计算机视觉是指利用计算机来模拟人类视觉系统机制的特性,使其能够像人类一样自动地对自然场景进行理解和分析。图像显著性的检测作为计算机视觉领域的一个热点研究方向,逐渐受到学者们的关注和研究,其通常被作为图像的一种预处理步骤来应用到许多计算机视觉任务中,例如图像分割,图像检索和图像压缩等。图像显著性检测的主要目的是模仿人类视觉注意力机制来提取视觉显著区域,即图像中最吸引人类注意的区域。通过图像显著性检测操作,能够从大量视觉信息中选取少量的重要信息作进一步的处理和分析,从而提高图像处理效率。因此,对图像的显著性检测技术进行研究具有十分重要的意义。由于图像的多样性和复杂性,要准确地检测出显著目标区域仍具有一定的难度和挑战性。由于缺乏高层的信息知识,若仅使用低层的特征信息,自底向上的显著性检测方法很难取得满意的效果。因此,本文基于高层的先验信息,提出两种不同的图像显著性检测方法,主要研究内容如下:(1)提出一种基于背景先验和前景先验信息的图像显著性检测方法。首先,将图像进行超像素分割,利用背景先验知识把位于图像四个边缘的超像素当作背景区域,得到先验背景节点集合。通过根据其他超像素与背景节点的对比差异度,计算得到基于背景先验的显著图。然后,检测图像中的兴趣点并构造一个围绕这些兴趣点的凸包,从而能够得到一个粗略的显著区域位置,因此可以将这个凸包认为是前景先验知识。接着,结合背景先验显著图和凸包区域,通过阈值分割得到先验前景节点集合,利用其他超像素与前景节点的对比相似度,计算得到基于前景先验的显著图。最后,将得到的两个显著图进行融合并作进一步优化生成更平滑的显著图,使得检测效果不仅能够更加突出显著区域,又能有效地抑制背景噪声。(2)提出一种结合前景先验信息和流形排序算法的图像显著性检测方法。传统的基于流形排序算法的显著性检测方法存在过度依赖先验背景节点的问题,导致对复杂图像的检测效果不佳,因此,本文采用先验前景节点来代替先验背景节点,并且采用两种不同的特征度量来表示区域间的差异,从而进行显著性检测。首先,计算图像的凸包,得到显著目标的粗略位置。然后,根据凸包内超像素与凸包外所有超像素的差异度来选取先验前景节点。接着,使用不同的区域特征描述子来构建两个闭环无向图模型,将上个步骤得到的先验前景节点作为查询节点,采用基于图的流行排序算法进行显著性检测,从而获得两个显著图。最后,对两个显著图进行融合并优化来生成最终的显著图。在三个公开的图像数据库上进行了仿真实验,实验结果表明,本文提出的两种算法能够获得不错的检测效果,与一些主流的算法相比,检测性能得到较大的提高。(3)为了体现图像显著性检测技术的实用价值,本文将所提的两种检测算法分别应用到图像缩放和背景虚化等图像处理任务中。在图像缩放中,通过利用显著性检测技术能够使缩放后的图像更集中在重要目标上;在背景虚化中,只对非显著区域进行模糊,而不对检测到的显著区域进行模糊,这能很好地起到突出图像主题的作用。