1.一种图像显著性物体检测方法，其特征在于，所述方法包括：

将图像进行拉伸，提取拉伸后的图像中的图像块构成图像块集合，以递归的方式从所述图像块集合中构建出一个随机森林；

根据所述随机森林对所述图像块集合中的所有图像块进行稀有性分析，得到稀有性图，采用主动轮廓模型提取所述稀有性图中的显著物体轮廓，得到轮廓性图；

根据所述随机森林计算所述轮廓图中显著物体轮廓内部的图像块和外部的图像块间的相似度，得到精确到物体级别的显著性图；

将所述精确到物体级别的显著性图重新拉伸到原始图像的大小，对重新拉伸后的图像进行基于图切割的图像分割，得到一个由均匀的图像区域组成的集合，均化每个区域的显著性值，得到最终的显著性图；

所述根据所述随机森林对所述图像块集合中的所有图像块进行稀有性分析具体包括：根据公式 计算落在随机森林中的树Tk的叶子结点Lk上的图像

块pi的稀有性，其中，T为大于0的整数，xi为pi的中心像素在所述拉伸后的图像中的位置，xc为所述图像的中心位置，ω(xi,xc)为exp(-||xi-xc||2/2σ2)，σ2表示中心先验的强度。

2.根据权利要求1所述的方法，其特征在于，所述将图像进行拉伸，提取拉伸后的图像中的图像块构成图像块集合具体包括：将图像拉伸到H×H的大小，将拉伸后的图像划分为(H/r)×(H/r)个大小为r×r的图像块，将这些图像块按照从左向右，自上而下的顺序，以无重叠的方式从拉伸的图像中被提取出来，构成图像块集合P＝{p1,p2,…,pn}，其中H对r可除。

3.根据权利要求1所述的方法，其特征在于，所述以递归的方式从所述图像块集合中构建出一个随机森林具体包括：以递归的方式从所述图像块集合中构建一个由T棵树组成的随机森林F＝{T1,…TT}，随机森林中的每棵树均由分割结点和叶子结点构成，其中，叶子结点具体为不能被继续分割的分割结点。

4.根据权利要求3所述的方法，其特征在于，以递归的方式从所述图像块集合中构建一棵树Tk具体包括：A1：在树Tk的分割结点n处，产生两个随机数h1和h2，定义di(h1,h2)＝pi(h1)-pi(h2)；

A2：构造n处的分割函数，将到达n的图像块集合Sn分割为包含在n的左孩子结点内的图像块集合Sl和包含在n的右孩子结点内的图像块集合Sr；

A3：将n的孩子结点作为当前结点继续进行分割，直至当前结点的深度达到预定义的最大深度或者达到当前结点的图像块集合中只包含一个图像块时，执行A4；

A4：选择一个新的分割结点进行分割，直至不存在可以分割的结点为止，停止增长树Tk。

5.根据权利要求4所述的方法，其特征在于，所述A2具体包括：构造n处的分割函数为其中，Sl为包含在n的左孩子结点内的图像块集合，Sr包含在n的右孩子结点内的图像块集合， |Sn|表示图像块集合Sn的大小。

6.根据权利要求5所述的方法，其特征在于，所述随机数h1和h2满足公式

7.根据权利要求1所述的方法，其特征在于，所述根据所述随机森林计算所述轮廓图中显著物体轮廓内部的图像块和外部的图像块间的相似度具体包括：B1：将所有的图像块分成显著性物体轮廓内部图像块集合Sin和显著性物体轮廓外部图像块集合Sout；

B2：计算显著性物体轮廓外部图像块集合Sout中的图像块pi和显著性物体轮廓内部图像块集合Sin中的图像块pj在随机森林的同一颗树中的相似性；

B3：整合pi和pj在随机森林的每一棵树中的相似性，得到pi和pj间的相似性；

B4：计算pi与Sin间的相似性，并根据pi与Sin间的相似性计算pi的显著性值；

B5：计算pj与Sout间的相似性，并根据pj与Sout间的相似性计算pj的显著性值。

8.根据权利要求7所述的方法，其特征在于，所述B2具体包括：根据公式计算pi和pj在树Tk中的相似性，其中，|Lk

|是包含在随机森林中的树Tk的叶子结点Lk内的图像块的数量；

所述B3具体包括：根据公式 整合pi和pj在随机森林的每一棵树中的相似性，得到pi和pj间的相似性；

所述B4具体包括：根据公式 计算pi与Sin间的相似

性，其中S具体为Sin，|S|为Sin中的图像块的数量；根据公式 计算pi的显著性值，其中，

所述B5具体包括：根据公式 计算pj与Sout间的相似性，

其中S具体为Sout，|S|为Sout中的图像块的数量；根据公式 计算pj的显著性值，其中，

9.一种图像显著性物体检测装置，其特征在于，所述装置包括：构建随机森林模块、显著物体轮廓提取模块、显著物体检测模块和显著物体修饰模块；其中：所述构建随机森林模块，包括图像块提取单元和递归单元，所述图像块提取单元用于将图像进行拉伸，提取拉伸后的图像中的图像块构成图像块集合，所述递归单元用于以递归的方式从所述图像块集合中构建出一个随机森林；

