日益发展的机器视觉技术让我们享受到信息时代的高速与便捷,而机器视觉研究的基础在于对图像的处理,如何高效的提取图片中的有用信息是机器视觉的重点研究课题之一。通过显著性区域的检测,可以有效分辨图像的前景与背景,获得更能吸引人眼视觉关注的区域。在此基础上可以更加高效地实现图像分割,目标识别,图像压缩等多种机器视觉的应用。本文首先介绍了几种经典的图像显著性检测模型,并对每种模型的特点进行分析,针对现有显著性检测模型存在的特征因素单一问题,我们在现有模型的基础上,提出了基于人眼感受度和图像物体度的显著性检测模型。人眼感受度在本文中指的是色差感受度和模糊感受度两种因素。其中色差感受度的计算是在Lab颜色空间,使用SLIC算法将图像分成许多超像素块,建立马尔科夫随机游走图模型,分别选定背景节点和前景节点为吸收态,计算相应状态下的马尔科夫吸收概率,用超像素块之间的颜色特征相似度作为衡量其显著性的依据。图像的物体度是在多个尺度上综合考虑图片中的颜色对比,边缘密度和超像素跨越等细节特征对图像进行评价,衡量该像素是某一物体的组成部分的概率。结合色差感受度和物体度,我们提出一种计算图像显著性值的模型。随着研究的深入,我们发现模糊感受度这一特征更符合人类视觉的选择注意机制。因此在原来模型的基础上引入模糊度特征,假设图片中的边缘像素出现聚焦模糊现象,用产生的弥散圆的半径近似估计模糊度的值。根据韦伯费希纳定律,我们对于人眼感受度指标取对数运算,并叠加物体度的计算,以概率的形式得到最终的显著值。通过理论推导和实际图像检测的方法,证明该图像显著性检测模型更多的分析了图像的特征,而且引入了与人眼视觉注意相关的要素,可以更精确的检测出显著性区域,具有较好的实际应用价值。