当今社会,信息与科学技术高速发展。人们在每一天的生活中,都被动或主动地接受着形形色色各种信息,而当今社会是一个快节奏的社会,这就要求人们能够在大量的信息轰炸中快速地提取出所需要的有用信息。在每日接触到的多种多样的信息中,图像信息占据了半壁江山,所以在计算机视觉领域对图像信息的处理技术尤其是对一幅图中显著信息的提取,在构建便捷的信息化时代中显得尤为重要。本论文系统地介绍了图像显著性检测的基本理论并研究了几种经典的显著性检测算法,针对传统算法产生的显著图中目标边缘不清晰、背景抑制不充分等问题,提出一种基于直方图对比度与引导滤波的显著性检测算法,和一种基于背景先验的显著性优化算法,并通过实验验证了所提出算法的有效性。论文有以下主要工作与贡献:1.深入研究了图像显著性检测领域的几种经典算法,给出了算法原理并详细分析了各自的优缺点。2.提出了一种基于直方图对比度与引导滤波的显著性检测算法。首先,利用基于直方图对比度(Histogram-based Contrast,HC)的方法来检测显著性对象,得到一个初步的显著图;然后,通过对输入原始图像进行边缘提取与背景轮廓剔除操作得到能够大致框定显著目标的轮廓图,接着对其进行引导滤波得到第二幅初始显著图;最后,基于区域能量按照特定的规则融合两幅初始显著图生成最终的显著图。该算法得到的显著图不仅保持了HC显著图对显著性对象内部信息的出色的提取能力,并且兼具引导滤波后得到的显著图对显著目标边缘良好的保持能力。大量实验表明,本算法的各项性能指标明显优于几种已提出的显著性检测算法。3.提出了一种基于背景先验的显著性检测算法。图像的边缘提取是图像理解和分析的基础步骤,该方法首先利用卷积神经网络(Convolutional Neural Network,CNN)来获取图像的边缘特征。由于卷积神经网络卷积和池化计算的特性,图像的平移不会对最后的特征向量产生影响,所以CNN提取到的图像特征过拟合的概率极低,而且CNN抽取特征的过程更科学,提取到的特征准确率更高。然后,将边缘图应用到利用边界连续性判断图像背景的显著性检测算法中得到初始显著图;接着,对输入图像采用简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)超像素分割算法并以特定的超像素做为背景先验计算图像的显著值;最后对不同的区域采用不同的融合规则融合得到的初始显著图。该算法产生的显著图较好地保持了显著目标的内部细节,去除了传统算法引入的图像背景噪声。实验结果证明,该算法不仅能准确地检测出显著目标而且能较好地抑制图像背景。