显著性检测是模拟人类视觉机制让机器在图片中提取出显著目标,此技术被应用到计算机各种领域,可以使这些领域方法运算量降低或者简化过程。因此,显著性检测结果的准确性,影响这些方法的准确性和效果。主流显著性目标检测方法通过多特征分析提取、处理得到显著图,但基于中心先验和基于背景先验都存在显著物体靠近边缘会降低准确性的问题。针对上述问题,本文在全局上研究图片边界区域和中心区域的关系基础上,提出了一种基于边界和中心关系的显著性检测方法。通过引导滤波对原始图像进行平滑处理,进行超像素分割,计算中心超像素块与所有超像素块颜色距离的均值,并结合四个边界顶点得到中心显著度,利用边界和中心的关系,结合背景连续会被前景显著物体阻断的特点,得到普通点的显著度,通过伽马变换对背景区域进行抑制,得到第一张初步显著图;同时,中心显著度与边界上超像素块显著度差值的均值作为阈值得到背景种子点,构造背景种子指示向量,以此对流行排序算法进行改进,并对得到的显著图用伽马变换对背景区域进行抑制得到第二张初步显著图;最后,在像素级上去除相同像素点,利用同一像素点在两张显著图上的像素差计算合适阈值,通过两幅初步显著图的融合得到最终显著图。本文算法通过MSRA10K和ECSSD数据集与七种主流算法进行对比实验,客观上,使用了三种传统指标、两种新型指标以及运行时间对算法效果进行评价;主观上,对具体实验结果图进行对比分析。实验结果表明,本文算法在同等时间复杂度条件下,较其他算法的显著图背景抑制更彻底、对比更明显,准确率和适应性相对部分算法有所提高。该论文有图31幅,表3个,参考文献54篇。