协同分割方法通过获取图像间前景相似性先验知识,能够实现对含有共同目标的多幅图像进行良好的目标分割,弥补了传统单幅图像分割方法在缺少人工交互的情况下表现出目标分割性能不足的问题,因此成为图像分割领域的研究热点。然而,已有的协同分割方法对目标形状、颜色变化敏感,如何消除目标多样性对协同分割的影响是该领域亟待解决的难题。本文对适用于不同目标场景下的协同分割方法进行了研究。针对可用于对多类目标分割的协同分割方法存在分割完整度、精度不足的问题,在超像素级协同分割方法基础之上,通过消除冗余背景区域以及增长像素级图像分割区域,本文提出了一种基于最大公共子图和GrabCut的协同分割方法。另外,针对可用于对颜色多变的目标分割的有向图协同分割方法存在节点冗余的问题,本文研究了一种基于改进节点生成规则的有向图协同分割方法。本文的具体工作内容如下:本文提出了一种基于最大公共子图和GrabCut的协同分割方法。首先在图像对上进行基于超像素的最大公共子图匹配以获取初步分割结果,接下来采用阈值法消除小面积背景区域,然后通过获取前景区域的外接矩形区域并结合单幅图像背景评估方法对分割结果进行增长,最后以增长后的目标区域作为先验信息通过GrabCut进行像素级分割,实现更加完整、精确的目标分割。该方法在数据集图像对上的分割准确率达到了87.75%,召回率达到了87.71%,证明了本文所提出方法确实有效、可行。本文研究了一种基于改进节点生成规则的有向图协同分割方法。通过结合阈值法和单幅图像背景评估方法消除冗余节点,减少有向图节点数,进而降低算法时间复杂度。同时在有向图的构建过程中,联合图像颜色特征,轮廓特征以及图像显著性信息计算边权值,解决背景相似问题。实验结果表明,在保持良好分割效果的情况下,该方法在数据集MSRC和iCoseg上的平均节点数分别降低了40.37%和34.83%,平均图解时间分别降低了38.52%和32.92%。