图像显著性检测是计算机视觉研究领域重要的一环,在计算机视觉的各个领域得到广泛的应用,作为图像预处理步骤,能够获取视觉感兴趣区域,去除图像中的冗余信息,提高图像处理效率。但由于图像中复杂的背景、目标种类繁多等技术难点,开发鲁邦的显著性检测算法仍是一项有挑战性的研究课题。本文提出一种自底向上的显著性检测算法。不同于以往的将关注点放在图像中心的方法,本文将背景节点和前景节点结合起来考虑,提出一种新的显著性检测算法,具体分为以下三个步骤：首先,将图像进行超像素分割,从图像周围提取超像素组成边界集合,结合物体边缘信息去除边界集合中的前景超像素,获取到背景节点集合。利用图像超像素与背景节点间的对比度关系,计算得到基于背景节点集合的显著性图像。然后,将得到的基于背景节点集合的显著性图像进行自适应阈值分割,获取超过阈值部分对应的超像素组成前景节点集合,利用图像超像素与前景节点间的对比度关系,计算得到基于前景节点的显著性图像。其次,将基于背景节点集合和基于前景节点集合的检测结果图像进行融合,得到融合后的显著性图像。融合后的结果既能突显前景目标,又能抑制背景噪声。最后,将融合后的显著性图像进一步进行优化,利用K-Means聚类方法对融合后的显著性进行均衡处理,利用围绕目标中心的二维高斯模型得到基于像素级别的显著性图像,最终得到更加平滑和准确的显著性图像。此外,本文提出的显著图融合机制,在将本文算法与其他模型算法的融合过程中,也有显著效果。本文在三个公开的显著性检测数据库上对本文的方法与多种检测算法进行了对比评测。实验数据证明,本文提出的基于背景节点和前景节点的检测方法要优于其他方法,能够获得更好的显著性检测效果。