在过去几年中,神经生物学中的显著性检测成为一项重要研究。在处理图像时,由于存在一些人类兴趣区域(ROI)等重要数据,人们使用不同注意力水平感知图像信息。视觉显著性区域检测是一种实现图像ROI的有效方式。显著性被定义为“一种专注于图像中最有价值部分的注意机制。一些认知和交互系统用来模拟显著性模型。尽管目前存在各种用于显著性检测的先进算法,但相对于无限制和复杂场景中时间成本计算和显著对象分割,在性能改进方面仍具有挑战性。本文重点研究了图像中视觉显著性区域的检测与融合方法。显着性检测在图像视频压缩、目标识别、图像编辑、图像缩略图创建,图片拼贴,图像重定向和图像检索等不同图像处理问题中有广泛的应用。本文主要基于视觉显著性检测,在自然图像中使用自底向上的方法进行重要显著物体的检测和分割。在本文中,我们研究了三种新型的自底向上的显著性检测方法,以解决目前显著性检测算法存在的问题。首先,在第一章中我们对显著性检测算法在不同图像处理问题中的应用进行了概述。第二章简要介绍了现有的自底向上的视觉显著性检测方法。接下来,我们提出了两种创新的自底向上的显著性检测算法以更好地估计突出目标,以及一种新的图像显著区域融合算法。最后,在不同的图像数据集上进行了实验,与目前先进的显著性检测算法相比,我们的算法取得了更好的效果。在第三章中,我们提出了一种新方法(CFBF-SRD),通过使用低层次的视觉线索和贝叶斯框架来计算显著性,以便基于前景和背景信息进行更好的显著性地图检测。贝叶斯框架使算法拥有更准确的显著性估计。在该算法中,利用RGB的颜色和亮度频率特征以及图像的CIEL*a*b颜色空间估计显著的目标和边界。采用图像的低层次视觉特征和带通滤波器来估计和突出显著区域的边界。此外,基于似然概率,通过使用前景和背景信息在每个像素上应用贝叶斯框架计算显著性。大量的实验结果证实了所提出的算法与现有的先进显著性检测算法相比在精度召回,F-测量和计算时间成本等方面的可靠性和有效性在第四章中,我们提出了一种基于环绕性和吸收马尔可夫模型的新型视觉显著性检测方法(SAMM-SRD)。利用吸收马尔可夫模型给出了基于前景和背景的显著性线索估计。在该模型中,利用眼睛固定显著特征和吸收马尔可夫链来估计图像中的显著性。首先,通过对注视点的包围性预测来预估突出目标的近似区域。其次,利用简单线性迭代聚类算法(SLIC)计算超像素,并在这些超像素上建立双环图模型。然后,利用吸收马尔可夫链来估计与前景和背景区域相关的超像素。最后,使用导向滤波器来降低背景噪声并平滑显著性图。实验结果表明,与现有的显著性检测算法相比,SAMM-SRF在精度召回、F-测量,MAE(最小值)值具有更好的性能。在第五章中,我们利用DS-证据理论提出了一种显著区域融合算法(DSET-SRF),该理论被称为“基于DS-证据理论的图像显著性检测综合融合规则”。它提供了一种将显著性图与最相关的显著性提示统一起来的综合方法。该算法通过使用区域级,块级和像素级信息构造不同的显著性映射。然后,利用DS-证据理论(证据理论允许人们结合不同来源的证据,并在一定程度上考虑到所有可用证据)通过使用基于计算的显著性图的前景和背景信息来融合显著像素。显着性图。实验结果表明,与现有技术相比,所提出的融合算法表现出更好性能。