显著性检测是通过算法来模拟人类视觉机制而涌现出的一个课题。它可以让计算机快速提取出图像上的显著性区域,并忽略掉图像的背景区域。如今,显著性检测作为计算机视觉任务的预处理过程,已经在图像分割、物体检测以及图像分类等领域取得了广泛的应用。本文分析了目前具有代表性的检测算法,针对现有算法的不足,提出了两种有效的显著性检测算法,主要工作如下:(1)针对传统算法在显著物体偏移情况下的检测准确度不高问题,本文提出了一种基于全局对比和迭代演化的显著性检测算法。首先,我们通过SLIC算法将图像分割成多个像素块,并将其作为后续操作的基本单元。然后,根据图像边界上像素块的底层特征提取图像背景,结合该背景的全局颜色特征与空间特征构建背景先验显著图。接下来,计算背景先验显著图的质心,并将其作为显著物体的中心构建中心先验显著图,该方式可以准确定位显著物体所在区域。融合背景先验显著图和中心先验显著图,最后通过迭代演化算法对其融合得到的显著图进一步优化,使得显著图上的前景与背景差异更加明显。该方法在本文中作为第二种方法的预处理阶段。(2)针对现有基于机器学习的检测模型鲁棒性不强问题,本文提出了一种基于集成学习的显著性检测算法。首先,本文构建了多个单核单特征的SVM分类器,并通过集成学习框架将这些分类器组合成一个强分类器。然后,我们将第一种方法得到的显著图代替人工标注的真值图做为分类器的训练图,将训练图和测试图限定在一幅图片上可以有效提高分类器的泛化能力。接下来,为了减少显著图中噪声样本在训练时对强分类器产生的影响,本文对集成学习框架原始的权重更新公式进行了改进。最后,通过多次学习后的强分类器构建最终的显著图。(3)本文在四个大型公开数据库上与当下关注度较高的七种算法进行实验对比。实验结果表明,本文算法可以准确完整地提取图像上的显著区域,检测效果要优于其它七种算法。