显著性检测的目的是找到图像中最吸引人注意的区域,近年来随着计算机视觉领域的飞速发展逐渐成为了一个热门的研究方向。显著性检测的主要出发点是让计算机来模拟人类的视觉系统注意机制以便快速的筛选出图像中目标区域,为计算机资源分配提供可靠依据。目前虽然学者们从不同的角度提出了大量的显著性检测的方法,但是这些方法还存在着得到目标区域不够清晰、不能很好抑制背景噪声等问题,针对这些不足,本文提出了两种显著性检测算法。主要研究内容如下:(1)提出基于多特征最优融合的显著性检测算法。选择较能展示目标区域显著性的特征很重要,通过深入分析最终选择了图像的颜色特征、纹理特征和频域特征进行视觉显著性检测。和以往的显著性检测算法简单的把图像特征进行相加或相乘的方法不同,本文提出的算法通过Adaboost对训练数据的学习,能够根据图像的各种特征对于显著性检测的重要程度大小为各种特征设置不同的权重。实验结果表明本算法对应的P-R曲线图好于大部分算法,其他性能指标上也有不错的表现,同时能够获得更加准确的目标区域。(2)提出基于多先验和全局对比度的显著性检测算法。由于图像的先验信息能够更好帮助区分目标区域和背景,所以本文结合图像的背景先验信息、中心先验信息和前景先验信息以及全局颜色对比度进行显著性检测,把这三种先验信息和全局颜色对比度的优点结合在一起能够很好过滤背景噪声的提升显著性检测效果。同时本文使用一个代价函数来对显著图进行优化,主要的思路是通过分析背景、前景和目标区域的对比关系以及中心先验在显著性检测中作用设计了一种结合这几种初级显著图代价函数,通过求解该代价最优解得到每个超像素显著值。实验结果表明:和经典算法相比较本算法在P-R曲线和MAE值上均有不错的提升,同时能够得到比较准确、边缘清晰的显著性区域。(3)提出基于语义增强卷积神经网络的显著性检测算法。该模型是通过对经典模型VGG16改进得到,在该模型中引入卷积层代替全连接层,在卷积后面加入BN层来加快网络的训练速度,在在添加的卷积层之后添加了Dropout层,并在最后的卷积层之后嵌入SENet模块来增强提取特征的语义性。该方法能够较好的提取图像深层的特征,对提取的各种特征自适应进行加权。和其他算法对比发现,本算法在主观表现上和客观指标上都具有一定的优势。