图像中的显著区域是指图像中某些区域与其周围区域明显不同，同时能吸引人眼注意的区域。图像显著性检测的目的是利用计算机模拟人眼视觉系统自动检测出图像中的显著区域，图像显著性检测领域是心理学，生物神经学与计算机科学的交叉，是近年来图像与计算机视觉领域的研究热点。图像的显著性检测一般可以分为自上而下的基于先验知识的学习模型，自下而上基于人眼视觉机制的底层特征计算模型，以及自下而上和自上而下的融合模型。　　 在前人的研究基础上，我们归纳总结创新，从显著性的原始定义出发—突出于平均的即为显著的，提出了两大以图像底层视觉特征为基础的自下而上的理论计算模型，研究了图像灰度对比度对图像显著区域检测的影响，解决了实时检测图像显著区域的关键问题，以及有效去除背景噪声的问题。具体的研究内容如下:　　 1.提出了全局的基于对抗色的显著度检测模型，该研究又分为两部分:包括对抗色通道的生成，自适应选择对抗色通道和对对抗色通道的扩充及显著度图的去噪处理，在该模型中，我们的方法只采用了简单的颜色对比度和像素分布的空间信息，对自适应选择出来的单通道图像计算像素显著度值;　　 2.提出了局部的基于灰度特征对的显著度计算模型，在该模型中，首先对图像计算对抗色通道，统计每个通道中每个像素与其相邻八像素的灰度特征对，然后对满足条件的灰度特征对计算对应的图像区域即为图像在该通道下的显著区域，得到子特征图，最后融合子特征图得到最终的显著度图;　　 3.融合了局部模型和全局对抗色模型，以局部模型为主体与全局模型融合，增强了局部模型检测出来的显著区域的像素值。我们提出的算法与前人的方法比较，突出了图像的灰度对比度特征在图像显著性检测中的重要作用。全局的基于对抗色模型的检测算法表现出了计算复杂度低，计算效率高及实时检测性特点，局部的基于灰度特征对的检测算法表现出了去噪效果好的特点，融合模型，突出了图像中的显著区域的灰度值，而且明显去除了图像中的噪声影响。该论文的主要创新点有:生成图像的对抗色通道，基于灰度特征对计算图像中的显著区域，与其它方法比较，简单，高效，能适合不同的应用场景。