图像是一种重要的信息来源,通过图像人们可以方便直观地了解很多文字无法表达的信息,因此对图像的研究也得到人们越来越多的重视。随着信息技术的飞速发展,图像的规模和复杂程度以爆炸式的速度增长,为后续的图像处理和目标分析带来了极大难度,如何高效智能化处理这些数据成为人们关注的焦点。显著性检测目的在于实现将显著性目标从图像背景中自动检测,成为人类视觉注意机制系统中神经科学和心理学的一个重要的基本概念。本文首先对当前已经提出的显著性检测方法进行详细的分析理解,在此基础上,本文发现现存的显著性算法由于只采用单一的颜色或者灰度特征,导致实验结果质量不高。由于单一特征通常只能捕获视觉信息的一个方面,单个图像特征存在片面性,很难完整描述区域信息,例如,颜色特征描述因子很难很好的描述纹理信息丰富的图像。因此本文试图从多个特征对图像进行分析,例如灰度、纹理、亮度等,然后对可能应用到显著性检测方法的特征进行单独分析。特别需要注意的是,目前大多数显著性检测方法主要考虑的视觉特征有方向、灰度、强度等,但对图像纹理特征研究的较少。基于图像的纹理特性,本文利用灰度共生矩阵研究图像的纹理信息,并在灰度共生矩阵的基础上提出彩色共生矩阵的方法,根据两点像素之间的颜色和纹理特征,反映彩色图像在方向、间隔、变化幅度及速度快慢上的综合信息。在超像素理论的基础上,本文提出一种基于超像素的图像显著性检测算法。目前大多数算法是在像素水平上计算显著性价值,最终的显著性图存在分辨率低,结果精度低的缺点,本文尝试利用超像素将输入图像分割成多个统一、紧凑的区域来解决此类问题。另外,在拉普拉斯塔式分解的基础上,本文引入图像融合的概念提出一种基于拉普拉斯塔式分解的显著性检测算法。本文采用基于拉普拉斯金字塔分解的多分辨率分析方法对图像进行多次迭代,完成多尺度分解,将图像的重要特征和细节按照不同尺度特征分解到不同的子图像,对分解后的对应层图像采用不同的融合算子进行重构得到最终的融合图像。最后本文通过定性和定量的方法评估显著性检测的性能。