图像分割是计算机视觉领域中的最重要并且也最具挑战性的研究领域,它可以应用于视觉领域的多个方向,比如物体检测,场景分析和物体识别等。传统的图像分割方法主要是关注单张图片的分割,比如通过颜色的差异,边缘的对比等一些特征得到一个局部的连贯区域。但是在某些图像中,物体的特征不显著,如对比度不足或边缘不明显等等。在这种情况下如果不提供一些相应的先验知识,传统的无监督单图像分割方法是很难得到一个精确的分割结果。为了解决这个问题,人们随后提出了交互式的图像分割技术。交互式分割是数字图像处理中重要的一部分,它可以通过用户的交互提高分割的准确性。但是交互式的方法会大大增加用户的工作量。目前人们又提出了一种新的联合分割方法。该方法不仅可以减少用户的操作,并且可以提高分割的准确性。联合分割是在一系列具有相似物体的图像中提取出目标物体。通过这一系列的相似图像,计算出图像中的共同特征,从而得到所期望的目标区域。这种方法弥补了传统的图像分割时先验知识不足的问题。在日常生活中,联合分割可以应用在很多方面,例如1)在社交网站中,用户们很喜欢上传一些具有相同物体的照片,比如自拍照,那么工程师可以利用联合分割技术得到该用户最感兴趣的目标区域,从而做一些视觉的分析工作。2)联合分割还可以很方便的分割由用户通过关键字搜索(例如谷歌)得出的图片集中的目标区域。目前常用的联合分割方法会基于一个前提,即图像集合中的所有图片都会包含目标区域。但是我们会发现在一些图像序列中有可能存在噪声,即该图像不包含目标物体或我们期望的物体不是该图像的主要内容,例如上述通过图像搜索引擎得来的网络图片集中很有可能包含一些噪声图像,那么这种情况将会制约大部分联合分割方法的使用。为了解决这一问题,Michael Rubinstein在[6]中提出了一种联合分割方法可以处理噪声图像。虽然该方法可以分割出具有不同形状,纹理以及视角的公共物体,但是该方法时间效率较低,运算量较大。由于考虑到图像搜索引擎技术的进一步完善,搜索的结果会越来越准确,内容也会越来越统一,所以我们将之前用于处理不同形状,纹理以及视角的公共物体的复杂方法简化为只采用一些简单的特征进行网络图像集的分割,从而提高分割的效率。因此,本文提出一种简单而有效的联合分割方法用于在具有噪声的图像集中发现和提取目标物体。