协同分割作为图像分割的分支,是指从多张相互关联的图像中将同个目标或者相似的目标分割出来,获取人类感兴趣的目标。它常被用于目标检测与跟踪、图像检索、图像分类和3D模型重建等应用中。协同分割经常受到目标多样性和背景复杂性的影响,本文主要针对多幅图像中背景相似和同一幅图像中目标与部分背景相似这两个问题展开研究,主要工作及创新性如下:(1)针对多张图像中相似背景给目标分割带来错误分割的影响,提出一种针对相似背景下提取显著性特征的方法。该方法首先利用简单线性迭代聚类方法对图像进行分割,得到具有内容感知的超像素块;然后利用k均值算法对超像素聚类,并基于超像素和聚类类别求图像内和多张图像间的颜色对比特征及每张图像上的空间位置特征,通过将特征融合得到基于超像素的初始显著性特征;在此基础上,利用元胞自动机的自组织更新机制,通过边缘超像素对图像的初始超像素显著特征优化,最后用graph cut算法实现分割。Oxford flower和icoseg两个数据集上的实验表明,本文改进的协同分割方法在相似背景下的协同分割中有更好的分割效果。(2)针对目标和背景相似情况下容易将部分背景误分为前景的问题,提出了一种利用主动轮廓模型求形状特征的方法,并基于该形状特征和提出显著性特征改进MRF模型实现协同分割任务。首先通过颜色特征和尺度不变特征以及基于封闭曲线的主动轮廓模型,求多张图像中曲线内和曲线外的相似性来提取图像的形状特征;然后以该形状特征和提出的显著性特征为基础建立MRF模型,该模型将复杂的函数分化为不同的子模块函数来完成图像的协同分割。icoseg和Coseg-Rep数据集的实验表明,本文提出的方法能够解决目标和部分背景相似的问题。(3)基于协同分割实现目标分割以及现有的图像检索技术,本文提出了一种基于显著目标的图像检索方法,并在现有数据集flower和本文构建的图像库上验证。该方法利用本文提出的显著性检测和形状特征提取方法,对输入图像和图像库中的图像提取特征,并将输入图像的特征和图像库中的特征进行相似性度量,输出相似度最高的图像。