随着计算机技术的高速发展,三维重建技术已成为计算机视觉与计算机图形学领域的研究热点之一,其相关的理论体系也越发完善。基于多视图的三维重建是通过对大规模图像序列进行特征匹配,从而得到大量特征点,接着依据特征点生成点云模型,之后对点云模型进行网格化,最后通过纹理贴图得到所建对象的三维模型。然而在拍摄所建对象过程中由于诸多原因导致所得到的图像集中存在许多相似度极高甚至相同的图像,并且每幅图像中除了所建对象之外,还包括周围环境等冗余信息。如果不对初始获取的图像集进行处理,直接把这些相似度极高并且包含冗余信息的图像都交给三维重建系统进行处理就会增加系统的负荷和处理时间,从而降低三维重建效率。针对以上问题,本文主要研究图像相似度度量算法和图像前景分割算法,主要工作如下:传统的基于图像颜色直方图的相似度度量算法存在着对图像平移、旋转、缩放等变化不敏感的缺陷,甚至有时会将肉眼看起来完全不同的两幅图像计算为相似。针对以上问题,提出了基于分块图像颜色特征的图像相似度度量算法。算法原理是在统计图像颜色直方图特征前,先将原始图像等分为若干块,接着分别统计每块图像的颜色直方图特征,然后计算各对应块颜色直方图的距离,最后通过归一化算法得到整幅图像的相似度。通过试验对比验证,表明所提改进方法相比于传统算法在计算准确度和精度上都有了较为明显地提高。基于Grab Cut的图像前景分割算法,要求图像中的背景颜色较为单纯,对于背景较为复杂或者目标前景中包含背景色块的图像,该方法前景分割效果很差。为了克服这个问题,提出了基于Grab Cut的图像前景多像素提取算法。算法原理是在用矩形框选中目标前景之后,手工分别选取若干个属于目标前景的像素和属于背景的像素,接着将这些像素进行配对,然后依次将得到的像素对代入目标前景高斯混合模型GMM和背景高斯混合模型GMM,每个像素对都会产生一个对原始图像的标记向量,然后依次统计原始图像中各像素被标记为前景或者背景的次数并做归一化运算,最终得到一个最终的原始图像标记向量,从而实现对图像的前景分割。通过实验对比验证,表明所提改进方法相对于原算法在前景分割效果上得到改善,提升了算法的适用性。