科学研究表明,通过模拟人类的视觉系统进行视觉显著性检测,能快速地从海量图像数据中提取人们感兴趣的信息,提高检测效率。近年来,视觉显著性检测已经广泛地应用到了图像检索与分类、目标分割和识别等众多领域。随着数字图像处理技术的快速发展,视觉显著性检测成为众多学者研究的热题。人类视觉系统对图像的分析主要有两种方式,一种是自底向上的、快速的、任务无关的;另一种是自顶向下的、缓慢的、依赖于特定任务的。由于自底向上的方式是与任务无关的,目前大多数的视觉显著性检测都是通过自底向上的方式进行的。本文主要针对自底向上的视觉显著性检测算法进行研究,论文主要工作如下:(1)提出了一种基于小波变换和简单先验知识的视觉显著性检测算法。该算法首先对输入图像的各个颜色通道进行小波变换,利用小波系数产生重构特征图,对重构图进行局部对比从而得到局部显著性;为了突出图像的稀有性,利用多维空间的概率密度函数计算全局显著性,并将局部和全局显著性进行整合。最后,还引入了两种简单先验知识(颜色先验和中心先验),从而更好地抑制了背景的干扰,提高了算法的鲁棒性。实验证明该算法能够较好地检测图像的显著性区域,并优于现有的变换域算法。(2)提出了一种基于多尺度和马尔科夫链的视觉显著性检测算法。该算法使用超像素分割图像,构造稀疏图,将图中的边界超像素作为马尔科夫链中的吸收节点,其它超像素作为暂态节点,然后利用马尔科夫吸收链随机游走计算转移概率矩阵,在此基础上计算暂态节点到达吸收节点的时间并归一化作为显著值。为了更好地抑制背景、增强显著性区域的高亮性,对吸收时间进行加权和约束并将其扩展到多尺度下计算。为了证明该算法的有效性,我们将其与现有的比较优秀的自底向上的算法进行比较。实验结果表明,文章提出的显著性检测算法能够更加有效地检测图像的显著性区域、抑制背景区域的干扰。