图像前景提取是计算机视觉领域的一个热门且富有挑战性的研究课题,也是很多图像研究领域如检索分类、目标识别和图像分割等的预处理技术。图像前景提取的目标是将一幅图像分为前景和背景区域,它可以获取图像中人们感兴趣的部分和所需要的特征,精确地界定感兴趣区域边界,已被广泛应用到图像研究的各个领域。但是,目前多数前景提取方法对噪声、光照等极端条件敏感,难以精确地提取分割边界、难以保证分割区域的完整性,因此本文以复杂背景的自然图像为研究对象,以图像前景提取中的关键问题和难点问题为切入点,结合图像显著目标的基本特征,从目标的自动提取和交互式提取两方面进行深入研究,提出两种新的前景提取方法。同时,为提取图像中的显著目标,本文还提出一个基于概率估计的显著性检测方法,并用于交互式目标提取中。主要研究内容如下:一、针对传统区域增长在前景分割时无法实现种子自动选取的不足,提出了一种结合扫描线的种子自动选取方法,同时基于显著性检测完成前景的自动提取。主要内容如下:在使用超像素分割算法对图像进行预处理的基础上,利用SGC显著性检测方法对显著目标进行定位,确定质心和背景颜色集;然后结合扫描线从背景颜色集中自动选取种子进行区域生长;最后利用开启运算和孤立区域消解方法对图像进行后处理,从而实现目标提取。该方法简单快速,提取的目标区域轮廓贴合边界。二、针对多数显著性检测算法得到的显著区域存在边界模糊问题,提出了一个基于测地距离和概率估计的显著性检测方法。该方法首先用超像素分割算法对图像进行预处理;其次采用“边界先验”知识:即认为图像边界绝大部分属于背景。在此基础上构建一个背景概率估计模型,估计每个超像素隶属背景的概率;最后采用拉普拉斯平滑的方法对显著图优化,保证显著区域内部的一致性。实验结果表明,本文的方法检测出的显著区域内部更均匀、边界更明确,而且背景区域得到了很好的抑制。三、目前基于交互的图像前景提取算法中存在大量背景交互。另外,当显著目标不明显时,或者前景边界附近因颜色相近时,会造成提取结果变差。针对以上问题,提出了一个基于测地距离的前景提取方法。首先在超像素分割的基础上,只交互待提取目标,并将经过的超像素作为已知的部分前景目标,应用到研究内容二提出的概率估计方法中,估计每个超像素隶属前景的概率。然后将得到的概率用于构建Graph Cut能量函数,完成目标的初步分割;最后本文提出一个基于种子点替代的动态梯度扩散法,该方法可以依据目标边界处的梯度强弱自适应扩散一条边界带,用以修正GraphCut分割结果。本文中的所有实验均在MSRA10k和ASD数据集上进行,并通过与其他不同方法进行实验对比验证本文结果的有效性。