纹理图像分割是计算机视觉中的经典问题,其将纹理图像划分为不同的纹理区域。作为一项关键技术,纹理图像分割已经广泛用于许多视觉应用中,如自动机器人导航,遥感图像分析和医学图像分析。纹理图像分割关键的一点是要正确地找出不同纹理区域内的纹理基元。这个任务可以被视为挖掘高维纹理图像的低维子结构的过程,其可以通过基于字典学习的稀疏表达来有效地完成。本文专注于研究用于纹理图像分割的稀疏表达模型。在实际场景中,纹理图像分割输出的预期标签图像通常会显示出一些几何特性,例如标签图像的分块恒定性与区域边界的连通性。然而,传统的稀疏表达模型不能表征这些几何特性。本文的主要内容是提出有效的稀疏表达模型来进行纹理图像的分割,其可以很好地诱导分割结果的几何特性。此外,论文还研究了相关的纹理特征提取方法以及后处理技术。基于所提出的模型与技术,本文设计了两种完整的纹理图像分割方法,一种用于允许用户交互的情况,另一种用于全自动分割的情况。本文的主要工作总结如下:（1）提出了一种用户交互式的纹理图像分割方法。该方法允许用户以简单而有效的方式为小的纹理区域提供初始标签。利用这些标签,纹理图像分割问题被转化成了弱监督的图像块分类问题。然后就提出了一种弱监督的稀疏表达模型来利用给定的标签进行分割。所提出的模型还利用了分割标签图像的几何特性的先验。通过控制标签图像的小波系数的7)₀范数来引入标签的分块恒定性。通过约束标签图像为闭运算的不动点来保证区域边界的连通性。为了获得更全面的纹理特征作为输入,提出了一种基于局部直方图多特征融合的纹理特征提取方法。（2）通过特征量化将上述弱监督模型扩展到无监督模型,提出了一种全自动纹理图像分割方法。为了提高无监督模型的性能,本文还采用降维技术对上述特征提取方法进行了改进。所提出的方法在两个基准数据集上使用多种不同的指标进行了评估。实验结果表明了所提方法的有效性。