● 摘要
图像分割是利用颜色、亮度、纹理和形状等特征将图像划分成区域内特征相似且不同区域间差异较大的若干部分，它是目标识别和图像解释的前提，多年来一直备受关注。图割是基于能量最小化的一种典型分割方法，它具有全局最优、数值鲁棒性好、分割精确度高等诸多优良特性，然而当处理高分辨率图像、N-D图像或者图像序列时，无论是内存开销还是计算复杂度，都严重限制了算法的可用性。Rother等提出的GrabCut算法降低了用户交互量，它只需要用户指定一个围绕目标的矩形框，通过迭代使用图割方法直到满足收敛条件，便可得到目标和背景的分割，显然这在图割的基础上又大大的增加了计算量。
超像素是指具有相似颜色、纹理或者灰度特征的相邻像素所生成的图像块。它利用这些特征之间的相似程度将图像分割成块状图，这样就可以为计算图像特征提供简单的输入信息，在很大程度上可以降低后续图像处理任务的处理时间。考虑到GrabCut算法分割精度高而自身的运算速度较慢，部分超像素生成算法运算速度快而自身的分割精度不高。本文结合超像素方法和GrabCut算法对图像分割问题进行了研究，具体工作有以下几个方面:
(1)对图割方法进行了介绍并对其中网络图的构建以及网络流理论进行了详述，详细介绍如何构建网络图的能量函数。对GrabCut算法进行了简介。
(2)对超像素方法进行了介绍，叙述了判断超像素算法优劣的准则，对几种速度较快且预分割拓扑结构较好的超像素方法进行了对比分析。
(3)提出了一种基于四叉树分解与GrabCut的彩色图像快速分割方法。四叉树分解算法分割速度快，但过分割现象和错分割现象都比较严重，通过四叉树分解，可以快速地将图像划分成区域内相似度高且区域间差异较大的若干分块，以此构建精简的网络图，并用块内的RGB均值代替该块内的所有像素点的值进行高斯混合模型参数估计，从而减少GMM参数估计的计算量，加快最大流算法分割图像的速度，极大的加快GMM参数估计的速度。最后为保证精度，我们使用得到的GMM参数对原始的图像进行分割，极大提高了算法的分割精度。实验结果证明了算法的快速性及高效性。
(4) 提出了基于超像素方法的GrabCut算法彩色图像快速分割方法。首先采用一种超像素方法对图像进行预分割；然后使用超像素块内的均值代替分块内所有像素点进行GMM参数估计，这样大大减少了GMM参数估计中样本点的数量，极大提高了GMM参数估计的速度；最后为保证精度，我们使用得到的GMM参数对原始的图像进行分割，从而极大地提高了算法的分割精度。
论文采用的超像素方法包括分水岭算法、Entropy rate算法、Mean shift算法、Superpixel lattices算法、SLIC算法，提出了基于分水岭算法改进的GrabCut算法、基于Entropy rate改进的GrabCut算法、基于Mean shift改进的GrabCut算法、基于Superpixel lattices改进的GrabCut算法以及基于SLIC改进的GrabCut算法，最后根据实验结果分析了几种改进算法的优劣性。