随着科技的进步以及互联网的发展,各类信息的数量急剧增长,图像作为日常生活中很重要的一部分,在传递信息中的作用也越来越大,因此,计算机视觉在计算机领域中成为了不可或缺的一部分。对于如何实现图像中有效信息和重要信息能被更加快速且准确地被提取出来,图像显著性区域检测作为计算机视觉中的一个重要部分,已经成为了当下研究的热门课题。显著性区域检测是模拟人类视觉注意机制,用以检测每一张图像中最能吸引人注意的区域,从而提取图像中最为显著的地方。图像显著性区域检测往往作为计算机视觉中其他邻域的预处理过程,已被广泛应用在图像检索、图像分割、目标检测、图像压缩等领域。因此,深入研究图像显著性区域检测技术,对于图像处理、图像理解、甚至整个人工智能以及互联网范畴而言,都具有十分重大的意义。经过众多研究者的努力,目前显著性检测问题已经形成了相关的理论体系,且也已经有许多先进的显著性检测算法被提出,且已经取得了不错的成果。但是,显著性区域检测仍然面临着许多问题,主要体现在一下两个方面:1.显著性区域检测一般是基于一些先验知识而进行的,而当前获取图像先验知识的技术一般基于人为定义,导致缺乏灵活性从而影响检测性结果;2.图像显著性检测的要求往往是希望能将显著性对象完整明显地强调出来,即希望检测结果的准确率和召回率都高,而当前许多方法中过度强调准确率而一定程度上忽视了召回率,导致显著性对象并不能很好地被强调出来。针对上述问题,本文主要做了以下几部分的工作:1.引入了对象性的概念来获取图像的先验知识,表现为扩散模型中背景参考节点的选取方式从以往的人工强制定义的方式转换为图像的自动感知,从而增强参考节点的灵活性,也能使参考节点覆盖更多的场景,进而能提高图像显著性区域的检测效果。2.引入了基于元胞自动机的思想的迭代更新机制对初始扩散模型所得到的结果进行一定程度的优化。该部分通过各节点之间的相互影响实现显著性检测结果的更新,主要作用在于使前、背景中包含的噪声更少,为后续步骤作准备。3.引入了贝叶斯统计模型对显著性进行像素级别的更新。由于前两部分是基于超像素区域分割、将每个超像素看成一个节点而进行操作的,会存在分割不精确且无法充分考虑到每一个像素点的特征等问题,这一步则是基于前两部分的显著性检测结果的基础上通过在像素级别上使用贝叶斯统计模型为每个像素重新分配显著值,这样做能考虑到每个细节,并使得前、背景充分分离,从而使准确率和召回率都得以提升,达到将显著性区域能完整明显地被强调出来的效果。另外,为了验证本文算法的有效性,本文还与当前得到认可的其他9个经典或先进的算法进行对比实验。该实验在6个不同的公开数据集上进行测试,使用了4种不同的评价指标,能合理充分的说明本文算法的性能。