图像分割一直是计算机视觉领域的研究热点之一,是图像处理中的关键阶段。图像分割是根据图像中像素特征的某种相似性原则将图像分割成若干互不相交的区域,使得图像中同一区域里的像素特征比较相似,不同区域之间的像素相似度很低。图像分割结果的好坏,影响了图像处理后续阶段视觉任务中的场景理解和目标识别的准确率。随着互联网的快速发展以及移动设备的广泛普及,图像的分割算法越来越受到人们的关注。虽然已经有很多种图像分割算法,但是传统的自动分割算法大多数都没有考虑人眼在观察图像时的特殊视觉处理过程,所以图像分割结果有时候跟人们所期望的结果有较大差异。另外,交互式的图像分割方法需要人工初始化,在图像的前景和背景颜色相似时,交互式算法有时很难给出合理的图像分割结果。针对上述这些问题,本文在深入研究图像分割算法和视觉显著性算法的基础上,有效的解决了经典的交互算法:Grabcut算法的两个缺陷;(1)初始化区域不能自动提取的问题;(2)在图像的前景和周围背景颜色极其相似时容易错误分割问题。并把该算法作改进应用于图像的火焰目标检测问题上。本文主要的研究工作如下:(1)针对Grabcut算法对人工初始化区域敏感的问题和在复杂背景下Grabcut算法容易造成错误分割的问题,研究如何利用视觉显著性图自动提取初始化区域和有效减少在图像的前景和背景颜色相似时的错误分割。结合视觉显著性检测方法和Grabcut算法,提出了一种新颖的Grabcut算法,该方法首先通过改良显著性的度量方法得到效果比较好的图像显著图;进而将图像中像素的显著性转换成约束项加入到Grabcut算法的区域项中提高整个区域项的可靠性;最后利用显著图代替人工交互,完成Grabcut的初始化,从而实现Grabcut自动分割的目的和减少其在图像目标和背景颜色相似时的错误分割。本文使用MSRA1000数据集进行实验对比分析,实验分别从主观视觉和客观性能测试两方面和IT(基于生物学模型显著性检测)算法、GBVS(基于图论的视觉显著性检测)算法、SR(谱残差)算法、FT(频域调谐的显著性检测)算法和Grabcut算法这5种算法做对比分析,实验结果表明:从视觉效果来看本文的方法相对于其它的算法,不管是在简单场景下还是在相对复杂的场景下都可以获得更好,更加符合人眼的图像分割结果,从客观性能来看,本文的算法在MSRA1000数据集上的准确率和召回率都要高于其它几种算法。(2)将改进的算法应用到单帧图像火焰目标检测的问题上:针对火焰检测的时候,经常短时间内火焰就会瞬间变大,从而使得视频的前后几帧图像变化剧烈,连续帧处理技术很难准确的检测出火焰目标的问题。使用视觉显著性检测方法对单帧图像进行火焰目标检测。从频域和空域两个方面进行火焰检测,融合这两方面的显著图形成大致的火焰目标区域,然后使用Grabcut算法准确分割出火焰目标。本文使用网上提供的两个现成的数据集分别是FOTOSEARCH和WILDFIRE。实验结果表明,在普通的火焰场景、烟雾火焰场景、多堆相对紧凑的火焰场景和隐蔽的火焰场景,本文的算法都可以较为完整的获得图像中的火焰目标。