随着互联网技术和数字多媒体技术的快速发展,每天都会产生海量的图像数据,由于人类的视觉系统具有快速定位图像中显著性目标的能力,进而对图像中的感兴趣区域进行快速处理。显著性目标检测就是模仿人类视觉系统的工作机制,对图像中的显著区域进行迅速定位,并作为后续高级任务的预处理步骤。因此,研究显著性目标检测受到越来越多研究学者的关注。针对于目前显著性目标检测方法存在的局限和不足,本文通过融合不同检测原理的弱显著性检测方法,得到对图像显著性目标的强估计,检测结果更准确而且适用性更好。本文的主要内容及贡献如下:1、提出了一种基于协同显著性的单图像显著性目标检测算法。首先对待检测图像进行超像素分割,并用多种弱显著性检测算法对待检测图像进行显著性检测,获得多幅显著性检测图;然后根据多幅弱显著性图和超像素分割结果获取超像素块的特征矩阵,进而通过能量函数得到每个超像素块的显著性值;最后通过超像素块显著性值和阈值比较选取种子点,根据待检测图像像素点之间的关系建立权重矩阵,并构建游走方程,在种子点游走后得到其它非种子点的显著性值,获得最终的显著性结果图。实验表明,该方法能够更准确地检测出图像中的显著性目标,而且在不同数据集上均表现出良好性能。2、提出了一种基于协同显著性的多图像共显著性目标检测算法。充分利用多图像间的相互关联信息,依据多幅图像中像素点的特征进行聚类,根据聚类结果分别计算对比度线索、空间线索和一致性线索。在获得全部图像的初始显著性图后,通过三种线索的加权优化,进一步获得协同显著性检测后的共显著性目标检测结果图。实验表明,该方法可以更准确地检测出多幅图像间的共显著性目标。