显著性区域检测已成为近年来重要研究课题之一,目的是使计算机模仿人类的视觉注意机制从复杂场景中提取出目标可能出现的区域,从而在后继处理环节中合理分配计算机资源,使资源被充分利用,提高运行效率。由于图像内容丰富复杂,高精度的检测出显著区域具有较高的挑战性。现有基于凸包提取显著区域的算法中往往在凸包内包含较多的背景噪声,算法结果准确性不够理想。为提高检测的准确度,本文提出三种基于凸包的显著性检测算法。第一种方法将利用凸包内外的颜色及空间位置差异计算的显著图与利用图像边界信息得到基于背景先验的显著图进行指数融合,得到的结果表明能够更好抑制背景噪声。为了进一步提高贝叶斯模型算法对显著目标检测的精度,第二种方法利用流行排序算法对图像进行前景提取,作为贝叶斯模型的先验概率,求取RGB、HSV、CIELab三个颜色空间下的凸包交集作为最小凸包,结合颜色直方图计算观察似然概率,最后利用贝叶斯模型计算显著图,改善了显著图的边界清晰度。考虑到使用单一算法的先验图不能适应各种复杂环境,第三种方法充分利用这两种算法的互补性,将基于凸包先验和背景先验得到的显著图和基于流行排序算法得到的先验图进行指数融合作为贝叶斯模型中的先验概率,结合改进的贝叶斯模型得到的显著性图准确度更高。在MSRA和ECSSD两个公开的数据库上对提出的三种算法进行阶段性评估,并与传统经典算法进行对比,结果表明三种算法的F-measure值与经典算法相比均有所提升。提取的显著图在背景虚化应用实验中更好地凸显了内容主题,在内容缩放技术中的应用实验保留了显著性区域的结构特征,进一步证明本文提出的显著性检测算法在实际应用中具有实用价值。