显著性目标检测是计算机视觉领域中一个重要且具有挑战性的研究课题,在目标检测、图像压缩、图像分割等方面具有广泛的应用,近几年得到了国内外众多研究学者的广泛关注。本文从先验信息融合的角度出发,对显著性目标检测进行了深入研究,并将其应用到背光图像增强和交通标志识别领域。论文的主要工作与创新体现在以下几个方面:1.为了利用不同先验信息之间的互补关系从而获得更好的检测效果,第三章提出了一种基于先验信息融合的显著性检测算法。该算法首先以边缘超像素为吸收节点,利用马尔科夫吸收链计算其它超像素的平均吸收时间作为背景先验值,得到背景先验图;然后使用改进Harris角点检测估计目标区域位置,建立峰值位于目标中心的二维高斯函数,计算各超像素的中心先验值,获取中心先验图;最后将背景先验图与中心先验图相融合得到显著图。同时该方法融合多尺度检测结果,进一步提高显著值的准确性。在ASD、SED1、SED2以及SOD四个显著性目标公开数据库上,将本章方法与10种主流的显著性检测算法进行了详实的对比性实验。定量对比实验结果表明本章方法具有较高的查准率、查全率,视觉效果对比表明相较于单一先验信息,多种先验信息融合能够高亮地凸显图像中的显著性目标。2.第四章提出一种基于显著性检测的背光图像增强算法。该算法根据马尔科夫吸收链原理,运用不同的背景节点提取方式计算图像的多尺度显著性,并通过最大类间方差法分割出待增强区域,最后在CIELab颜色空间中对图像进行增强处理。在背光图像上对本章算法的有效性进行了实验验证。实验结果表明基于半边缘以及自适应的背景节点选取比较合理。并且利用显著性检测得到的显著图能够精确地确定待增强区域,从而达到增强背光图像的目的。3.第五章提出一种基于视觉显著性的交通标志检测和识别算法。该算法首先利用显著性检测对交通标志定位,然后通过最大类间方差法和形态学滤波分割出交通标志,最后综合颜色和形状检测的结果对其进行识别。为了验证本章算法对交通标志检测的有效性,在本项目组采集的实景下拍摄的交通标志数据库上进行实验。实验结果表明提出的算法准确率较高,基于边-心距的多边形检测算法能快速且准确地识别多边形,具有鲁棒性。