所述显著物体轮廓提取模块，包括稀有性分析单元和显著物体轮廓提取单元，所述稀有性分析单元用于根据所述随机森林对所述图像块集合中的所有图像块进行稀有性分析，得到稀有性图，所述显著物体轮廓提取单元用于采用主动轮廓模型提取所述稀有性图中的显著物体轮廓，得到轮廓性图；

所述显著物体检测模块，用于根据所述随机森林计算所述轮廓图中显著物体轮廓内部的图像块和外部的图像块间的相似度，得到精确到物体级别的显著性图；

所述显著物体修饰模块，用于将所述精确到物体级别的显著性图重新拉伸到原始图像的大小，对重新拉伸后的图像进行基于图切割的图像分割，得到一个由均匀的图像区域组成的集合，均化每个区域的显著性值，得到最终的显著性图；

所述稀有性分析单元具体用于根据公式 计算落在随机森林中

的树Tk的叶子结点Lk上的图像块pi的稀有性，其中，T为大于0的整数，xi为pi的中心像素在所述拉伸后的图像中的位置，xc为所述图像的中心位置，ω(xi,xc)为exp(-||xi-xc||2/2σ2)，σ2表示中心先验的强度。

10.根据权利要求9所述的装置，其特征在于，所述图像块提取单元具体用于将图像拉伸到H×H的大小，将拉伸后的图像划分为(H/r)×(H/r)个大小为r×r的图像块，将这些图像块按照从左向右，自上而下的顺序，以无重叠的方式从拉伸的图像中被提取出来，构成图像块集合P＝{p1,p2,...,pn}，其中H对r可除。

11.根据权利要求9所述的装置，其特征在于，所述递归单元具体用于以递归的方式从所述图像块集合中构建一个由T棵树组成的随机森林F＝{T1,...TT}，随机森林中的每棵树均由分割结点和叶子结点构成，其中，叶子结点具体为不能被继续分割的分割结点。

12.根据权利要求11所述的装置，其特征在于，所述递归单元具体包括：构造分割函数子单元，用于在树Tk的分割结点n处，产生两个随机数h1和h2，定义di(h1,h2)＝pi(h1)-pi(h2)，构造n处的分割函数；

分割图像块集合子单元，用于根据所述构造分割函数子单元构造的分割函数将到达n的图像块集合Sn分割为包含在n的左孩子结点内的图像块集合Sl和包含在n的右孩子结点内的图像块集合Sr；还用于将n的孩子结点作为当前结点继续进行分割，直至当前结点的深度达到预定义的最大深度或者达到当前结点的图像块集合中只包含一个图像块时，选择一个新的分割结点进行分割，直至不存在可以分割的结点为止，停止增长树Tk。

13.根据权利要求12所述的装置，其特征在于，所述构造分割函数子单元具体用于在树Tk的分割结点n处，产生两个随机数h1和h2，定义di(h1,h2)＝pi(h1)-pi(h2)，构造n处的分割函数为 其中，Sl为包含在n的左孩子结点内的图像块集合，Sr包含在n的右孩子结点内的图像块集合， |Sn|表示图像块集合Sn的大小。

14.根据权利要求13所述的装置，其特征在于，所述构造分割函数子单元生成的所述随机数h1和h2满足公式

15.根据权利要求9所述的装置，其特征在于，所述显著物体检测模块具体包括：图像块划分单元，用于将所有的图像块分成显著性物体轮廓内部图像块集合Sin和显著性物体轮廓外部图像块集合Sout；

第一相似性计算单元，用于计算显著性物体轮廓外部图像块集合Sout中的图像块pi和显著性物体轮廓内部图像块集合Sin中的图像块pj在随机森林的同一颗树中的相似性；

整合单元，用于整合所述第一相似性计算单元计算得到的pi和pj在随机森林的每一棵树中的相似性，得到pi和pj间的相似性；

第二相似性计算单元，用于计算pi与Sin间的相似性，并根据pi与Sin间的相似性计算pi的显著性值；

第三相似性计算单元，用于计算pj与Sout间的相似性，并根据pj与Sout间的相似性计算pj的显著性值。

16.根据权利要求15所述的装置，其特征在于，所述第一相似性计算单元具体用于根据公式 计算pi和pj在树Tk中的相似性，其中，|Lk|是包含在随机森林中的树Tk的叶子结点Lk内的图像块的数量；

所述整合单元具体用于根据公式 整合pi和pj在随机森林的每

一棵树中的相似性，得到pi和pj间的相似性；

所述第二相似性计算单元具体用于根据公式 计算

pi与Sin间的相似性，其中S具体为Sin，|S|为Sin中的图像块的数量；根据公式计算pi的显著性值，其中，所述第三相似性计算单元具体用于根据公式 计算

pj与Sout间的相似性，其中S具体为Sout，|S|为Sout中的图像块的数量；根据公式计算pj的显著性值，其中，