随着科技的日益发展,数字图像越来越广泛地应用于人类生活的各个领域。计算机视觉领域中显著性检测技术变得越来越重要。图像的显著性检测基于视觉注意机制,旨在将人眼注意到的显著物体用计算机识别出来,并应用于图像检索、目标检测等各个领域。在已有的显著性检测算法中,MR算法(Saliency detection via graph-based manifold ranking)最早将流形排序应用到显著性检测中,取得了较好的实验结果,是一个经典且具有代表性的显著性检测模型。但MR算法对于一些复杂图像的处理上仍有不足,本文在此基础上进行改进,具体工作如下:(1)在预处理阶段,采用SLIC以及Pedro两种不同分割方法对输入图像进行分割,构建多尺度超像素分割图。再分别将四条边界作为背景种子点进行流形排序,得到粗略边界显著图。这样可以对边界超像素进行约束,在一定程度上避免显著物体出现在边界时,被误判为背景的情况出现。(2)为避免边界信息带入过多,本文提出新的融合策略对粗略边界显著图进行融合,得到粗略背景显著图。再采用自适应阈值策略得到前景种子点,进行流形排序,得到粗略前景显著图。(3)为优化粗略前景显著图,本文引入MS算法(Saliency Detection with Multi-Scale Superpixels),将该方法得到的显著图与粗略前景显著图相融合,选取更加精确的前景种子点,再进行流形排序,得到最终显著图。而此阶段的流行排序,本文将不再应用超像素块在颜色空间的均值,而是利用所得显著值代替,这样做可以更加精确地突出前景信息,抑制背景信息。本文在4个具有代表性的数据集上与8种经典显著性检测方法对比,结果表明,本文所提算法具有较强的显著性检测能力,充分证明本文算法的有效性。