roi区域的过程示意图；

图3是根据本公开另一示例性实施例示出的一种图像显著性检测方法的流程图；

图4是根据本公开一示例性实施例中的图像显著性检测方法与相关技术中的图像显著性检测方法分别对同一图像进行处理得到的结果对比图；

图5是根据本公开一示例性实施例示出的一种图像显著性检测装置的框图；

图6是根据本公开一示例性实施例示出的一种电子设备的框图。

具体实施方式

以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。

人类的视觉系统在面对复杂场景时，可以在极短的时间内过滤掉不必要的背景信息，快速准确地获取目标。因此，借鉴这种视觉注意机制，在图像处理技术领域，出现了图像显著性检测算法，从而可以在海量的图像数据中快速获取重要信息。图像显著性检测算法的主要过程是先确定图像的显著值，然后将该显著值叠加到原图像上，以放大原图像上各个部分间的差异性，从而获取图像中的重要信息。

相关技术中，确定图像的显著值主要是针对图像中的每一个像素点进行显著值计算，计算量较大。并且，如果图像中的场景较复杂，根据相关技术中的显著性检测算法，无法得到一个准确的显著性检测结果。

为了解决相关技术中的问题，本公开提出了一种图像显著性检测方法、装置、存储介质及电子设备，以减小显著值计算过程中的计算量，并提高图像显著性检测结果的准确性。

图1是根据本公开一示例性实施例示出的一种图像显著性检测方法的流程图。参照图1，该图像显著性检测方法可以包括以下步骤：

步骤s101，确定目标图像上的感兴趣roi区域以及与所述roi区域相关的多个子区域。

其中，与所述roi区域相关的子区域是指所述目标图像上与所述roi区域至少具有部分相同像素点的子区域。

步骤s102，确定每个所述子区域的颜色特征、空间关系特征和面积。

步骤s103，根据所述颜色特征和所述面积，确定每个所述子区域的对比度特征。

步骤s104，根据所述颜色特征和所述空间关系特征，确定每个所述子区域的区域特征。

需要说明的是，在本公开实施例对于确定每个子区域的对比度特征和区域特征的先后顺序不作限定。比如，参照图1，可以是先确定每个区域的对比度特征后再确定每个子区域的区域特征。当然，在其他可能的方式中，也可以是先确定每个区域的区域特征后再确定每个子区域的对比度特征，或者是同时确定每个区域的区域特征和对比度特征。

步骤s105，基于每个所述子区域的对比度特征和区域特征，确定所述目标图像的显著值。

本公开实施例的图像显著性检测方法以与roi区域相关的每个子区域为计算单元，相较于相关技术中以图像中的每一个像素点为进行显著值计算的方式，本公开实施例的方法可以减小显著值计算过程中的计算量。并且，由于在确定显著值时结合了子区域的空间关系特征，因此对于场景较复杂的图像能够得到更加准确的显著值计算结果。

为了使本领域技术人员更加理解本公开实施例提供的技术方案，下面对上述步骤进行详细举例说明。

示例地，在步骤s101中，目标图像可以是未经处理的原始图像，也可以是原始图像对应的通道图像，比如，原始图像对应的lab通道图像，或者原始图像对应的rgb通道图像，等等，本公开实施例对此不作限定。

应当理解的是，由于lab通道图像中各通道图像的特征分布均匀，便于显著性区域的分割，因此在实施本公开的图像显著性检测方法时，可以优先选择将原始图像的lab通道图像作为目标图像进行显著值的计算。

以目标图像为lab三通道图像中的l通道图像为例，首先可以确定l通道图像中的roi区域。在一种可能的方式中，可以是先确定该l通道图像对应的布尔图像，即二值图像。具体的确定方式可以是先设定一个像素阈值，将l通道图像中像素大于该像素阈值的像素点的像素置为1，并将l通道图像中像素小于或等于该像素阈值的像素点的像素置为0，从而可以得到l通道图像对应的二值图像。

