近年来,许多专家学者立足于探究显著性检测。图像显著性检测算法的主要目的是识别出显著目标,即人眼视线停留时间越长的位置,就是越感兴趣的区域。除此之外,还要不遗余力地剔除其他繁杂信息。通过显著性检测算法得到最终的显著图,展现在人们面前的是一张灰度图像。图像中像素的显著值越高,那么,被视作显著区域的概率越大。从简单到复杂的显著性检测算法虽然取得了很好的实验效果,但是,该方法仍然具有很大的提升空间。为此,本文提出了一种新的显著性检测算法,具体工作如下:(1)提供新的获取背景和前景种子集合的方法。该方法利用边缘策略剔除混入边界种子中的前景像素,从而获得背景种子集合和背景显著图。采取自适应阈值分割技术分割背景显著图,获得前景种子集合和基于前景种子的显著图。(2)引入中心先验。融合基于前景种子的显著图,得到前景-中心显著图。同时,采取一种新的融合方式,即融合背景显著图与前景-中心显著图,得到融合后的显著图。(3)引入暗通道先验。融合步骤(2)得到的显著图与暗通道先验显著图,从而获得粗略的显著图。(4)优化粗略的显著图。为了抑制粗略显著图中的背景噪声,提出削弱函数。同时,考虑到显著物体不在图像中心位置的情况,给出基于显著物体中心位置的高斯模型。本文在4个公开的显著性检测数据集上与其他9种算法进行比较,评估结果验证了本文算法的可靠性。同时,本文还验证了参数对实验结果的作用并分析了算法各阶段的有效性。