随着科技的不断发展,计算机视觉成为时代新兴的研究方向。而图像显著性检测,作为近年来计算机视觉中的一个热点课题也广受关注,越来越多的国内外学者投入到对这个课题的研讨之中。随着多媒体技术以及社交网络的飞速发展,生活中往往会出现成组的照片,这些照片会包含相同或相似的目标。而对于这些成组出现的图片共同进行显著性检测的问题,则被称为协同显著性检测。协同显著性检测的目的为检测出一组图像中所共有的显著目标,具备了一定的难度,并具有较深的实际意义,可应用到多种图像处理领域中,如图像分割、协同目标定位、图像检索等。目前大多数协同显著性检测的方法都是基于单个层次的,例如基于像素的算法,或是基于超像素、基于目标区域的算法。基于不同的层次的算法都会有自身的优点,然而也会存在一定的弊端,因而只基于一个层次的算法往往会存在一定的不足。与以往方法不同,本文将目标层和超像素层这两个层次结合,提出了一种基于多层次结合的协同显著性检测算法。首先在目标层进行目标候选样本的筛选工作。本文采用由粗到细的方法来挑选更为准确的目标候选样本,并在精细筛选中,将目标候选样本的筛选问题视为噪声检测问题,利用噪声检测算法来进行精细筛选,最后得到较为准确的图像目标模板。随后用这些模板来指导超像素层的操作。在超像素层,通过对超像素分类,重新为每个超像素分配标签。本文将传统分类模型进行改进,在模型中加入拉普拉斯约束,起到了很好的平滑作用。然后利用目标层得到的模板选择初始的伪真值标签,来指导超像素的重新分类,并根据分类结果得到最后的显著性图。本文在iCoseg和MSRC两个公开图像库上进行测试,结果表明,本文提出的算法取得了良好的效果。