图像分割是数字图像处理技术中的一个重要研究领域,它是图像处理通向图像分析的关键步骤,图像分割质量的好坏往往会对后续图像分析和图像理解的精确度产生直接的影响。因此,对图像分割展开深入研究具有重要的意义。超像素分割是近年来快速兴起的一种图像预处理技术,其基本思想是将图像划分成若干个由相邻且特征相似的像素组成的子区域。和传统以像素为单位的处理方法相比,超像素有利于图像局部特征的提取和图像结构信息的表达,同时能够减小处理对象规模,加快后续处理的计算效率。目前,超像素已经在很多计算机视觉领域取得了成功的应用,也越来越成为数字图像处理技术中的一个研究热点。本文在研究现有的基于超像素和区域合并的图像分割算法的基础之上,结合Mean Shift算法和非参数贝叶斯聚类模型,提出了一种新的图像分割算法MSBRM(Mean Shift based Bayesian Region Merging)。MS-BRM算法首先利用Mean Shift算法对图像进行初始分割,得到了超像素作为后续区域合并的基元,然后根据贝叶斯非参数聚类模型,融合超像素的空间信息,提出了一种基于邻接矩阵和合并概率矩阵的区域合并策略对超像素进行合并,得到了最终的分割结果。实验结果表明MS-BRM算法改善了超像素的过分割问题,对图像进行分割的结果保留了图像的边界信息,更加符合人类视觉的判断结果。此外,本文还将MS-BRM算法应用到人物图像分割领域中,提出了一种基于人脸检测和MS-BRM的人物图像分割算法。该算法首先使用MS-BRM算法对人物图像进行初始分割,然后利用人脸检测算法获得人物图像的脸部轮廓特征点,并使用这些特征点建立种子点估计模型获得目标种子点和背景种子点,,最后使用目标种子点和背景种子点分别对初始分割的人体区域和背景区域进行合并,完成最终的分割。该算法是一种全自动的人物图像分割算法,算法在运行时无需人机交互和参数选择,能较为准确的从背景中分割得到人物。