图像显著性检测通过模拟人类视觉注意机制自动过滤图像中的冗余信息,检测出显著区域,使其在诸如图像分割、图像缩放剪辑、图像检索以及目标重定位等领域有着广泛的应用前景。可靠的显著性检测技术能大幅度提高图像处理的精度和效率。本文在对现有显著性检测算法分析比较的基础上,重点提出基于流形排序的前景背景显著性检测算法,提高检测的准确性。论文的主要工作如下:(1)结合人类视觉注意模型和显著性检测的生物学基础,对八种显著性检测算法的实现原理和性能进行重点研究。经分析良好的图结构有益于提升图像显著性检测效果,采用自适应参数计算流形排序算法中图结构节点间的连接权重,以解决因固定值导致的适应性差及总体检测效果不理想的问题。(2)提出基于流形排序的前景背景显著性检测算法。首先,采用SLIC(Simple Linear Iterative Clustering)方法对经平滑处理后的图像进行超像素分割,并通过综合考虑颜色、位置以及背景等约束条件,定义了超像素的独特性因子,利用独特性因子设置阈值,选择出前景查询节点,经流形排序算法排序后得到前景显著图。其次根据自适应阈值剔除边界超像素中不属于背景的像素以保留合适的背景查询节点,避免因显著目标位于图像边界而错把非背景像素标记为背景查询节点的问题。把背景查询节点按照流形排序算法排序后可以得到背景显著图。最后,考虑到由于前景优先方法可以有效抑制背景噪声,而背景优先方法对背景噪声抑制不足,但可均匀突出前景目标,因此采用相乘及取平均的方式融合前景背景显著图以得到最终的显著图。(3)在公开数据集MSRA-1000、SED2以及ECSSD-1000上与其他十七种显著性检测算法进行对比实验,利用准确率、召回率、F-measure以及平均绝对误差(MAE)等指标对其进行评价。实验结果表明,本文方法较其它方法检测精度有所提升。(4)讨论了结合显著性检测算法进行感兴趣物体的图像分割和图像缩放的应用方法。将本文算法得到的显著图作为先验约束融入C-V(Chan-Vese)模型进行了图像分割实验;以显著图作为重要度衡量指标,采用SC(Seam Carving)方法进行了图像缩放实验。结果表明本文方法在上述两个应用中均表现较好。