随着信息技术的发展和数码产品的普及,图像和视频资源越来越丰富,但信息冗余问题随之产生。因此,从图像或视频资源中提取重要的信息从而对图像或视频进行简洁有效地表达显得越来越重要。受人类视觉系统高效处理机制的启发,图像显著性检测模型应运而生。图像显著性检测算法的主要任务是准确高效地提取图像中最能引起人类视觉关注的显著性区域。以往的显著性检测算法一般是基于对比度先验知识或中心先验知识,但是通常会存在不能均匀突出显著性目标的问题,并且当显著性目标不在图像中心时,传统的中心先验知识假设将不再成立。基于此,本文提出了一种基于先验知识融合的自底向上显著性目标检测算法。与以往大部分算法直接对图像底层信息进行处理不同的是,本文采取了由粗到细的两级策略进行显著性检测。首先,在第一级中,本文利用先验知识的融合生成粗糙显著性图。针对传统中心先验知识鲁棒性不高的问题,利用角点检测算法来粗定位图像中目标的中心,并以此获得新的中心先验知识,提高算法的鲁棒性。另外,考虑到图像中显著性目标一般不会与图像边界相接触,将图像像素的显著性定义为当前像素与边界像素的相关性,进而充分地利用图像的边界先验知识。而后将对比度先验知识、新的中心先验知识和边界先验知识有效融合获得粗糙显著性图。其次,为了进一步改善粗糙显著性图的性能,本文在第二级中提出了基于先验知识融合的能量方程,使得最终的显著性图能够更加准确均匀地突出显著性目标。该能量方程融合了基于边界先验知识的背景能量项、基于粗糙显著性图的数据能量项和基于光滑先验的光滑能量项。最后,本文在三个公开数据库上进行了大量的实验合理评估所提方法的有效性,包括边界先验知识的有效性、粗糙显著性图的有效性,以及能量方程的有效性。实验结果表明,相对于以往的算法,本文所提的算法能够更加准确高效地突出显著性目标。