显著性检测在计算机视觉应用中是非常重要的组成部分,显著性描述了显著目标与周围背景之间的差异性。图像显著性检测的主要目的是计算查找出显著目标可能出现的区域,过滤掉冗余的背景信息,从而高效的安排计算资源,提高计算效率。显著性图是图像中的像素是否属于最终显著目标的直观展示,显著性值的大小表示和区分了对应的像素在图像中受关注的程度,值越大则该像素就越有可能属于显著目标。本文提出了一种基于超像素分割合并的图像显著性检测算法,与以往基于自底向上思想的算法不同的是,通过构建一个更加准确的凸包来查找显著目标的大致位置,从不同角度构建初始显著性图,在贝叶斯框架下根据精确凸包来更新显著性图并进行融合。本文的主要创新点包括:第一,直接使用兴趣点凸包或者滑动窗口来定位目标往往存在定位不准确及包含背景部分的问题,本文算法通过图像的超像素分割合并来构建更加准确凸包,通过对多种图像分割方法进行融合来实现,包括:水平集方法、简单线性迭代聚类、兴趣点构建凸包、模糊化图像构建凸包等,并通过边缘检测对多种不同的分割结果进行优化,提出了小超像素的处理方法。第二,对于初始显著性图,本文构建了基于颜色直方图的显著性图来体现图像中不同色彩的全局统计信息;构建了基于区域对比度的显著性图来体现图像中不同的区域位置信息和颜色特征信息。第三,提出了基于贝叶斯框架的更新和融合算法,通过构建的更加准确的凸包,使用贝叶斯框架更新基于颜色直方图得到的显著性图和基于区域对比度的显著性图,融合两种更新后显著性图得到最终的显著性图。本文在四个公开的标准数据库上进行实验,将得到的结果与对应的人工标记的真值进行对比,在多种不同的评价标准下对结果进行评判。与其他的算法相比,本文提出的显著性检测算法能够得到更好的效果。