在计算机视觉领域,图像分割不仅是图像分析的基础部分,而且在目标检测、图像理解、机器视觉、自动驾驶、医疗图像分析等领域有着广泛的应用,近几年吸引了越来越多的研究者。图像分割是将图像分成有一定意义的像素块,简化图像的表示,直接影响后续的高级视觉处理任务。传统的分割算法中,Grab Cut分割结果精确,但用户需要绘制出分割的大致区域,并指明前后背景的种子点,而在实际应用中,某些场合需要全自动的图像分割,比如图像分割在自动驾驶中的应用。本文解决的就是如何在保证分割精度的情况下,实现全自动的图像分割,算法主要包含预处理、特征提取和特征融合三个主要的步骤,并对其做了相应的改进,具体如下:1.图像预处理。通常算法会将整幅图像作为其输入,而根据观察,在图像的边界部分通常为背景区域,将这些区域剔除不仅不影响后续显著性的计算,同时也会降低后续算法的复杂度。针对这个问题,本文结合超像素SLIC分块算法和图像的边缘,将边缘不明显的超像素块作为背景区域并丢弃,从而降低了算法的复杂度。2.特征提取。通常算法使用颜色对比度、空间距离等低级特征,虽计算高效,但不能很好的模拟视觉系统分析图像的过程,结果相对较差。为提高算法的表现,本文在此基础上,引入了常用于计算图像纹理的局部二值模式(Local Binary Patterns LBP);基于直方图加速的区域对比度(Region ContrastRC)算法来增强区域之间的联系;以及暗通道(DarkChannel),它多用于图像去雾,但通过实验发现,它能很好的反映颜色鲜明物体的整体性,从而保证显著性区域的完整性,通过引入这些中级特征提高了算法最终的分割精度。3.特征融合。将根据不同特征提取的显著性图以线性方式进行融合,发现设置的权重不同,最终结果也不同,针对该问题本文引入了条件随机场(Conditional Random Field CRF)框架,来融合不同的显著性图。传统的CRF通过计算每个像素与8邻域内像素点的权重,构建网格形状的Graph,不仅不易存储,且计算量较大;而本文提出的超像素级别的CRF简化了算法,提高了最终的表现。最后本文将所提出的图像分割算法在MSRA-1000图像库上进行了实验,并将实验结果不仅和FT、RC等经典算法做了对比,而且和近些年出现且表现好的DSR、HS、MC、MNP、SEG、GR、GMR方法进行了比较,从结果可以看出本算法在准确率、召回率和F-Measure指标上都有更好的表现。