图像分割是现代计算机视觉任务的基础技术,在基于内容的图像检索系统中对检索结果的准确率有直接的影响,因此是现在图像分析领域里备受关注的问题。本文利用Mean Shift向量特性,使用发展的Mean Shift算法聚类图像特征点实现图像平滑,收敛图像特征点实现图像分割。选择合适的核函数对图像指定范围内的样本点赋权值,根据在位置空间和特征空间中的距离不同,样本点在算法中的贡献值不同。对图像中所有像素点,计算其Mean Shift向量,得到整幅图像的收敛点图谱,依据收敛点执行图像平滑和图像分割,将图像分割为众多大小不一和形状各异的区域。依据Mean Shift算法可以实现图像分割。但分割结果往往存在过分割现象,导致前景和背景破碎。为解决单一分割算法存在的过分割或欠分割现象,通过选择有效的区域融合方法减轻过分割现象。传统的区域融合算法中,采用设定最小阈值的办法,当两个区域的相似度大于阈值时,区域合并。在不同的应用场景中选择合适的阈值参数非常困难,通常需要经过大量的重复实验,手动调整阈值。在本文中提出基于最大相似度的区域融合算法,基于颜色特征,实现前景和背景的分离,该算法具有内容自适应性。在本文的融合算法中引入用户交互信息,用户对整幅图像的前景和背景分别进行标注,指出了前景和背景的部分特征线索和空间线索。在过分割的图像基础上完成相似区域合并,将用户未标注区域集合中的背景区域与已标注背景区域合并。通过最大化背景区域的融合,获得更精确化前景保留,是本算法的基本思想。实验结果证实本文中的算法不仅适用于单目标也适用于多目标的图像分割。通过与Graph Cut算法分割结果的比较,本文中的算法在某些场景下,有更好的分割效果。