伴随近年来电子技术和数字图像技术的飞速发展,作为图像理解、模式识别以及计算机视觉等领域的关键和基础,图像分割技术具有非常重要的研究意义。图像分割算法多种多样、错综复杂,Grab Cut算法作为其中一种较为高效准确、应用广泛的交互式彩色图像分割算法,是近年来学者们研究的一个热点。本文首先具体分析了Grab Cut算法的原理以及它还需要改进提高的几个方面。该算法从Graph cuts发展而来,结合了图论技术和最优化的策略,基本思想是把图像映射成为相对应的网络加权图后,把图像分割问题转化为图的最小割问题来求解。针对Grab Cut算法需要用户的交互操作而非自动分割这一缺陷,提出一种方法,用改进的显著性检测方法得到的显著图,代替用户矩形框来初始化两高斯混合模型的参数。由于每一种单一的显著性检测方法都有各自的优缺点,本文从全局对比度,局部对比度,像素特征的稀有性这三个方面分别计算显著性值,然后再将三幅显著图根据各自显著点的占比情况线性地融合成一幅显著图,更好地发挥各自的长处,最终得到了效果更佳的显著图。然后选取合适的阈值把显著图二值化,用以预分割,使原算法变为自动分割算法。针对Grab Cut算法在图像前景和背景有重叠或相似时分割结果错误率过高这个问题,本文提出一种改进方法,将前面改进了的视觉显著图作为约束项以一定的权重加入到能量函数的数据惩罚项中,以提高复杂背景时数据项约束的可靠性。由于Grab Cut算法主要依赖的是区域信息,缺少边缘信息的约束,因此有些情况下提取的目标边缘不够光滑精确。针对这一缺点,本文提出一种改进的方法,用Sobel边缘算子对图像进行边缘检测后,在能量函数光滑惩罚项中加入一定比例的边缘信息,以提高光滑项约束的可靠性,改善分割边缘的质量。实验结果表明,本文算法不仅实现了由交互式分割到自动分割的转变,并且分割结果的准确度(用查全率、查准率来量化比较)、边缘的光滑度也有明显提升。