当人类观察图像时,他们可以通过视觉注意机制轻松地注意到目标或感兴趣图像的重要部分。显著性检测的目标就是通过计算机来实现同样的效果。显著性检测可以使计算机能够快速地从图像数据中提取出关键区域,排除图像中的干扰因素,从而更好地处理图像。但是准确地检测出给定图像的显著性区域是一个具有很大挑战的任务。显著性对象具有难以用通用数学模型表达的各种特点。另外,显著性检测常常用于其他工作的预处理,因此显著性检测还应该满足快速的特点。显著性检测在目标自动检测、图像检索、物体识别、图像分割等很多领域应用广泛。本文通过对一些经典的显著性检测算法和图像分割算法进行研究对比,提出了一种基于Meanshift聚类分割的显著性检测算法,本文主要分为两部分,第一部分,在FT频域调谐算法的基础上进行改进,使用BM3D滤波代替原来算法中的高斯滤波,BM3D滤波能够在平滑去噪的同时更好地保留一些图像的细节信息,然后将图像从RGB颜色空间转换为Lab颜色空间,通过计算滤波后的图像与整幅图像均值两者之间的加权欧氏距离得到初步显著图。第二部分,获取初步显著图后,通过改进Meanshift聚类分割方法得到分割比较好的区域。第一,在分割之前对原图像进行预处理,去掉图像的噪声;第二,在Meanshift聚类过程中不断更新数据样本集,加快算法的计算速度;第三,在Meanshift聚类得到初步的图像分割区域后,通过一定的合并策略把区域进行合并,然后得到被分为几个区域的聚类分割图像。最后将每个区域与改进的频域调谐算法得到的初步显著图的均值进行阈值比较,去除非显著区域部分,保留显著区域。在公开数据集ASD上对本文所提出方法和其他几种显著性检测算法进行了对比,结果表明,本文算法的准确率、召回率以及F-Meansure指标更高,检测的结果更完整,更准确。