随着图像等多媒体数据的大量涌现,旨在提取一幅图像中引人注意的显著区域,过滤冗余信息的图像显著性检测技术正扮演着越来越重要的角色。作为计算机视觉领域预处理工作之一,各种图像显著性检测算法及相关应用被提出。针对传统的显著性检测算法存在显著目标不够突出、背景抑制不足或错误的问题,本文分别提出基于鲁棒前景、鲁棒背景以及前景和背景结合的显著性检测算法。1.基于鲁棒前景的图像显著性检测算法。现有的基于前景的贝叶斯显著性检测算法在背景较复杂时容易错误地将凸包中的背景区域选做前景,导致显著性检测结果出现较大偏差。针对该问题,本文提出一种基于边界连接性提取凸包中前景的方法,该方法主要计算凸包中区域与图像边界的连接程度,将连接度较小的区域作为前景,进而采用贝叶斯模型进行显著性检测,达到准确检测显著目标和抑制背景的目的。2.基于鲁棒背景的图像显著性检测算法。传统的基于背景的流行排序显著性检测算法将图像边界作为背景种子,但在显著目标接触到图像边界时背景种子会不够准确,进而导致目标不够显著。为克服该问题,本文提出一种基于背景和前景颜色差提取鲁棒背景的方法。该方法主要对图像边界聚类,将与鲁棒前景距离较小的类去除,从而提高流行排序显著性检测算法的性能。3.不同于目前大多显著性检测算法只利用单一的前景或背景先验进行显著性检测,本文提出一种基于前景和背景结合的显著性检测算法以充分利用这两种先验的互补性。该方法首先直接利用前景进行流行排序显著性检测,然后将得到的显著图与基于背景的显著图进行融合,得到更稳定的显著性检测结果。本文在公开数据集上通过实验分别验证了基于鲁棒前景和基于鲁棒背景的显著性检测算法有效性。同时,将基于前景和背景结合的显著性检测算法与一些经典的算法进行比较,表现出良好的检测性能。