在智能视频监控领域、影视技术、多媒体应用技术中,常常需要检测出人体或其它物体,并将其与背景分离,即解决实时背景下目标的分割问题。视频图像的目标分割结果,将对目标分类、跟踪及行为理解等后续处理产生重要影响。图像分割多年里一直受到研究人员的重视,也提出了数以千计的算法。虽然这些算法大都在不同程度上取得了一定的成功,但是图像分割问题还远远没有解决,这方面的研究仍然面临很多挑战。现今比较流行的目标分割的方法,有不少是忽略阴影检测的,目标总是与阴影一起被检测出来。阴影会引起目标的合并、目标形状的失真等一些严重问题,引起分割和跟踪错误。目前的阴影抑制成果还不能完全满足实际的需要。由于阴影直接影响目标的检测,成为影响后续处理效果的关键因素,有必要进一步研究。本文,首先探讨了图像处理的理论基础。并对一些传统的边缘检测算子进行了理论分析,用仿真实验测试其边缘检测的效果。实验结果表明在边缘灰度值过渡比较尖锐且图像中噪声较小时,梯度算子工作效果好。其次,介绍了几种常用的彩色空间以及彩色空间的转换算法,并分析讨论了各彩色空间的适用范围和优缺点。系统地阐述了图像分割的各种方法,分析总结了几种常用分割方法的优缺点。本文中,针对影视技术的拍摄条件及应用要求,选用RGB彩色空间实现彩色图像的分割。在RGB彩色空间中,采用背景差分法对图像初步分割后,再利用区域生长法去除目标外部的噪声。图像分割结果是分割出带影子的目标图像。然后,分析总结了阴影检测的基本假设和一般框架。讨论了国内外目前主流的阴影检测与抑制算法,指出了这些方法用于去除目标阴影时存在的问题。最后,基于阴影检测的基本假设和一般框架,针对不同图像的阴影和目标体的特点,设计了四种去除阴影的算法。基于边缘信息的阴影抑制算法适用于目标体边缘信息丰富,阴影边缘信息相对简单的阴影去除;基于RGB彩色空间的阴影抑制算法和基于HSV颜色空间的阴影抑制算法适用于去除与目标颜色有较大差别的阴影;基于HSV颜色信息和一阶梯度信息的阴影抑制算法是对基于HSV颜色信息的阴影抑制算法的改进,适用于去除与目标颜色相近的阴影。实验结果表明,四种算法对比,基于HSV颜色信息和一阶梯度信息的阴影抑制算法效果相对理想。