随着计算机视觉和数字图像处理技术的发展,图像分割已成为各种图像处理和图像分析必不可少的步骤。因交互式分割相较于自动分割能达到更准确的结果,已逐渐成为了图像分割中流行的方法。而在交互式分割方法中,Graph Cuts因其全局最优性与快速性,受到了越来越多的关注。本文正是基于改进Graph Cuts的图像分割。Graph Cuts是一种能够实现全局最优解的交互式分割方法,根据用户提供的前、背景种子点,该算法能够实现图像的后续的自动分割。其最大的特点是克服了传统分割方法容易陷入局部最优的缺点,并且适用于多维图像分割。超像素(Super Pixel)越来越多地应用于图像处理中。最主要的原因是使用超像素可以有效地减少图像的局部信息冗余,使图像处理的复杂度大大地减少。同时,由于超像素保留的图像的边界信息,使得分割的结果更加准确。传统的Graph Cuts是基于像素水平的,而本文采用基于超像素的Graph Cuts,使得构成图的节点数大大减少,加快了Graph Cuts的运算速度。同时,本文使用了将位置、颜色、形状和纹理特征结合的超像素描述算子,与传统的使用单一特征描述的超像素块相比,能更好的描述超像素的特征,在衡量超像素间的相似度时有更好的表现。传统的Graph Cuts边界项的设置是基于图像本身的特征差值,使得分割结果的边界易出现在颜色亮度差异大的位置。为此本文提出了基于成对超像素学习的Graph CutS。通过学习的方法衡量两个超像素特征间的相似度函数,将其应用于Graph Cuts的边界项的设置中,为分割正确的目标边界提供更加有效的指导。