图像显著性检测是很多计算机视觉任务的重要步骤,但是仍然是一个具有挑战性的课题。显著性指一个物体与其周围环境的迥异性,描述了该物体从其背景环境中突显出来的能力。图像显著性检测算法的主要任务是估计图像中显著目标可能出现的位置,并以灰度图的形式输出一幅显著性图,显著性图中一个像素的灰度值越大则其显著性越高,即越有可能属于显著目标所在的区域。本文通过在贝叶斯框架下研究图像中的低层和中层信息提出了一种新的自底向上的图像显著度检测模型。与以往直接对图像低层信息进行处理的方法不同,本文采用了由粗到细的策略作显著度估计。首先,在图像中检测兴趣点,进而计算围绕兴趣点的凸包得到一个粗略的显著度区域。然后,结合这个大致的显著度区域,本文提出了两种方法来计算图像的先验显著度分布,同时使用低层信息计算观测性似然概率,从而得到每个像素处的显著值。本文没有简单的使用一个常数来描述整个图像的先验显著度分布,而是提出两种方法利用超像素代表的图像中层信息对图像中的每个像素计算一个不同的先验概率值。本文提出的第一种方法通过结合凸包以及超像素的颜色特征和空间位置特征的欧氏距离来计算先验显著性概率；在第二种方法中,本文提出了一种新的聚类方法一拉普拉斯稀疏子空间聚类算法(LSSC),并利用该聚类算法对超像素进行聚类,然后结合围绕兴趣点得到的凸包计算先验显著性图。由两种不同的先验显著性图,本文结合相同的基于颜色直方图计算得到的观测性似然概率,在贝叶斯框架下得到了两种显著性图。在得到显著性图之后,本文在一个公开的图像数据库上进行了大量实验,并利用这个图像数据库的人工标记真值合理的评价本文提出的方法,包括本各文提出的聚类方法,两种先验显著性图以及最终的两种显著性图。实验结果表明了本文提出的两种先验显著度分布对于提高显著性图精确度的有效性以及拉普拉斯稀疏子空间聚类方法的有效性。与其它几种方法对比,实验结果显示本文得到的两种显著性图能更准确的强调突出图像中的显著性区域。