随着网络技术的不断发展和多功能电子设备的普及,图像中所承载的丰富信息使得人们的日常生活和工作变得更加的便捷,但多媒体信息的冗余也带来了新的挑战。随着图像的爆炸式增长和图像质量的参差不齐,如何能够通过图像处理技术更快更有效的组织、提取和呈现关键信息已经变得越来越重要。图像显著性检测算法的有效性在于它可以自动定位图像中的最能引起人类视觉关注的显著性区域。然而,先前的显著性检测算法通常只能产生富含噪声或者较为模糊的显著性图,这对于后续的图像应用程序的性能产生了极大的限制。针对上述问题,本文提出一个基于超像素的显著性区域检测框架,并通过结合各种先验知识来增强视觉显著性检测。第一,改进现有的方法来获得粗糙显著性图。首先利用超像素分割算法将图像相似区域聚合产生超像素图,然后结合颜色对比度、中心先验和空间关联得到初始显著性图。不同于传统计算方法中使用每个超像素的平均颜色,本文直接选取每个超像素中出现频率最高的颜色值作为计算对象,有效地减少了由分割过程中引入的噪声进而提升鲁棒性。基于此,本文也建立了颜色调色板对原始图像进行重新量化,得到与原图相似但颜色信息更少的图像,这样大大的减少了计算复杂度。最后采用颜色直方图平滑算法重新计算全局上下文,产生了粗糙显著性图。第二,本文提出了一个迭代框架来进一步优化粗糙显著性图。一方面,考虑到显著性区域通常不会直接与图像边界相连,将图像显著性定义为当前超像素与边界超像素的对比度,进而直接利用图像的边界先验知识,能够有效的抑制图像中的非显著区域。另一方面,考虑到显著区域通常聚集在一起而且大部分显著性像素具有相似的颜色,因此将所有相似颜色的超像素赋予相似的显著性值,可以极大的凸显显著性区域。此框架可以通过循环迭代来优化粗糙显著性图,有效的增大了显著区域与非显著区域之间的对比度,最终可以得到具有高分辨率、噪声少、接近于二值化的显著性图。最后,研究了本文提出的显著性检测方法在实际中的应用。像素的显著性值可以作为原始图像的先验约束,提供给后续的图像应用充足的前景和背景信息。本文将所提算法的显著性图直接应用到内容敏感的图像缩放以及基于显著性检测的自动化抠图程序中。实验结果证明本文提出的显著性检测方法很适合与实际应用相结合,并大大提升了原应用程序的性能。