1.1  图像分割的现状和分类
1.1.1  图像分割的现状
    1.1.2  图像分割的分类
  1.2  交互式图像分割
    交互式分割需要用户手动的提供一些先验知识，是一种有监督的分割方法。如今随着越来越多的分割算法的出现，交互式分割更多的出现的应用实例中。本课题选择基于交互式图像分割框架的主要原因是为了提高分割的精准性。在实际的应用中，待分割的图像只有极少的一部分是简单背景、单一色调的，而面对背景复杂，色彩斑斓的图像，使用非监督式的分割方法并不能得到较好的分割结果，而人工的分割又浪费精力且枯燥费力，较以上两种方法，交互式图像分割方法可以得到更加精确的结果，且分割速度与效率也有显著的提升。因此，如今交互式分割已经成为了主流的研究方向，通过简单的用户交互使得在分割中融入了有效的先验知识，可以得到更加接近用户需求的分割结果。
比较有代表性的交互式分割方法有Snakes算法[10][11]、livewire算法[12]、Level Set算法、Graph cuts[13]算法等，本文用到了其中的Graph cuts算法。原始的Graph cuts算法在图像统计直方图的基础上，根据用户标记的前、背景种子点估计每个像素属于前景和背景的概率。然而，由于直方图的局限性，当图像中包含低对比度、复杂背景等情况时，图像分割效果有些差强人意。之后又出现了一些基于图割的算法，这些算法根据不同的需求引入了几何、空间、形状、先验信息等的线索。首先由Boykov[14]等人提出了基于图割的交互式图像分割方法。此算法让用户手动标记出种子点作为前景、背景，有了种子点的硬约束，之后构造加权图，像素点表示成节点，用边将相邻像素连接，并赋上权值，完成构图之后，通过求解最大流/最小割问题求到分割结果。这个交互方法的优势就在于方便简洁，不过在前景、背景的色彩较接近时分割效果还是不好。之后Rother[15]等采用高斯混合模型（GMM）代替了直方图，提出了Grabcut方法。该方法在用户交互方面更加方便简洁，只需要用户在感兴趣的图像附近绘制一个矩形框，然后算法会针对框内的目标进行分割，且通过迭代更新GMM中的各个参数，获得更优的分割结果。然而，这种方法增加了算法的时间复杂度，影响了算法的运行速度。为了优化算法，提升速度，Li等提出了懒人抠图法。该方法用超像素代替像素进行分割，达到了提升算法运行效率的目的。但是之后发现使用这种算法超像素极容易导致算法出现过分割现象。从图割被提出以来，基于图割的各种研究一直在进行，本文的算法也是在图割的基础上引入了非局部信息，在下一章中我们会详细介绍。
1.3  本文的主要工作和内容安排
    本文主要基于非局部图割的彩色图像分割技术展开研究，此算法是在图割（Graph cuts）框架的基础之上添加了非局部的信息，使得分割后的图像更准确、高效。本文的内容主要分为四章，各章的具体安排如下：
    第1章为绪论。主要介绍了本文算法相关的背景和基础，叙述了图像分割的现状和分类，交互式分割方法，之后大致介绍了一下图割算法。
    第2章主要介绍了彩色图像和非局部信息的知识。首先介绍了彩色图像颜色空间，本文应用了其中的Lab空间转换。之后叙述了引入非局部信息的重要性。
第3章介绍了基于图割的图像分割和基于非局部图割的彩色图像分割算法。在此部分我们详细的解释了算法，并关注了算法复杂度和算法可行性。
    第4章为实验部分，首先用本文算法和几种其他分割算法作比较，最后针对本文算法的参数值进行了实验并得出实验分析。 基于非局部图割的彩色图像分割技术(2):http://www.youerw.com/jisuanji/lunwen_22027.html