图像分割作为图像处理的重要步骤,是计算机视觉的基本任务,在医学影像、安防安保、自动驾驶中有着重要应用。基于图模型的图像分割算法,通过将图像建模成图模型来表示像素的成对信息,通过将图模型分隔为多个子图来完成分割任务。该类算法在分割精确性上有着极大优势,但由于运行效率较慢且优化过程较为复杂,因此不适用于实时任务。本文通过发现并分析经典基于图模型的图像分割算法中的瓶颈问题,提出相应解决策略以增强其运行效率及分割准确性。(1)本文提出了动态随机游走模型(Dynamic Random Walk),以增强随机游走算法的运行效率以及在种子节点匮乏情况下的分割效果。动态随机游走模型通过在图模型中引入动态节点来隔断部分相邻区域以减少冗余游走提高算法运算效率;通过提出加权随机游走熵来考虑两两非种子节点间的相似性考量并利用动态节点丰富区域特征以减小种子节点的主导性,增强在种子节点匮乏情况下的分割效果;另外,本文提出三维种子节点策略将动态随机游走模型运用于超像素分割任务。在超像素分割中,动态随机游走模型可以极大保证超像素的边缘拟合性,同时运行效率也远超其他基于图模型的图像分割算法。主要创新性研究成果如下:(2)本文提出了探索归一化割模型(Exploring Normalized Cut),在保证运行效率的同时解决归一化割算法的过平衡性问题,增强其对小物体的分割准确性。探索归一化割模型通过含义自循环图模型提升处于显著小物体中节点的度,以拉近显著小区域与平滑大区域间的平衡项,从而降低小区域对整体能量函数的过度影响;通过探索归一化割能量函数扩散含义自循环并同时进一步减小显著区域的切割项,解决归一化割算法的过平衡问题;通过快速探索策略加快探索归一化割算法的扩散速度,进一步提升算法的运行效率。(3)本文提出了用于归一化割算法的随机游走约束项(Random Walk Refining Term),以解决归一化割算法的过全局性问题,增强细枝的分割准确性。随机游走约束项利用伪种子节点及层次图模型将随机游走算法无监督化,并可以利用逐步求解算法与探索归一化割模型联合求解。联合随机游走约束项的探索归一化割算法可以在减少平滑区域的冗余分割的同时增强小物及细枝拟合性,极大地提高了算法的分割性能。