人眼视觉的一个重要特征就是将有限的处理资源优先分配到人类更感兴趣的区域上。图像显著性区域检测就是模拟人眼这种视觉特效,将图像中更容易引起人类兴趣即显著性高的区域检测出来。显著性区域检测已经应用到许多计算机视觉任务中,例如图像压缩、目标识别、图像索引等多个领域,因此显著性区域检测现在是计算机视觉中的研究热点与挑战之一。生物学研究表明图像中的显著区域多与其他区域有明显差异,所以很多研究者基于图像的对比度设计算法,但是在实际计算过程中部分图像背景中也会出现一些特殊区域与图像其他部分同样有较大的对比度,导致单一基于对比度的显著性区域检测算法无法将这部分背景与显著区域辨别开。同时算法的运算速度也是显著性区域检测算法的重要性能之一。根据对一些经典算法优缺点的总结,本文首先提出一种基于图像分割、正态分布和Wasserstein距离的底层特征表示方法,并通过这种方法对经典的GBVS算法进行改进,然后对GBVS算法的改进效果进行总结,并结合更多的显著性检测原理,进而提出一种基于对比度与特征点最小凸包的显著性区域检测算法,以弥补单一检测原理的显著性区域检测算法的缺陷,最后对该算法进行仿真实验。本文的主要创新点有以下三部分:①本文以超像素作为基本计算单位,使用超像素中像素点的颜色和Gabor滤波所得的纹理的正态分布表示每个超像素的特征,以此建立图像底层特征的数学模型,通过Wasserstein距离衡量超像素之间的特征差异,根据超像素之间的特征差异计算其局部与全局对比度。②根据超像素之间的对比度对超像素进行分类,以每个超像素与不同聚类的契合度以及不同聚类显著的概率计算出全局对比度的显著图,使用经典的中心-周围算子计算局部对比度显著图以加强主要目标的显著性。③找出图像中的特征点,根据不同超像素与特征点最小凸包中心点的欧氏距离计算出中心显著图,并认为最小凸包以外的区域均为不显著的,以此估计出图像中主要目标的大致位置。最后将全局、局部对比度显著图与中心显著图相结合得到最终的显著图。本文采用Matlab仿真软件与VLFeat工具包对本文提出的算法进行仿真验证。在MSRA图像数据库上进行仿真验证。计算最终检测结果的查准率、查全率以及F-measure三个评价指数对算法进行评价,相比于一些经典算法有了一定的提高。