在得到l通道图像对应的二值图像后，可以对该二值图像进行连通区域的提取，得到二值图像中所有连通区域的图像序列。其中，连通区域是指二值图像中与图像边界相连的连通区域。在本公开实施例中，可以将二值图像中与图像边界相连的连通区域认为是图像中的背景，并不是显著性检测需要确定的区域。因此，可以将连通区域提取出来，以减小对显著性检测结果的影响。例如，可以通过区域标记算法进行连通区域提取，等等，本公开实施例对此不作限定。其中，区域标记算法与相关技术中类似，这里不再赘述。

在得到二值图像中所有连通区域的图像序列后，可以将图像序列中的每张图像与l通道图像进行叠加，最终可以确定l通道图像的roi区域。例如，参照图2，图b是目标图像，图a是图b对应的二值图像，且对图a进行了连通区域提取，得到了图a中所有连通区域的图像序列c，然后可以将图a与图像序列c中的每一张图像进行叠加，得到图d，从而可以根据图d确定图b的roi区域。

应当理解的是，在本公开实施例中，在得到目标图像对应的二值图像后，还可以对该二值图像进行形态学处理，然后对形态学处理后的二值图像进行连通区域提取，以去除该二值图像中的噪声点并使得连通区域的边缘更加平滑，从而使确定的目标图像的roi区域更加准确。

在确定目标图像的roi区域之后，可以确定与roi区域相关的多个子区域中每个子区域的颜色特征、空间关系特征和面积。

示例地，子区域可以是从目标图像的左上角的像素点开始，以预设像素点为单位进行划分得到的。比如，目标图像的长度和宽度分别为25个像素点，预设像素点为5，那么从目标图像的左上角开始，按照5个像素点为单位，可以将目标图像划分成5×5个子区域。

在本公开实施例中，由于roi区域是比子区域更大的区域，因此与roi相关的子区域可以有多个。并且，该多个子区域中有的子区域可能被完全包括在roi区域内，即该子区域与roi区域的某一部分具有全部相同的像素点，还有的子区域可能只有一部分被包括在roi区域内，即该子区域与roi区域具有部分相同像素点。

因此，在一种可能的方式中，可以按照以下公式确定子区域的面积：

a＝∑f(x,y)(2)

其中，a表示子区域的面积，(x,y)表示子区域内每个像素点的坐标值，rs表示roi区域。

也就是说，通过上述公式(1)和公式(2)，当像素点位于roi区域内，f(x,y)为1，而当像素点不在roi区域内，f(x,y)为0。因此，可以依次计算出与roi区域相关的子区域中每个像素点的f(x,y)，最后对得到的f(x,y)求和，从而得到与roi区域相关的子区域的面积。

在一种可能的方式中，子区域的颜色特征可以是通过计算子区域内所有像素点的像素平均值确定的，即可以按照以下公式，确定子区域的颜色特征：

其中，表示子区域的颜色特征，n表示子区域内的像素点个数，fi表示子区域内第i个像素点的像素值。

在一种可能的方式中，子区域的空间关系特征可以通过该子区域的形心，即该子区域的中心点坐标进行表示。具体的，可以按照以下公式确定子区域的空间关系特征(中心点坐标)：

其中，xs表示子区域中心点的横坐标，ys表示子区域中心点的纵坐标，a表示子区域的面积，可以通过公式(1)和(2)确定，f(x,y)可以通过公式(1)确定，x和y分别表示子区域内像素点的横坐标和纵坐标。

按照上述方式，确定与roi区域相关的子区域的颜色特征、空间关系特征和面积后，可以根据颜色特征和面积，确定每个子区域的对比度特征，并根据颜色特征和空间关系特征，确定每个子区域的区域特征。

在一种可能的方式中，根据颜色特征和空间关系特征，确定每个子区域的区域特征可以是先根据颜色特征，确定每个子区域间的颜色距离，并根据空间关系特征，确定每个子区域间的空间距离，然后根据颜色距离和空间距离，确定每个子区域的区域特征。

