图像分割算法是计算机视觉领域备受关注的热点,它是图像处理类算法中最基本的问题,也是图像处理的难点。一直以来都有很多学者参与到该领域进行研究,新的方法被不断的提出,但至今仍然没有能适用于所有情况,放之四海而皆准的图像分割方法。图像分割是图像处理基础,图像处理是个很广泛的领域,包括图像识别、图像理解、图像增强、图像分类等。本文研究的主要是交互式图像分割,根据用户提供图像及目标框,要求算法能够找到目标的准确位置。我们对图像及目标框的隐含信息加以利用,如目标连续性、边界框的紧凑性、区域的马尔可夫性等。基于前人的研究,对图像分割进行深入分析之后,提出两种分割算法如下:1.提出了一种基于多示例框架的Boosting算法。该方法将图像分割问题很自然的转化成多示例学习问题,提出了一种理论可行、实际可靠的建包方式。然后对包的随机组合,每一组包由一个正包和一个负包组成。再通过Boosting方法对这些分类器分配一定的权值,最后将它们组成一个鲁棒的分类器。实验证明这个分类器能够达到足够精确分割结果。2.对图像隐含信息加以利用,提出一种基于马尔可夫随机场的图像分割算法,该算法同时使用图像的结构信息和其他外观信息。我们将图像的标签视为随机变量,将标签的过程看作一个概率事件,那么整个图像的标签就是一个随机场。同时对随机场作一定的假设,使之成为马尔可夫随机场。最后结合马尔可夫随机场理论和多示例学习理论,对图像标签进行迭代优化、更新。最终得到图像的标签,也就实现了图像分割的结果。