计算机视觉可以模拟人类视觉机制,其功能和人大脑功能相似,可以自动筛选自然情境中主要信息,并进行理解与分析。作为计算机视觉研究的核心内容,图像显著性检测受到研究者的广泛关注,并应用到图像分割和目标识别等领域。图像显著性检测就是根据检测原理,在视觉范围较广的情况下,在短时间内检测出图像中的主要信息,即显著性区域,从而提升图像处理的速度。由于图像类型较多,图像显著区域的检测算法还在逐步探索完善之中。针对当前图像显著性检测算法存在的显著目标检测不准确和边缘不清晰的问题,提出一种基于改进贝叶斯融合的图像显著性检测算法。该算法首先进行超像素分割,并去除图像背景边界,提取暗黑通道和compactness先验特征,检测出显著目标,得到初级显著图,进而针对初级显著图进行多核学习训练优化,并通过引导滤波平滑显著目标边缘得到次级显著图,最后基于改进的贝叶斯完成初级显著图和次级显著图的融合,得到最终的显著结果图。本文主要工作如下:首先对图像进行预处理,采用SLIC对图像进行超像素分割,按照摄影学原理,在图像的边界处通常不含有显著区域,因此对整个图像去除边界部分,使得算法计算更简洁、减少时间成本。构建初级显著图的过程,通常是采用颜色等特征直接进行计算,虽然计算速度快,但结果相对较差,本文提出将颜色、亮度特征与图像空间紧凑性特征相结合,提取暗黑通道和compactness先验特征,得到初级显著图。为进一步解决数据集中图像数量多,图像大小各异,图像目标分类不明确的问题,采用多核学习方法进行初级显著图的优化,将训练与测试都在一张图像上进行,随后采用引导滤波方式进一步优化,平滑显著区域边缘,得到次级显著图。因为图像中物体大小不一,显著性目标可能出现在多种尺度上,而传统单尺度分割方式无法灵活调控尺度大小,又对超像素数量极其敏感,因此本文采用多尺度超像素分割和特征提取,得到可以均匀凸显出显著目标的初级、次级显著图。为更好地发挥初级和次级显著图的优势,将初级显著图和次级显著图分别依次作为先验概率和似然概率,计算出两个后验概率,并提出采用不同权重融合二者的方式完成贝叶斯的融合,得到最终显著结果图。本文在4个公开数据集上与8种流行算法进行结果分析,完成定性评价和定量评价指标(精确率、召回率以及F-measure值)分析,实验结果表明本文算法能够更好地抑制背景,进一步提高了显著目标的检测结果。