图像分割是计算机视觉研究的核心问题,其通过将图像划分成互不相交的区域,根据不同区域表现出明显的差异,从而提取出用户感兴趣的目标对象,广泛应用于工业、医疗、军事等领域。由于图像的亮度、颜色、纹理等特性很复杂,目前并没有一种普遍适用的最优分割方法。为解决复杂背景的目标提取困难以及分割效率瓶颈等问题,本文基于稠密匹配算法,快速计算图像对的像素匹配结果,根据像素流场(pixel flow field),简化和改变图像的外观表示,提出了一种新的图像分割算法。本文首先对图像分割和稠密匹配的相关算法进行了论述,并对比分析其应用场景和局限性,然后重点介绍了提出的Grab Cut-Like分割算法,即结合稠密匹配的flow field和交互式Grab Cut,快速准确地从图像背景中分割出前景对象。主要研究内容如下:1.简要阐述图像分割的基础理论知识,介绍并分析了几种常见的分割方法。2.对稠密匹配的相关算法进行了说明,该类算法加强了图像匹配像素的外观一致性以及临近像素的几何平滑度。3.提出一种基于稠密匹配的图像分割方法,首先建立待分割图像与其Mask图像的稠密匹配,根据计算结果(pixel flow field)将Mask图像warp到分割图像,然后基于高斯混合模型(GMM)进行后续分割任务。4.改进稠密匹配算法中的单warp模型,采取每次warp多张图像后进行归一化处理,生成最接近Ground-Truth的目标Mask图像,有效提高分割的准确性。5.提出Grab Cut-Like分割算法,改进了交互式Grab Cut分割,我们使用Mask图像对其初始化,不需人工交互,根据Mask图像提供的部分前景/背景区域,实现自动选择和分割,提高了分割的准确率和效率。通过在Caltech-101和MSRC数据集上进行实验对比和分析,验证了我们分割算法的鲁棒性,并说明了Grab Cut-Like分割算法可以解决多目标图像和背景复杂的挑战性图像的分割任务,有效扩展了应用领域。