图像分割是计算机视觉中的一个经典难题。本课题的研究主要应用于基于视频的奶牛识别系统,其中,完成对奶牛图像的有效分割是实现该系统的基础。目前,图像分割面临的难题是如何自动区分图像的前景与背景,交互式图像分割需要人工标记图像的前景与背景,对操作者要求较高且分割结果不稳定。另外,基于区域的图像分割结果往往存在过分割现象,使得分割结果不准确。本文主要针对图像分割的上述问题展开研究和讨论,提出了基于双向SIFT匹配与区域合并的奶牛图像分割算法,本文所提出的主要创新分别体现在以下几个方面:(1)针对在交互式图像分割过程中,通常需要对每一幅待分割图像进行人工标记,且在操作繁杂的同时容易导致分割结果不稳定的问题,本文提出一种利用样本引导目标区域标记的算法。该算法首先将二值奶牛图像作为简单样本,引导对训练图像奶牛目标区域的SIFT特征点提取,将其与待分割奶牛图像进行特征点匹配,从而标记出待分割奶牛图像的前景区域,实现对目标区域自动标记的效果;(2)针对特征点匹配算法往往会产生错误匹配的问题,为了提高匹配的准确率,进而保证标记结果的正确性,本文提出了新的图像匹配算法。对传统的SIFT特征提取算法,利用交集的思想,并结合随机抽样一致性原理,提出结合双向SIFT匹配与RANSAC的图像匹配算法,有效的提高了匹配精度。(3)针对图像中仅标记前景或背景区域无法完成分割的问题,本文提出了一种新的自适应种子点选取办法。利用匹配的特征点作为标记的区域生长种子点,并利用凹包通过统计的方法区分前景种子点与背景种子点。另外,传统的人工标记方法标记的像素点分布相对集中,所涉及的合并区域较少,致使合并效率较低。因此,本文利用SIFT特征的分布特性,通过扩大合并区域的数量与范围,从而大大提高了算法的执行效率,完成了图像的初步分割;(4)针对图像分割方法在复杂背景下往往存在过分割现象,而这一现象在奶牛背部分割中体现得尤为明显,因此,为了进一步提高奶牛图像分割的准确性,本文根据过分割区域呈现的独有特性,提出了一种奶牛分割的背部优化算法,该算法首先采用基于链码差的凹凸性判别算法提取出奶牛背部轮廓的拐角点,然后计算各相邻拐点间的斜率大小,通过与某一设定阈值进行比较,去除不必要的凸角点,以此迭代,从而达到奶牛图像的最优分割目的。最后,本文通过对奶牛图像的数据集进行实验验证,实验证明提出的奶牛图像分割算法可以有效的解决奶牛图像分割的相关问题,且具有较好的实际应用价值。