图像分割是图像处理和计算机视觉中的基础性研究工作,是对图像进行分析和理解的关键环节。基于概率图模型的图像分割方法为解决图像信息处理中存在的大量不确定性问题提供了理论基础,概率图模型提供了完善的理论框架,行业学者持续深入的研究使之迅速发展,在医学、计算机视觉、遥感图像处理等领域得到了广泛应用。早期的图像分割方法主要是基于图像的低层特征,不能准确地表示目标对象,而基于概率图模型的图像分割方法可以很好地将图像的高层语义信息和低层特征相结合,充分描述目标对象的特征。随着模型的结构越来越复杂,能量函数的势能项、参数及变量的数量越来越多,使参数的训练难度也随之增大,能量函数最小化的计算效率越来越低等问题也接踵而至,本文针对这一问题系统地研究了基于概率图模型的图像分割技术。本文的主要内容和创新点如下:(1)对基于概率图模型的图像分割方法的研究现状及存在的问题详细地进行了总结和分析,概述了基于概率图模型的图像分割所涉及到的相关理论基础及常用的两种概率图模型,介绍了基于概率图模型的图像分割的设计步骤。(2)提出了一种基于鲁棒性nP Potts高阶CRFs模型的高效图像分割算法,针对结构复杂,参数较多的鲁棒性nP Potts高阶CRFs模型,提出改进的图像分割算法:首先计算图像的局部最优解,其解为?扩展算法提供了初始化,然后在?扩展算法的每次迭代过程中对图进行动态更新,不仅解决了因模型复杂造成图像分割低效率的问题,而且有效地避免了图像的过分割。(3)提出了一种基于深度高阶CRFs模型的图像分割方法,该模型由像素、相邻像素对之间的边和分割块(超像素)三个部分组成,其中基于鲁棒性nP Potts高阶CRFs模型的基础上,对一元能量项的纹理势函数中引入了扩充纹元,使得一元能量项能更好地表征图像的特征,并采用合作割势函数作为成对能量项,该模型无论对二元标记还是多标记都能分割得到更精细的目标轮廓。(4)以槟榔的生产加工为应用背景,将本文中研究的基于概率图模型的图像分割方法应用于不规则物体的视觉定位,实现对不规则物体的位姿调整,达到自动加工的效果,实现了机器对不规则物体在生产加工过程中的自动化。