图像的显著性目标或区域是指图像中最容易吸引人们关注的目标或区域,图像显著性检测就是利用计算机模仿人类视觉注意机制,对图像信息进行有选择地处理和忽略,自动提取出图像的显著性目标或区域。随着图像信息处理技术和计算机技术的发展,显著性检测广泛应用于机器学习和图像处理等领域,显著性检测技术的研究已经成为计算机视觉领域中的热点之一。尽管目前的图像显著性检测技术已经取得了很好的研究成果,但是随着计算机视觉系统的智能化发展和应用领域的逐渐增多,这些检测算法仍存在着一定的缺陷,显著性检测技术还有着很大的进步空间。本文在人类视觉注意的基础上,对显著性区域检测技术进行了研究,并提出了两种显著性检测方法:1.为了更加准确地提取图像中的显著性区域,本文提出了一种基于区域对比的显著性检测方法。该方法首先采用超像素分割算法对图像进行预处理,将图像分割为若干个区域,使检测结果能够大致保持显著性目标的形状;然后由每个区域的颜色对比度和空间对比度计算出该区域的显著性值,生成最初的显著性图,大致区分图像的背景和显著性目标;再结合图像子区域与其邻域像素平均特征向量之间的对比度,将图像由区域块对比上升为像素级别的对比,提高显著图的精细程度;最后根据中心优先原则为靠近中心区域的像素分配较高的权值并得到最终的显著性图。为了对该算法的效果进行验证,本文对MSRA数据库中的1000幅自然图像进行了实验,并与最近流行的几种显著性检测算法作对比,结果表明该算法不但可以准确检测出显著性区域而且抑制背景效果较好。2.考虑到图像的先验知识对显著性检测具有重要作用,本文从图像边界信息的角度出发提出了一种基于边界先验的显著性检测方法。该方法通过超像素分割算法将输入图像分割成一定数量的超像素,保留显著性目标边缘信息;然后结合边界先验理论,把颜色特征与边界相似的超像素归于背景。由于图像的复杂性,图像的上下左右四个边界差异较大,为了提高检测的准确度,本文分别对图像的上下左右四个边界进行处理得到对应的显著性图,然后将它们合并生成边界先验显著性图。因为超像素的尺度不同对边界区域选取的影响较大,本文分别对不同尺度的超像素进行处理并将结果融合得到最终的显著性图,把显著性区域从背景中提取出来。通过大量的实验并从主观和客观两方面对实验结果进行评价,结果表明该方法在突出显著性目标的同时可以有效地抑制背景,效果比较好。