图像显著性目标检测是基于人的视觉注意力机制来识别图像中引起人视觉注意图像区域的技术,在图像检索、目标检测、图像压缩、语义图像标注等领域中得到广泛的应用。虽然显著性目标检测经过十多年的研究已取得了很大的成功,但仍然是一个具有挑战性的研究邻域,需要更有效的方法来处理背景和目标复杂的图像。在现有的显著性检测模型中,面对背景复杂的图像时,检测的结果中包含了大部分的背景信息,或显著性目标的信息丢失,这样导致显著性检测准确性较低并且应用于其它领域的效果不理想。针对此问题,本文提出了一种基于邻域优化机制和一种区域合并的显著性区域检测方法来提取较完整的显著性区域,通过度量包含重要内容的显著性区域之间的特征相似性来实现图像检索。1.在提出的基于邻域优化机制的显著性检测算法中,首先,把输入的图片分割成一定数量的超像素块,用超像素代替像素对图像进行后期处理可以提高算法的计算效率;其次,根据超像素之间的对比度和不同区域的分布性特征构造对比图和分布图,并把这两种图通过一种新的合并函数进行融合;最后,定义超像素之间的邻域关系,建立一种新的超像素邻域更新优化机制。在迭代更新过程中,超像素的显著性状态由其当前邻域和自己共同决定,可以降低区域错误的分配率。在2类图像数据集上测试并与经典检测算法进行对比,结果表明本文提出的检测算法的准确度更高。2.在提出的基于区域合并的显著性检测算法中,首先,利用边界超像素进行聚类,根据边界区域大部分属于背景区域的理论,生成一个显著性目标区域较突出的初始显著图;其次,进行第一次区域合并,通过计算每个区域的综合值并根据综合值的大小顺序融合相邻区域;最后,进行第二阶段的区域合并,利用区域面积、与图像中心点的距离、边界的长度将相邻或不相邻的区域合并,得到最终的显著图。在3类图像数据集上来验证本文算法,结果显示本文算法的效果更好。3.利用提出的显著性检测算法提取显著性区域,根据颜色矩和LBP纹理来度量显著性区域之间的相似度并进行图像检索,从生成的视觉效果图以及每一类图的检索准确值来看,利用显著性区域的图像检索的准确性更高。本文通过建立两种准确性较高的显著性检测模型来提取图像中引起视觉注意的目标并应用于图像检索中,经过试验验证得到,忽略图像背景中不重要的信息,提取包含完整信息的显著性区域在一定程度上了提高了图像检索的准确性。