例如，可以按照以下公式根据颜色特征，确定每个子区域间的颜色距离：

其中，dcol(ri,rj)表示子区域ri和子区域rj间的颜色距离，表示子区域ri的颜色特征，表示子区域rj的颜色特征。

例如，可以按照以下公式根据空间关系特征，确定每个子区域间的空间距离：

其中，ddis(ri,rj)为子区域ri和子区域rj间的空间距离，和分别表示子区域ri的空间关系特征(中心点坐标)，和分别表示子区域rj的空间关系特征(中心点坐标)。

在一种可能的方式中，在确定子区域间的颜色距离和空间距离后，可以按照以下公式，根据颜色距离和所述空间距离，确定每个子区域的区域特征：

其中，sd为子区域的区域特征，n为与所述roi区域相关的多个子区域的个数，dcol(ri,rj)为子区域ri和子区域rj间的颜色距离，ddis(ri,rj)为子区域ri和子区域rj间的空间距离，为预设权重参数。

示例地，预设权重参数可以是根据实际情况设定的，比如，可以将预设权重参数设定为3，等等，本公开实施例对此不作限定。应当理解的是，预设权重参数设定得越大，则表明空间距离对于区域特征的影响越大，最终得到的区域特征值越小。相反，预设权重参数设定得越小，则表明空间距离对于区域特征的影响越小，最终得到的区域特征值越大。

在一种可能的方式中，当目标图像是根据图像中各个像素点与预设像素阈值的大小关系获取的布尔图像时，步骤s103可以是按照以下公式，根据颜色特征和面积，确定每个子区域的对比度特征：

其中，为子区域的颜色特征，θ为预设像素阈值，a为子区域的面积。

也就是说，当目标图像是按照上述方式得到的二值图像(布尔图像)时，可以根据公式(8)计算每个子区域的对比度特征。

在确定每个子区域的对比度特征和区域特征之后，可以根据该对比度特征和区域特征，确定目标图像的显著值。

在一种可能的方式中，可以按照以下公式根据对比度特征和区域特征，确定目标图像的显著值：

其中，s(x,y)表示目标图像的显著值，n表示与roi区域相关的子区域个数，表示第i个子区域的对比度特征，表示第i个子区域的区域特征。

在另一种可能的方式中，目标图像为在单一图像通道下的多层布尔图像，比如，对于l通道图像，设定了多个像素阈值，因此根据该多个像素阈值确定布尔图像时，可以得到l通道下的多层布尔图像。在此种情况下，可以按照以下公式，基于每层布尔图像中每个子区域的对比度和区域特征，确定目标图像的显著值：

其中，s(x,y)为目标图像的显著值，m为布尔图像的层数，为第k层布尔图像的预设权重参数，s^k(x,y)为第k层布尔图像的显著值。

示例地，可以按照以下公式确定预设权重参数

其中，nr表示布尔图像中连通区域的个数。

应当理解的是，当目标图像为在单一图像通道下的多层布尔图像时，可以针对每层布尔图像分别执行步骤s101至步骤s105，得到每层布尔图像的显著值，然后按照公式(10)可以确定该单一图像通道对应的图像的显著值。

在另一种可能的方式中，目标图像为在多个图像通道下的单层布尔图像，在此种情况下，可以先基于每个子区域的对比度特征和区域特征值，分别确定每个图像通道下的单层布尔图像的显著值，然后将得到的多个显著值中的最大值确定为目标图像的显著值。

示例地，目标图像为lab三通道下的单层布尔图像，首先按照上述方式分别确定了lab三个图像通道下的单层布尔图像的显著值，比如，l通道下的单层布尔图像的显著值0.5，a通道下的单层布尔图像的显著值为0.6，b通道下的单层布尔图像的显著值为0.7，然后将这三个显著值中的最大值确定为目标图像的显著值，即可以将0.7确定为目标图像的显著值。

应当理解的是，如果目标图像为多个图像通道下的布尔图像，且在每个图像通道下得到了多层布尔图像，那么在确定每层布尔图像的显著值后，可对每个通道图像下的多层布尔图像的显著值进行归一化计算，比如，可以按照以下公式，对每个图像通道下的多层布尔图像的显著值进行归一化计算：

