图像是对客观事物的一种生动写真描述,是现实生活中最常用的信息载体。将一幅图像按照一定的特征(如颜色、纹理等)分割成若干有意义的同质区域并提取感兴趣目标的过程称为图像分割。近年来,图割方法已成为图像分割领域的一个研究热点,相较于传统图像分割方法,图割方法有着显著的优点,第一,图割技术是基于图论的方法,而图论是一门已经发展成熟的学科,具有较好的数学基础;第二,图割技术用最小化能量来表示图像分割问题,最小化能量可采用软约束,避免了只有硬约束的缺陷。因此,对其研究是非常有必要的。同时,图割方法仍然处于发展阶段,它在图像分割方面的研究还有待进一步深化和完善。如对规模较大的二维图像其处理时间较长;对被噪声污染、目标被遮挡以及有阴影图像分割时出现错误率过高的情况。因此,研究提高图像分割速度和分割质量在图像处理过程中有着非常重要的意义。本文针对图割技术对被噪声污染、目标被遮挡以及有阴影图像分割时所存在的问题为研究背景,以图割技术为基础,以提高图像分割质量与保护图像细节信息为切入点研究图像分割的新方法,其主要内容及创新点如下:(1)针对图割方法对被噪声污染、目标被遮挡以及有阴影图像分割时所存在的问题,提出了自适应形状先验的图割分割方法。该方法用零水平集无符号距离函数表示先验形状(其优点是能捕获目标形状的全局特征和关于目标形状的全局变化),进一步定义了单一固定形状模板的先验形状能量函数,将此能量函数添加在图割能量函数的边界项中,用图的边权重来传递关于图像和先验形状的信息;形状能量函数权重系数值通过自适应选取,实现了自适应调整形状项在整个分割过程中所起的作用;用加速稳健特征(SIFT)和随机抽样一致(SURF)算法实现形状模板和目标的配准,使形状具有仿射不变性。用此方法分割被噪声污染、目标被遮挡以及有阴影的自然图像,相比于现有的方法,该方法通过自适应形状先验信息约束分割目标的边缘,可以有效地应对阴影、遮挡和噪声问题,分割精度更高。(2)针对单一固定的先验形状模板对图像中待分割目标和形状模板之间差异较大时分割效果不理想的情况,提出了图割与非线性统计形状先验的图像分割方法。该方法用KPCA提取形状先验样本集的非线性特征来表示先验形状,即先在输入空间对输入的形状模板进行对齐,得到训练集,然后采用非线性核函数将目标形状先验映射到特征空间进行主成分分析,获取其投影形状,将此投影形状映射回原输入空间得到目标的加权平均形状(即原像)。进一步构建先验形状能量函数,并加入到图割能量函数的区域项中构成新的分割模型;通过自适应调整形状先验项的权值系数,使能量函数的形状先验项自适应于被分割的图像;最后,用graph cuts方法最小化能量函数完成图像分割。实验结果表明,该方法不仅能准确分割与形状先验模板有差别的图像,而且对目标有遮挡或污染的图像也有较好的分割效果,分割精度得到了提高。(3)针对图割与单个形状先验模板结合无法分割一幅图像中多个目标的问题,提出了一种多先验形状的图割分割新方法。该方法用符号距离函数来表示形状,并通过形状之间的相似性来定义多个先验形状的能量函数,并将此合并到图割能量函数的区域项中;其次,通过自适应控制能量函数中形状项的比重,实现了参数的自动调节,提高了分割精度;最后,为使形状具有仿射不变性,使用尺度不变特征变换和随机抽样一致相结合的方法进行对准。从实验结果可以看出,该方法能够较好地分割出图像中的多个目标,且能较好地克服图像的噪声污染、目标被遮挡等信息缺失情况。(4)针对图割(Grabcut)算法对复杂图像分割质量不太理想的问题,提出了一种改进模糊C均值聚类算法和图割分割算法相结合的图像分割方法。该方法首先用均值漂移(mean shift)算法将图像过分割成多个小区域(超像素),用得到的超像素代替像素点作为图的顶点,以相邻像素块间的关系为边构建图模型;然后,对背景和前景的混合高斯模型采用改进的模糊C均值算法分别进行聚类分析;最后,采用max/min算法得到能量函数的最优解,此解即为图像最终的分割结果。实验结果表明,文中方法在分割结果上具有较强的区域一致性及较为清晰、平滑的图像边缘,并且该方法对含有噪声的图像也能得到较好的分割结果。本文以图割为基础,针对图割方法在分割复杂图像时存在的一系列问题展开研究,构建新的图割分割模型,并通过仿真实验对比分析新算法的分割效果。