图像能简单快速的传递各种各样的信息,也是人们日常生活中最常用的信息载体。利用图像描述事物更加直观简洁,有些语言难以描绘的场景也能通过图像进行表达。当越来越多的事物需要图像进行表达时,图像中会掺杂较多的冗余信息,因此重要信息就很难被获取。为了解决这个问题,计算机视觉领域的研究人员提出了图像显著性检测的概念,它是注意力机制中的一种,能够从图片中选出重要的区域,所选区域包含图片的主要信息,可用于提取中级和更高级别的信息,并为下一步的图像处理做准备。图像显著性检测大大提高了图像的处理效率,节省了资源利用率。近年来,出现了大量基于图模型的显著性算法研究,这些算法利用图像区域间的关系获取显著图,具有计算复杂度低且鲁棒性好的优点。本文主要对图像显著性检测进行研究,在基于图模型的流行排序算法的基础上改进和提高,包括细化前景标签和背景标签的选取,改进原有的图模型和流行排序公式,在颜色特征的基础上加入纹理特征。本文主要的工作和创新点如下:(1)针对流行排序算法中标签选取不够精确的问题,提出了一种基于流形排序和重定义种子标签的显著性检测算法。基于图模型的流形排序算法需要构造图模型且对标签的依赖较大,当标签选取不准确时,会严重影响最终结果。本文利用k-means聚类对背景标签和前景标签进行优化,并改进了传统的图模型。改进后的算法能够有效的去除冗余信息,并且更容易区分边界,均匀的突出显著目标。(2)为了在图像颜色对比度较低时也能检测到良好的显著目标,本文提出了一种融合颜色与纹理的标签加权流形排序显著性检测算法。本文利用颜色和纹理的互补性,分别构建基于颜色和基于纹理的显著子图,再将两者进行融合,并在传统流形排序算法的基础上,利用度矩阵对排序算法中的标签进行加权,使得越可能为显著区域的标签对最终显著图的贡献度越大。改进后的算法在复杂的场景中也能较好的检测到显著目标,即使在标签选取不准确的情况下也不会对最终显著图有较大的影响。实验结果显示,基于流形排序和重定义种子标签的显著性检测算法具有良好的视觉效果,不仅能有效的抑制背景区域还能获得整体均匀的显著目标;融合颜色与纹理的标签加权流形排序显著性检测算法能获得更加完整的显著对象,并且具有良好的鲁棒性。