随着互联网和多媒体技术的发展,网络服务器提供了大量的图像,给后续的图像处理和分析带来极大地挑战。人类视觉系统可以很容易地判断图像中的显著性区域,并注意到图像的重要部分,深入研究显著性检测技术,让计算机具备人类视觉系统这种捕捉显著性信息的能力,对提高图像分析和图像理解系统的性能以及图像处理技术的应用水平都具有十分深远的意义。针对已有视觉显著性检测方法很难清晰地提取出图像的显著性区域、检测准确性不高的问题,本文基于人类视觉系统的注意机制,结合图像的成分、频率、颜色通道、尺度等信息,对显著性检测进行了多方面研究,提出了一系列的视觉显著性检测方法。主要工作包括以下几个方面：(1)提出基于多成分均值的视觉显著性检测方法。对图像进行高斯滤波和颜色空间转换,增加图像的清晰度,过滤背景和噪声,利用主分量变换,尽量消除滤波图像中随机因素的干扰,同时减少图像中需要处理的特征量个数,在三个主成分上进行显著性计算,最后通过线性均值融合得到最终显著图。实验结果表明,该方法能够明显提高显著性检测的准确性。(2)提出基于多尺度多通道均值的视觉显著性检测方法。利用二维小波变换对图像进行小波分解和重构,不需进行图像分割就能有效地过滤图像背景信息,突出显著性区域,利用双立方插值对滤波后图像进行多尺度缩小,对不同尺度的显著性目标具有更好的适应性和扩展性,计算图像各个通道的均值,以图像与各个通道均值的距离作为图像的显著值,避免只抽取目标的边缘信息,能够均匀地突出整体物体,只保留图像中显著值不小于其显著均值的部分,进一步去除显著图中的背景噪声,突出显著性区域,利用双立方插值对图像进行放大并进行图像叠加,最后利用线性归一化得到最终显著图。实验结果表明,该方法能够清晰地提取出图像的显著性区域,提高显著性检测的准确性。(3)基于所提两种检测方法进行扩展实验。分别在基于多成分均值和基于多尺度多通道均值的视觉显著性检测方法的检测框架下,扩展图像的颜色空间模式,扩展了图像的颜色通道和主成分个数,在不同颜色空间模式、不同主成分、不同通道上分别进行显著性检测。实验结果表明,扩展实验能够更清晰、更完整地提取出图像的显著性区域,更明显提高图像视觉显著性检测的准确率和相关度。