人类视觉是人类存在并能良好繁衍生息的重要感知能力,随着人类生活的不断进步,数字媒体技术越来越多的进入人们的生活,由此产生了大量的数字媒体资料,如图像、视频等。人们对这些数字媒体资料的后期处理不断有着新的需求,由此人们迫切希望在计算机技术领域拓展人类的视觉以使得人类的生活变得更加丰富与便利,并最终衍生出计算机视觉这一计算机应用技术的重要分支。计算机视觉致力于将人类的视觉感知能力延伸到虚拟世界中,使计算机可以自主的感知和分析它所处的世界,并给出合理的回应,也即使得计算机可以在具体的场景下拥有人类的某些视觉功能,如物体跟踪、场景理解、模式识别等。在计算机视觉技术领域,图像前背景分割技术与抠图技术一直是其它计算机视觉技术的基石,本文正是对这一领域的概述与展望。图像分割是指基于某种一致性原则将目标图像分为若干个互不重叠的、相互具有独立特征的子区域并提出感兴趣目标的过程和技术,图像前背景分割技术作为图像分割技术的一种,旨在将图像分割成为前景与背景。已有的图像前背景分割技术大致分为基于交互的图像前背景分割技术及联合分割技术,基于交互的图像前背景分割通过用户交互为分割提供先验知识,继而在先验知识的基础上定义一个全局优化框架并求解以得到前背景分割结果。基于交互的图像前背景分割对用户交互量要求较高,因此后来衍生出一些特定场景下的联合分割技术,联合分割技术大大减轻了用户的交互负担,旨在最大化前景相似性的策略下得到更好的前背景分割结果。抠图技术是另外一种前景提取技术。相对于图像前背景分割,抠图可以提取出更为精确的前景,其在影视制作、医疗诊断等领域已经得到广泛应用。在图像处理中,某些复杂的前背景交界处,图像前背景分割技术难以将前景从背景中分离开来。为此,抠图技术在图像空间三色通道中引入透明度通道α,将图像中每个像素点颜色观测值表示为该像素点前景值与背景值以透明度α的线性复合。然而抠图问题是一个欠约束问题,为了求解抠图问题,一般引入约束条件,如将图像划分为已知前景、已知背景及待求解区域的掩膜(trimap)。现有的抠图技术大多致力于获得更为精细的α值(也称为matte),并大致分为基于采样的抠图算法、基于关联的抠图算法与基于混合模型的抠图算法三类。基于采样的抠图算法对于待求解区域的每个像素点从邻近已知区域中选取合适的前景及背景点对,以此评估待求解点的α值；基于关联的抠图算法假设在局部窗口内图像的前景值F与背景值B固定,并建立起相邻像素点之间的关联以强制α局部平滑,由此将α值在待求解区域像素点之间“传播”；基于混合模型的方法则假设在平滑限制条件下采样误差可以被减小,而基于关联的传播误差则可以被精确的采样减小,继而结合基于采样的抠图算法及基于关联的抠图算法,建立起Gibbs能量函数,在一个优化框架内求解抠图问题。本文对于图像联合分割问题,提出一种基于样本的图像集半自动前背景分割算法。针对生活中经常出现的对多个前景拍摄的图像集,本文方法基于机器学习技术充分挖掘图像集中相似前景间的关联性,在节省了大量用户交互的同时,取得了相较于每张图像单独进行前背景分割更好的效果。针对自动分割不完善的部分,本文提出了一种局部优化的修复方法,也取得了很好的效果。对于抠图问题,本文提出了一种基于置信度的联合抠图算法。经典的抠图技术大多致力于从单张图像中取得精确的α值,受到计算机视觉领域中最近的联合分割技术的启发,本文提出联合抠图这个新的框架。联合抠图是指针对生活中经常出现的多张前景相似背景不同的图像,利用图像间前景相似及背景不相似特性,在多张图像上定义全局优化框架以同步优化所有的初始抠图结果,优化目标在于使得不同图像问相互匹配的高置信度区域向低置信度区域“传播”相较而言更好的抠图结果,同时低置信度区域不会影响高置信度区域已经得到的较好抠图结果。实验结果证明联合抠图算法相较当下热点抠图技术取得了明显更好的效果。