随着数字图像数量的飞速增长,各行各业对数字图像处理技术的需求也日趋增加。而随着数字图像技术的发展,由传统的基于图像底层特征的图像处理技术与图像高层语义之间的鸿沟所造成的图像理解的误差也越发明显,为了更好的理解图像中的内容,本文重点研究了图像中感知对象的分割算法。有相关研究表明,人们在观察图像的时候,通过对图像的短暂观察和理解之后,往往只关注图像中的某个或多个物体,这样的物体往往代表了图像需要传达的大部分信息,在很多的图像应用中只关注此类物体可以显著地提高图像处理的效率以及准确性,这样的物体在本文中我们称之为感知对象。本课题的主要研究内容就是如何从一幅未给出任何先验信息的图像中检测出感知对象,并且同时分割出感知对象的具体形状。本文根据两种完全不同的思路,分别提出了无监督和有监督的感知对象分割算法。本文的主要工作及创新点如下:1.首先对图像中感知对象这一概念进行了介绍,对感知对象分割方法的研究意义和课题背景进行了阐述,然后对与本课题相关的算法进了分类介绍。2.研究了基于显著图融合的感知对象分割算法。该算法首先根据一幅输入图像计算出三种不同的显著图:对比度显著图、颜色分布显著图以及频谱残差显著图。然后利用图像分割算法对输入图像进行过分割处理,再结合得到的显著图计算出每一块过分割区域的区域感知度,最后通过对区域感知度进行阈值处理分割出图像中的感知对象。3.研究了基于学习的感知对象分割算法。该算法采用了潜在狄利克雷分布对文档进行建模的思想,建立了用于感知对象分割的感知图模型。该算法包括三个步骤,训练图像库的标记,视觉感知单词的计算以及视觉感知词典的生成。然后详细介绍了基于潜在秋利克雷分布的感知图的结构内容、模型中的参数估计以及模型的判决过程。