随着各种各样的数据采集和处理设备的广泛应用,大数据时代早已经悄悄到来,而如何从海量数据中提取得到更多人们最感兴趣的部分就成了当今重要研究领域,图像分割技术作为一种提取图像中有用数据的手段也就随之成为一个重要的研究方向。但是仅靠电脑无法准确可靠地理解图像中的内容,所以增加了人为干预的交互式图像分割方法得以被深入研究并广泛应用于众多领域。交互式图像分割方法添加了一些简捷而有效的人为标注,这些标注附带了诸如边缘位置或前景物体位置等先验知识,正是这些先验知识使得计算机可以更加快速准确地聚焦到待分割物体,最后得到效果更好的输出结果。获取先验知识的数量更多,就有可能得到更好的分割结果,所以一部分算法要求标注者多次点击或严格按照标注流程完成标注以实现更好的分割效果,可这就意味着标注复杂度也随之提升。而另一部分算法选择让标注者简单快速地完成标注以提升算法总体效率,因此只能获得有限的先验知识,最终分割结果的精度也会因此大大降低。交互式图像分割就在标注复杂度和分割精度的交替优化中不断发展。在交互式图像分割中,标注者在图像上进行标注所花费的时间一般占据整个分割过程中的较大部分。所以减少交互次数及简化标注流程能够极大地提高整个分割过程的效率。在现有的交互式图像分割方法中,大多数都是在传统医学图像分割、场景识别和生物特征识别等方面拥有广泛的应用,但仍然存在标注效率十分低下和需要大量带标注的训练数据等困难,因此提出了一种更加简单高效且无需数据驱动的交互式图像分割方法。其主要研究点和创新点如下:（1）更加简单快捷的标注方式。标注者仅仅需要在图像中的前景物体中间进行点击标注,算法就能快速并准确地找到目标物体的候选边缘点集。相较于现有的标注方法（边界框、极值点、物体中画线、标注前景/背景点和描出物体轮廓）,在标注时间及标注复杂度上都有一定的改进。而且在进行分割之前,标注者还可以对获取的边缘点进行点击修改,直到标注者满意为止。（2）使用动态规划找到物体正确的边缘点集。在标注者完成标注后,会得到由若干个边缘点组成的集合,但其中大部分点都不属于物体的边缘点。然后使用多种约束（HSV直方图、属于边缘的概率、角度及穿过边缘的次数等）共同组成边缘点区域之间的相似度矩阵,最后用加入新约束的动态规划找到其中相似度和最大的一组边缘点集作为正确的边缘点集。（3）更加精确的输入信息以提升Grab Cut的计算效率和结果精度。传统的Grab Cut算法会将整个候选框区域中的像素点都纳入计算,这无疑增加了很大的计算量。而将分割区域作为Grab Cut方法的计算区域输入,就提前省去了部分背景像素点的计算,减少了迭代计算量及迭代次数,提高了分割的效率。而且因为传入的分割区域十分贴近物体的边缘,也提高了分割准确度。