图像显著性检测利用计算机模仿人类视觉注意机制,来提取图像中的重要区域,它是机器视觉领域的热门研究课题之一。本文对图像显著性检测进行深入研究,围绕着准确捕获显著目标、改善显著目标周围模糊现象、增强算法适用性几个角度,提出基于多先验融合策略的图像显著性检测及其优化算法。主要研究内容如下:(1)多先验标签的融合传播及显著性检测基于可应用的深层次有效视觉先验特征,可以实现对图像组织内容更为准确的刻画。因此,本文融合基础的中心先验、类物体性先验、图像四周边界先验、边缘概率先验,分别选择出目标、背景先验标签,并将这两类标签整合到一个整体可计算的多先验标签融合传播框架中,利用元胞机的更新规则,准确地扩散标签的显著信息,实验证明该算法能够成功捕获显著目标。(2)显著目标轮廓先验标签的局部分析由于显著目标周围的背景像素也很容易被赋予较高显著度,因而容易产生模糊现象,造成显著目标轮廓不清晰的后果。为了改善这一现象,本文定义一种新的显著目标轮廓先验标签,提出显著目标轮廓先验标签的局部分析算法。在局部范围内,依据轮廓先验标签构建分界线,分析讨论轮廓标签中心与局域内超像素的相对位置关系,对显著目标轮廓局部范围内的超像素归类标记,判定其是否属于显著区域。实验证明,提出算法可以有效改善显著目标周围的模糊现象。(3)多先验显著结果的引导优化对于一些背景复杂、结构层次多样的图像数据,先验信息对图像内容和组织的描述有时会偏离人类视觉认知。多先验融合算法主要依赖图像有效先验进行显著性检测,在某些情况下,不能取得令人满意的检测结果。为了建立适用性强、提取性完整的显著模型,本文在已得显著结果的引导下,结合多核增强学习算法思想,构建一个性能更好的分类器分离目标和背景区域,在一定程度上引入图像的整体视觉线索。实验证明,该优化算法能够改善单纯依赖先验描述图像显著特征的不足,使算法的整体性能获得进一步的提高。