从多种纹理的自然图像,或“主结构+纹理”镶嵌图像中高效提取结构信息是计算成像和图像分析的基础研究课题。该技术不仅能大大提高图像理解质量,还能应用于目标检测和显著性分析等计算机视觉问题上,具有广泛的研究和应用价值。纹理的多样性和复杂性给结构提取工作带来一定难度,目前的研究方法主要集中在对结构或纹理的先验性度量上,常要求纹理具有规则性,对普遍的、随机的纹理图像往往不能得到令人满意的结果。同时,算法的效率也有待提升。本文首先从模型优化的角度,将刻画结构的有效新先验,即超拉普拉斯梯度先验,应用于结构提取中,从而提出基于超拉普拉斯梯度先验的图像平滑模型(Lp G)。该模型在自然图像上能很好地保持显著结构并去除细小的无关细节,算法运行速度快,在卡通图像去振铃和舌图像分割上得到了很好的应用。但对显著性纹理图像效果不够理想,因此,本文在相对全变分模型的基础上,通过高斯模糊修正参照图,提出基于模糊引导的相对全变分方法(blur_RTV)。该方法能够有效改善相对全变分无法去除结构边缘残留纹理的这一缺点,保证了结构边缘的光滑性,对具有显著单一方向的纹理图像提取效果较好。上述两种方法在一定程度上显著提高了结构提取效果,但同样存在对先验的依赖和要求纹理模式的问题。因此,为提高算法的普适性,本文创新性地从机器学习角度考虑结构提取方法。通过对输入图像判别各个像素点的结构纹理属性,得到图像的结构轮廓特征标记图,再与加权全变分方法结合,构成基于结构轮廓特征学习的加权TV方法(LTV)。实验结果表明,大量数据集的训练学习保证了LTV方法的鲁棒性,能应用于各种纹理图像,提取完整的结构信息的同时最大程度去除纹理。另外,将本文三种方法和其他方法进行实验比较,我们归纳出各方法的计算效率、适用情形和优缺点等性能结论。最后,针对LTV方法在结构边缘上的不连续性安排下一步研究工作。