其中，s'(x,y)表示单层布尔图像归一化计算后得到的显著值，s(x,y)表示单层布尔图像的原显著值，smax(x,y)表示每个通道图像下的多层布尔图像的显著值中的最大值，smin(x,y)表示每个通道图像下的多层布尔图像的显著值中的最小值。

然后，将归一化计算后得到的多个显著值中的最大值确定为目标图像的显著值，即目标图像的显著值可表示为：

s(x,y)＝max{s′1(x,y),s′2(x,y),s′3(x,y)}(13)

其中，s′1(x,y)、s′2(x,y)和s′3(x,y)分别表示多个图像通道下归一化计算后得到的显著值。

在根据上述任一方法得到目标图像的显著值之后，可以将该显著值叠加到目标图像上，从而得到该目标图像对应的显著图。其中，具体的叠加方式与相关技术中类似，这里不再赘述。

下面以一个完整的实施例说明本公开的图像显著性检测方法。

参照图3，该图像显著性检测方法可以包括以下步骤：

步骤s301，获取原始图像的lab三个图像通道下的通道图像。

步骤s302，根据不同的预设像素阈值，分别确定每一通道图像对应的布尔图像。

步骤s303，对得到的每层布尔图像进行形态学处理。

其中，形态学处理的具体过程与相关技术中类似，这里不再赘述。

步骤s304，确定形态学处理后的图像的roi区域以及与该roi区域相关的多个子区域。

步骤s305，确定每个子区域的颜色特征、空间关系特征和面积。

步骤s306，根据颜色特征、空间关系特征和面积特征，确定每层布尔图像的显著值。

步骤s307，根据同一图形通道下的多层布尔图像的显著值，分别确定每一通道图像的显著值。

步骤s308，确定通道图像显著值中的最大值为原始图像的显著值。

步骤s309，将显著值叠加到原始图像上，得到原始图像对应的显著图。

其中，上述步骤的具体实现过程已在上文进行详细说明，这里不再赘述。

本公开实施例的图像显著性检测方法以与roi区域相关的每个子区域为计算单元，相较于相关技术中以图像中的每一个像素点为进行显著值计算的方式，减小了显著值计算过程中的计算量。并且，由于在确定显著值时结合了子区域的空间关系特征，因此对于场景较复杂的图像能够得到更加准确的显著值计算结果。

图4为本公开的图像显著性检测方法与相关技术中的图像显著性检测方法分别对同一图像进行处理得到的结果对比图。参照图4，第一列图像为输入的目标图像，第三列为通过本公开的图像显著性检测方法对目标图像进行处理后得到的结果图，其他列为通过相关技术中的图像显著性检测方法对目标图像进行处理后得到的结果图。可见，相较于相关技术中的方案，本公开的图像显著性检测方法得到了更加清晰准确的显著图，即，本公开的图像显著性检测方法提高了图像显著性检测结果的准确性。

基于同一发明构思，参照图5，本公开还提供一种图像显著性检测装置500，可以包括以下模块：

区域确定模块501，用于确定目标图像上的感兴趣roi区域以及与所述roi区域相关的多个子区域，其中，与所述roi区域相关的子区域是指所述目标图像上与所述roi区域至少具有部分相同像素点的子区域；

第一特征确定模块502，用于确定每个所述子区域的颜色特征、空间关系特征和面积；

第二特征确定模块503，用于根据所述颜色特征和所述面积，确定每个所述子区域的对比度特征；

第三特征确定模块504，用于根据所述颜色特征和所述空间关系特征，确定每个所述子区域的区域特征；

显著值确定模块505，用于基于每个所述子区域的对比度特征和区域特征，确定所述目标图像的显著值。

可选地，所述第三特征确定模块504用于：

根据所述颜色特征，确定每个所述子区域间的颜色距离；

根据所述空间关系特征，确定每个所述子区域间的空间距离；

根据所述颜色距离和所述空间距离，确定每个所述子区域的区域特征。

可选地，所述第三特征确定模块504用于：

按照以下公式，根据所述颜色距离和所述空间距离，确定每个所述子区域的区域特征：

其中，sd为子区域的区域特征，n为与所述roi区域相关的多个子区域的个数，dcol(ri,rj)为子区域ri和子区域rj间的颜色距离，ddis(ri,rj)为子区域ri和子区域rj间的空间距离，为预设权重参数。

