显著性区域是指图像中最优先得到关注的区域。可靠的显著性区域估计对许多计算机视觉处理任务都具有非常关键的作用,其中包括人脸识别、图像压缩、自适应分割、物体追踪和图像检索等。目前的显著性区域检测算法都是根据定义计算图像的显著性值,再使用固定阈值或者自适应阈值的方法对图像进行显著性区域的分割。在实际的使用中,这些算法通常比较耗时,无法达到实际任务处理的要求。同时,大部分算法没有对显著性区域特征标记,当输入图像包含较多噪声时,检测的准确率较低。为了解决这些问题,本文提出了一种基于GPU的能够抗噪的显著性区域检测与标记方法,它能够在极短的时间内检出图像中的显著性区域并计算区域的最小有向包围矩形进行标记。本文算法可分为四个基本阶段。首先,使用基于局部直方图的图像缩小算法将图像N倍缩小并使用广义中值滤波平滑。使用双线性插值算法对上一步得到的图像N倍放大并对其进行双边滤波。原图与滤波后图像进行差分操作,得到的图像即为显著性图像。使用局部聚类算法对显著性图平滑,使用区域生长方法标记其中的显著性区域并分割。最后计算分割区域的凸包得到显著性区域的最小有向包围矩形。文章结合当前先进的理论给出了一种易于实现且能够满足实际任务处理需求的并行显著性区域检测方法。实验表明在处理三十万像素图像的性能对比中,本方法仅需要30ms即可完成显著性区域检测和标记。方法在公开图像测试库中具有较好的准确率和召回率。该方法已成功应用于流水线上的晶体管产品质量自动检测。同时,方法还使用GPU的纹理存储对图像数据的快速读取的特性和内建的快速硬件插值算法进行加速,采用合理的线程映射方式、内存访问机制和高效的数据结构进行优化,得到了良好的加速性能提升,能够为算法的并行化加速研究提供一定的指导。