El desafío fundamental de la detección de objetos destacados es encontrar el límite de decisión que separa el objeto destacado del fondo. Los modelos de recuperación de rango bajo abordan este desafío descomponiendo una matriz basada en la imagen o en características de la imagen en una matriz de rango bajo que representa el fondo de la imagen y una matriz dispersa que representa objetos destacados. Este método es simple y eficiente para encontrar objetos destacados. Sin embargo, necesita convertir el espacio de características de alta dimensión en una matriz bidimensional. Por lo tanto, no aprovecha al máximo las características de la imagen para descubrir el objeto destacado. En este artículo, proponemos un método de descomposición de tensor que considera la consistencia espacial e intenta aprovechar al máximo la información de características de la imagen en la detección de objetos destacados. Primero, utilizamos características de imagen de alta dimensión en el tensor para preservar la información espacial sobre las características de la imagen. A continuación, utilizamos un modelo de tensor de rango bajo y disperso para descomponer el tensor de características de la imagen en un tensor de rango bajo y un tensor disperso, donde el tensor de rango bajo representa el fondo y el tensor disperso se utiliza para identificar el objeto destacado. Para resolver el modelo de tensor de rango bajo y disperso, empleamos una estrategia heurística relajando la definición de la norma de traza del tensor y la norma 1 del tensor. Los resultados experimentales en tres conjuntos de datos de prominencia demuestran la efectividad del método propuesto de descomposición de tensor.