可选地，所述目标图像为根据图像中各个像素点与预设像素阈值的大小关系获取的布尔图像，所述第二特征确定模块503用于：

按照以下公式，根据所述颜色特征和所述面积，确定每个所述子区域的对比度特征：

其中，为子区域的颜色特征，θ为所述预设像素阈值，a为子区域的面积。

可选地，所述布尔图像为在单一图像通道下的多层布尔图像，所述显著值确定模块505用于：

按照以下公式，基于每层布尔图像中每个所述子区域的对比度和区域特征，确定所述目标图像的显著值：

其中，s(x,y)为所述目标图像的显著值，m为布尔图像的层数，为第k层布尔图像的预设权重参数，s^k(x,y)为分别将每层布尔图像中每个所述子区域的对比度特征和区域特征相乘后求和得到的结果。

可选地，所述布尔图像为在多个图像通道下的单层布尔图像，所述显著值确定模块505用于：

基于每个所述子区域的对比度特征和区域特征值，分别确定所述每个图像通道下的单层布尔图像的显著值；

将所述确定的多个显著值中的最大值确定为所述目标图像的显著值。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本公开实施例的图像显著性检测装置以与roi区域相关的每个子区域为计算单元，可以减小显著值计算过程中的计算量。并且，由于在确定显著值时结合了子区域的空间关系特征，因此对于场景较复杂的图像能够得到更加准确的显著值计算结果。

基于同一发明构思，本公开还提供一种电子设备，包括：

存储器，其上存储有计算机程序；

处理器，用于执行所述存储器中的所述计算机程序，以实现上述任一方法的步骤。

在一示例性实施例中，该电子设备的框图可以如图6所示。参照图6，该电子设备600可以包括：处理器601，存储器602。该电子设备600还可以包括多媒体组件603，输入/输出(i/o)接口604，以及通信组件605中的一者或多者。

其中，处理器601用于控制该电子设备600的整体操作，以完成上述的图像显著性检测方法中的全部或部分步骤。存储器602用于存储各种类型的数据以支持在该电子设备600的操作，这些数据例如可以包括用于在该电子设备600上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如各个子区域的颜色特征、空间关系特征、面积等等。该存储器602可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(staticrandomaccessmemory，简称sram)，电可擦除可编程只读存储器(electricallyerasableprogrammableread-onlymemory，简称eeprom)，可擦除可编程只读存储器(erasableprogrammableread-onlymemory，简称eprom)，可编程只读存储器(programmableread-onlymemory，简称prom)，只读存储器(read-onlymemory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件603可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，可以用于显示得到的目标图像的显著值，并显示在目标图像上叠加显著值后得到的显著图，等等。

i/o接口604为处理器601和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件605用于该电子设备600与其他设备之间进行有线或无线通信。无线通信，例如wi-fi，蓝牙，近场通信(nearfieldcommunication，简称nfc)，2g、3g或4g，或它们中的一种或几种的组合，因此相应的该通信组件605可以包括：wi-fi模块，蓝牙模块，nfc模块。

在一示例性实施例中，电子设备600可以被一个或多个应用专用集成电路(applicationspecificintegratedcircuit，简称asic)、数字信号处理器(digitalsignalprocessor，简称dsp)、数字信号处理设备(digitalsignalprocessingdevice，简称dspd)、可编程逻辑器件(programmablelogicdevice，简称pld)、现场可编程门阵列(fieldprogrammablegatearray，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的图像显著性检测方法。

在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的图像显著性检测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器602，上述程序指令可由电子设备600的处理器601执行以完成上述的图像显著性检测方法。

以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。

此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。