图像分割是计算机视觉领域的重点研究课题之一,目前在图像识别、检测和医学图像处理等领域被广泛应用。由于图像种类多,并且容易受光照、阴影、灰度不均匀、背景复杂等因素的影响,使得对图像分割具有一定的难度。虽然近年来图像分割算法取得了一定的进展,但是在分割速度、精度、鲁棒性等方面仍然有较大的提升空间。本文结合显著性检测模型对自然图像分割进行了研究,主要研究内容如下:针对灰度不均匀的自然图像分割效果不好的问题,论文在LBF模型的基础上,提出了结合多尺度概念的LBF模型,该方法能够解决严重灰度不均匀图像的分割,实现了对图像的精确分割。为了提高分割效率,算法采用显著性目标检测机制,实现水平集函数初始轮廓线的自动生成,然后使用基于多尺度的LBF模型,求解能量泛函的最小值,得到目标的水平集演化的最优位置。实验结果表明,算法在分割精度上有了一定的提高。针对现有显著性检测方法分割边缘较模糊的问题,论文利用卷积神经网络思路,提出一种基于多尺度深度特征的图像显著性目标分割模型。该模型分为三部分:第一部分是利用三个深层卷积神经网络(CNNs)提取多尺度特征,可以获得高质量的视觉显著性图;第二部分将一个引导滤波器扩展为网络中的一层,能够保证在像素之间传播显著性信息,并恢复全分辨率的显著性映射;第三部分对经过引导滤波层生成的显著性图进行水平集函数学习,得到显著性目标得的精确边界,实现对图像的分割。算法在MSRA10K和SED2数据集上进行了实验验证,实验表明所提算法在准确率、召回率等指标上性能有了一定的提高。