一般来说，我们可以将交互式图像分割分为两类：基于边界的方法和基于区域的方法。在基于边界的方法中，要求用户提供初始的轮廓，轮廓要接近想得到的分割边界，然后算法自动的驱动初始轮廓朝想得到的边界迭代。然而，基于边界的方法对初始化非常敏感，并且为了获得满意的分割结果，需要用户相当大的交互努力以指定初始轮廓。在基于区域的方法中，仅需要用户在图像上标记某些像素 作为前景和背景的种子，然后算法完成对所有其他像素的标记工作。作为一种典型的基于区域的交互式分割的例子，常规的图像分割方法[5]使用直方图来分析图像，在这种方法中，我们用一个加权图来代表一幅图像，然后分割就转化为了在图中找最小割的问题[6]。图1.2[5]显示了对一 图像的图像分割模型。左边显示的是图的构造，其中 和 是代表两个标签的终端；右边显示的是一个将图划分成两个集合的割，为连接到 的像素分配标签 ，为连接到 的像素分配标签 。
 
图1.2  3×3图像的图像分割模型
由于直方图的局限性，图像分割很难分割彩色图像。Grabcut[7]扩展了图像分割的框架来处理彩色图像，它是通过开发一个优化的迭代版本实现的。由于在自然图像中有丰富的纹理信息，所以不考虑纹理信息的话很难得到满意的结果。为了解决这个问题，提出了许多基于颜色-纹理的方法[8,9]，它们将颜色和纹理的信息结合起来考虑。尽管这些方法已经提高了自然图像的分割精度，如何设置它们的融合规则仍然是一个巨大的问题。
近年来，基于非局部的方法被在许多图像处理问题中广泛的使用，例如去噪、恢复和分割。在这些方法中，通常使用了图像片之间的相似性。在文献[10]中，非局部的信息首次引入到图像分割框架中，其中是计算图像片之间的相似性来代表非局部信息；在文献[8]中，我们也用图像片级的信息来表示像素间的距离。在这些方法中使用图像片可以使算法克服噪声，并能保存纹理信息。然而，它仍然存在以下问题。第一，常规形状对象中的图像片有相似的结构，而在不规则形状对象中，图像片可能有非常不同的结构。例如，在两级分割中，前景和背景都有多种结构，因此在图像片间获得准确的相似性很难。第二，对于图像中有稀少结构的像素，很容易将其错误分类，那是因为有高相似性像素的个数很少，而有低相似性的个数很多。在这种情况下，低相似性的权重数量很大，这将导致会用与他们相异的像素标签来标记这些像素。第三，尽管使用图像片来考虑了结构信息，细节特别是边界区域的细节不能够很好的保存。第四，像素片之间的比较带来了很大的开销。为了解决以上问题，提出了基于有限搜索区域[11]和阀值[10]的方法。在基于有限搜索区域的方法中，每个像素被分配到一个固定尺寸的搜索区域，并且只有搜索区域内的像素可以用来计算相似性。在基于阀值的方法中，只考虑相似性比阀值大的成对像素。尽管这些技术已经提高了基于非局部方法的性能和效率，搜索区域的大小和阀值仍然需要手动选择。如果搜索区域尺寸太小的话，基于有限搜索区域的方法会退化为基于局部的方法；而搜索区域尺寸太大的话，还会存在上面所说的问题。基于阀值的方法也是如此。
在本论文中，我们提出了一种新的方法，以有效利用图像片信息。使用高斯混合模型（GMM）来分别为前景和背景图像片的结构特征建模，然后基于图像片和高斯模型的相似性来获得图像片级信息。与最先进的基于图像片的方法相比，我们所提出的方法有以下优点：(1)基于GMM的学习可以获得更有效的图像片级信息；(2)将像素级信息和图像片级信息结合可以很好的保存结构信息和图像细节；(3)我们方法的时间复杂度较低；(4)通过将单点的强度与图像片的结构型特征相结合，可以获得更精确的分割。 结合自适应图像片与图割的交互式图像分割算法研究(3):http://www.751com.cn/jisuanji/lunwen_22982.html