1.一种基于图像背景和空间位置的显著区域检测方法，其特征在于，包括以下步骤：步骤1，对目标图像进行M种尺度的超像素分层分割，其中，M为尺度的总层数，得到M层目标子图像；每层目标子图像由多个超像素块组成；

步骤2，对于每层目标子图像，均执行以下步骤2.1-步骤2.3：步骤2.1，提取目标子图像中每个超像素块的特征向量，得到超像素块特征向量；

步骤2.2，将目标子图像的边框区域当作图像背景，属于图像背景的超像素块称为背景超像素块；

对背景超像素块进行聚类，得到n个聚类，分别为：第1个聚类，第2个聚类…第n个聚类；

第1个聚类的聚类中心特征向量为B1，第2个聚类的聚类中心特征向量为B2，依此类推，第n个聚类的聚类中心特征向量为Bn，因此，聚类中心特征向量B＝{B1,B2，…，Bn}；

步骤2.3，对于目标子图像的每个超像素块，表示为超像素块p，均采用下式计算超像素块p的显著性值s：其中：

其中：

D(p,Bi)表示超像素块p和第i个聚类的聚类中心特征向量Bi之间的距离，i＝{1,2，…，n} ；σ代表尺度因子；

w为权值，用于衡量超像素块p与本层目标子图像中心点间的距离，(x,y)表示超像素块p的中心点坐标，(x',y')表示本层目标子图像的中心点坐标；

由此计算得到每层目标子图像的每个超像素块的显著性值；

步骤3，多尺度超像素块显著性融合，得到最终的显著性图，并在显著性图上检测到显著性区域，具体包括：步骤3.1，计算融合后显著性图上任意像素点j的显著性值:像素点j的显著性值sj是其在所有尺度下位于对应的超像素块的显著性值的平均值，即：其中：sl是像素点j位于第l层目标子图像的超像素块的显著性值；

步骤3.2，所有像素点j的显著性值形成图像显著性图，在显著性图上，超过设定阈值的区域即为最终检测到的显著性区域。

2.根据权利要求1所述的一种基于图像背景和空间位置的显著区域检测方法，其特征在于，步骤1中，采用SLIC算法对目标图像进行M种尺度的超像素分层分割。

3.根据权利要求1所述的一种基于图像背景和空间位置的显著区域检测方法，其特征在于，步骤2.1中，提取目标子图像中每个超像素块的特征向量，具体为：提取每个超像素块的颜色特征和纹理特征，每个超像素块的特征向量包括：RGB平均值的3个分量、RGB直方图的256个分量、HSV平均值的3个分量、HSV直方图的256个分量、Lab平均值的3个分量、Lab直方图的256个分量和LM滤波器响应的48个分量。

4.根据权利要求3所述的一种基于图像背景和空间位置的显著区域检测方法，其特征在于，步骤2.2中，对背景超像素块进行聚类，具体为，采用改进K-Means聚类算法对背景超像素块进行聚类。

5.根据权利要求4所述的一种基于图像背景和空间位置的显著区域检测方法，其特征在于，采用改进K-Means聚类算法对背景超像素块进行聚类，具体包括：步骤2.2.1，设定改进的K-means聚类算法的初始聚类数为z，即最后聚类得到z个聚类数；

步骤2.2.2，使用K-means聚类算法进行初始聚类，得到若干个初始聚类；在初始聚类时，采用以下方法计算任意两个超像素块的距离：对于目标子图像中任意两个超像素块，分别记为超像素块u和超像素块v；

u

设提取目标子图像中超像素块u的RGB平均值为f1 ，RGB直方图为 HSV平均值为HSV直方图为 Lab平均值为 Lab直方图为 LM滤波器响应为设提取目标子图像中超像素块v的RGB平均值为f1v，RGB直方图为 HSV平均值为HSV直方图为 Lab平均值为 Lab直方图为 LM滤波器响应为超像素块u和超像素块v之间的距离D(u,v)为：

其中：N(●)表示归一化；

表示超像素块u和超像素块v之间的第a个特征的距离；

其中，a＝1,3,5,7,分别代表RGB平均值特征，HSV平均值特征，Lab平均值特征和LM滤波器响应特征；m为各特征的维度总数，e为各特征的维度数量参数，对于RGB平均值特征，其维度为3；对于HSV平均值特征，其维度为3；对于Lab平均值特征，其维度为3；对于LM滤波器响应特征，其维度为48； 是超像素块u的第a个特征的第e个维度分量； 是超像素块v的第a个特征的第e个维度分量；

表示超像素块u和超像素块v之间的第c个特征的距离；其中，c＝2,

4,6，分别代表RGB直方图、HSV直方图和Lab直方图；b为直方图区间个数；d为直方图区间数量参数； 是超像素块u的第c个特征的第d 个直方图值； 是超像素块v的第c个特征的第d个直方图值；

然后计算每个初始聚类的聚类中心特征向量；将一个聚类里的所有超像素的特征分别做平均值得到聚类中心；

步骤2.2.3，选定欧式距离作为初始聚类间的相似性度量，从而计算出聚类中心之间的差异值；

步骤2.2.4，判断任意两个聚类中心的差异是否小于阈值θ；设聚类中心集合为A，则D(g,h)代表聚类中心g和聚类中心h之间的欧式距离；

步骤2.2.5，如果步骤2.2.4的结果为“是”，则聚类的个数N减1，返回步骤2.2.2重新聚类；

步骤2.2.6，如果步骤2.2.4的结果为“否”，则进入步骤2.2.7；

步骤2.2.7，记录聚类的个数和聚类中心的特征向量；

步骤2.2.8，流程结束。