图像显著性检测是利用计算机模拟人类的注意机制从图像中提取出感兴趣的区域,用于后续的图像处理,该技术广泛应用于目标识别、图像检索、图像分割、基于内容感知的图像压缩等领域。现有的图像显著性算法大多能够检测出背景比较简单的图像中的显著目标,对于复杂背景的图像仍存在显著目标内部不能均匀一致突出,显著目标检测不完整的问题。针对以上显著性检测算法中存在的问题,本文提出基于多图模型流形排序的图像显著性检测算法。本文的主要工作和创新点包括:本文提出了一种基于多图模型流形排序的图像显著性检测算法。首先,以超像素为节点分别构造K正则图(K Regular Graph)和KNN图(K Nearest Neighbor Graph)两种图模型;然后基于全局前景假设,利用流形排序算法计算两种图模型上节点的显著性值;最后将两种图模型下得到的节点的显著性值在节点级上进行加权融合,并生成显著图。本文利用两种图模型来刻画数据节点之间的关系,弥补了仅利用单一图模型得到的显著图中,显著目标不完整的问题,并在一定程度上抑制了显著图中的背景噪声。本文将基于多图模型流形排序的图像显著性检测算法在多尺度上进行扩展,提出多尺度的多图模型流形排序图像显著性检测算法。由于低尺度图像中细节信息较少,能够突出主要的物体,可以在一定程度上抑制背景图像中的噪声,本文对原图像进行低尺度建模,在不同尺度上利用基于多图模型流形排序的图像显著性检测算法计算显著图,并将生成的显著图进行加权融合,得到最终的显著图。将本文提出的算法与当前流行的14种显著性检测算法在三个公开的数据库MSRA-10K、SED2和ECSSD上进行对比实验,同时利用四种常用的显著性评价指标P-R曲线、ROC曲线、F-measure和AUC值对不同的算法进行评价。实验结果显示本文提出的算法能够准确地提取出图像中的显著目标,并且检测到的显著目标更加完整,显著目标内部更加均匀一致。