随着计算机技术的快速发展,三维重建作为计算机视觉和计算机图像学领域的一个重要分支,受到越来越多研究者的关注。基于序列图像的三维重建是一种简单、快速、有效的三维重建方法。通过对研究对象的多角度拍摄,获取序列图像集,再根据序列图像集提取研究对象的特征信息,完成重建。在序列图像拍摄过程中,很多图像会因为角度相差很小而具有很高的相似性;还有部分图像中含有大量的冗余信息。若不对序列图像进行预处理,直接把此类图像放在系统中使用,会增加三维重建系统的工作量,对重建效率有一定的影响。针对上述问题,本文在图像预处理方面做了如下研究:拍摄获得的序列图像通常是无规则序列的图像集,需要对图像集进行排序。传统的基于图像颜色特征的图像相似性度量算法对图像平移、旋转、缩放等的变化缺乏敏感度,对于此问题,本文提出了基于分块图像颜色特征的图像排序算法。算法原理是先将图像等分成若干块,再获取每块图像的颜色直方图,再通过各对应块的颜色直方图计算“距离”,通过归一化算法得到整幅图像的相似性,最后通过各图像的相似性对序列图像进行排序。通过实验对比验证,基于分块图像颜色特征的图像排序算法与传统算法相比较,能更准确的计算出图像的相似度,可以更精确的对序列图像进行排序。基于Grab Cut的图像前景分割算法,能较好的提取目标前景,但是传统的Grab Cut算法只是对单一图像进行分割,未对图像集中所有图像进行目标前景提取。为了解决此问题,提出了基于Grab Cut的序列图像前景提取算法。改进算法的原理是首先在排列好顺序的图像集中选择图像a,手动在图像a中画一个矩形框,记录图像a中矩形框的大小和坐标,同时调用Grab Cut算法对图像a进行分割,获取目标前景;从序列图像集中选取一幅与图像a相似性最高的图像b,将图像a中记录的矩形框按照原来的大小和坐标标定在图像b中,计算两个矩形框内图像的相似性,设定一个阈值,如果相似性超过阈值,则调用Grab Cut算法对图像b进行分割;如果相似性达不到阈值,则自动移动图像b中矩形框并同时做相似性计算,达到阈值则进行分割,达不到阈值则重新手动在图像b中画一个矩形框并调用Grab Cut算法对图像b进行分割,获取目标前景。通过改进的算法,可对序列图像集中所有图像进行目标前景提取。