显著性目标检测被广泛应用到图像处理中,因此成为近年来研究的热点。人们通常所说的显著性目标就是指人们所熟悉的能引起人们视觉注意的事物。而显著性目标检测就是计算机模仿人类视觉注意力机制,提取图像中最引人注意的部分,这一部分的显著度用相应的灰度图像表示。虽然国内外学者对显著性目标检测投入了大量的研究,然而检测的精度往往不高,特别是对于小目标,2个目标以及复杂背景下的目标检测较为困难。本文就如何实现复杂环境下的显著性目标检测,并提高检测的精确性和准确性进行了研究,在归纳和总结现有的主要检测算法基础上,提出了两种显著性目标检测算法:(1)基于特征图最优融合的显著性目标检测算法(Salient Object Detection based on Optimally Fusing low-level Features)。虽然图像的低级特征也可以检测到显著性目标,但是应对现实生活中复杂环境下的图像,图像的低级特征对目标的描述就很困难。FF算法就是将图像的低级特征进行最优权重的融合,将颜色分布,方向对比度以及基于频率信息这三种特征运用条件随机场进行最优全值线性融合后,使每个特征达到互补的作用,实现了在复杂环境下对显著性目标更精确的检测。该方法不仅有效的结合了局部和全局特征,而且还引入频域信息,有效增强显著性区域和目标边界,解决检测到的显著性目标分布不均匀问题。(2)基于背景优化的显著性目标检测算法(Salient Object Detection based on Background Optimization)。对于显著目标的检测,背景信息也很重要。BO算法基于图像边界先验估计出背景信息,然后将背景信息和引入的前景相融合,并将融合方式看成是一个全局优化过程,且根据实验设定最优阈值,解此代价函数的最优解即是所求图像的显著值。BO算法保证了检测的精确性和鲁棒性,并且实时性也得到一定的提高。(3)本文使用了四个公开数据库,分别代表了复杂环境下的图像(目标大小不同,复杂背景,2个目标等)对所提出的两种算法进行了全面的检测,并且与检测效果较好的多种经典和流行算法进行了定量和定性的对比实验。实验结果表明,FF和BO算法均能实现复杂环境下的显著性目标检测,并且都具有较高的精确性和准确性。特别地,还比较了本文提出的两种算法,实验结果证明,BO算法在实时性上也得到一定的提高。