视觉的显著性检测是计算机视觉领域中一个非常重要同时又很有挑战性的工作。有效的显著性检测模型已被成功的运用到许多计算机视觉任务中,例如目标分类和识别,感兴趣目标的分割,内容感知的图像编辑等。因此,近年来,显著性检测模型受到了越来越多的研究者的关注。图像显著性检测算法的主要任务是估计出一幅图像中显著性区域的位置,并输出一副灰度图像,灰度图像中每个点的像素值表示该像素属于显著性区域的可能性。基于马尔科夫吸收概率与显著性区域检测之间的关系,这篇文章,我们提出了一种新颖的自底向上的显著性区域检测算法。首先,利用图像中的部分边界作为背景先验,在一个图模型上,我们借助于马尔科夫吸收概率计算出一个初始的显著性图。不同于现存的大多数基于图像背景先验的显著性算法借助于图像的所有边界作为背景先验,为了方便计算,我们只利用图像的左边界和上边界作为图像的背景点。每一个节点的显著性定义为被图像的左边界和上边界上所有和该节点相似的虚拟吸收节点吸收的概率之和。其次,通过排列图像中每个节点与第一步图像中的得到前景点之间的相关性,我们可以得到一个更好的显著性图,该图能较好的突出图像中的显著性部分,同时抑制图像中的背景区域,这个过程的处理过程与第一步很类似,但是本质上又不尽相同。最后,我们借助于三个优化技巧---基于内容的扩散机制,逐像素的抑制函数和光滑滤波器来进一步优化上一步生成的显著图,实践证明这三个优化技巧是有效的,并且又相互补充。我们在四个公共的数据库上与现存的十七种算法进行了比较,实验结果表明,无论是从定性和定量的角度,相比于上述十七种算法,我们的算法能更准确鲁棒的突出图像中的显著性区域。