随着科技的高速发展,手机、相机、平板电脑等多媒体或智能终端设备逐渐普及,人们生活中充斥着大量的信息,需要存储和分析的图像数据规模海量增长,使得对视觉信息的处理变得有困难性和挑战性。图像的显著度检测借鉴人类视觉注意力选择机制,使计算机能够提取图像中的显著目标,并作为其他应用的预处理过程,具有深远的研究意义和应用前景,在计算机视觉、图像处理、人工智能等领域都有广泛应用并产生了深远影响。对于现有显著度检测模型的不足,本文以图像拓扑结构为研究出发点,从对比度和结构连通性两种角度分别构建显著度检测模型,以增强检测效果的稳定性和准确性。(1)针对现有模型中基于距离度量的对比度计算方法,容易忽略图像的拓扑结构信息或对拓扑结构描述不充分从而造成检测效果不理想的问题,提出了一种基于流形学习的显著度检测模型。该模型采用流形学习中的扩散映射方法,通过迭代过程由局部邻域向全局进行扩散,在这一过程中将特征差异与拓扑结构融合起来得到图像全局信息。此外,该模型提出一种平均扩散距离来计算图像单元之间的对比度,实验表明能够有效提高显著度检测模型的抗噪性和鲁棒性。(2)针对复杂背景图像中由于光照变化或噪声引起的边缘不清晰问题,提出了基于各向异性扩散的显著度检测模型。该模型利用各向异性扩散有方向性和限制性的边缘感知能力,能够有效保留图像中重要边缘结构并去除冗余噪声,从而作为图像单元边界连通性的度量,并将结构连通性与外观对比度相结合来检测图像的显著性。实验结果表明,该模型结合了结构信息和特征对比,提高了显著度检测的准确性和稳定性,有效解决了图像中的边缘模糊问题。