图像分割是图像分析、计算机视觉、模式识别研究的重要内容,是对象检测与识别、图像检索、场景分析、医学影像分析、视频监控等的基础。图像分割的任务是将图像划分为不同区域,其主要依据是各类图像特征。基于边缘、区域、统计信息、先验形状的变分方法已成为图像分割的主流方法之一,但由于图像纹理成分表达的困难,基于纹理特征的变分图像分割模型和算法的研究仍存在诸多困难。近年在图像恢复领域提出的非局部算子及非局部变分模型为纹理图像去噪、修复等奠定了良好的基础,本文拟将相关概念拓展于纹理图像变分分割研究中。主要工作与创新如下:1.提出了灰度纹理图像分割的非局部Mumford-Shah-TV模型。在变分图像处理领域,借助于非局部算子的Mumford-Shah模型能够分割纹理图像成分,但含纹理的对象边界存在误差,而基于局部算子的总变差(Total Variation,TV)模型具有图像结构化成分表达的优势,本文针对灰度纹理图像分割提出了融合这两类模型优点的非局部Mumford-Shah-TV模型,提高了灰度纹理图像分割边界的精度。2.提出了彩色纹理图像分割的非局部Mumford-Shah-MTV模型。由于彩色图像的变分模型必须考虑多层图像在边缘处的耦合作用,灰度纹理图像分割的非局部Mumford-Shah-TV模型不能直接推广到彩色纹理图像分割。本文在灰度纹理图像非局部变分分割模型基础上,结合彩色图像的多通道MTV(Multi-Channel TV)规则项,提出了彩色纹理图像分割的非局部Mumford-Shah-MTV模型,实现了彩色纹理图像边界的准确分割。3.设计了所提出模型的ADMM算法。由于模型中引入TV、MTV规则项,其直接变分求解会导致复杂的非线性曲率,差分离散计算效率低。本文通过引入辅助变量、Lagrange乘子及惩罚参数,对所提出的模型设计了交替方向乘子方法(ADMM:Alternating Direction Method of Multipliers),将原变分问题分解为一系列简单的子问题,并进而通过简单的Gauss-Seidel迭代、广义软阈值公式求解,提高了计算效率。最后,通过大量数值实验与已有模型进行比较,表明本文提出的模型计算的纹理图像分割准确率较高,边缘保持较好。尽管本文的工作针对两相图像分割,但可方便的推广到多相分割问题。