近几年,对象提取成为计算机视觉领域一个重要的研究方向,为准确估计出图像中的对象或部分,对象检测、对象识别等各种操作方法层出不穷。如今多数方法一般是在单幅图像中针对一个或多个不同的对象进行操作,而当给定一批主题相关的图像时,通常的对象提取方法很难实现多图像中相同对象的估计。因此,联合对象的提取技术便应运而生,但目前关于这方面的研究很少。本文提出了一种基于代表性块的联合对象提取方法,其目的是判别出两幅相关图像中相同的对象部分。所谓对象是指图像中的显著区域,即人视觉感知的主要部分。对象的显著性特征可从颜色、纹理、形状、空间关系、统计特征等五个方面进行描述,而根据单一特征所提取的图像效果在时间复杂度和空间分辨率等方面存在明显的局限性和差异性,所以仅利用一种图像特征难以满足实际需求。为了得到一个清晰、准确的对象提取效果图,可将不同图像特征的各自优势和互补性加以综合利用。本文的主要研究过程是针对给定的两幅图像,首先使用朴素贝叶斯法训练生成一个贝叶斯分类器,同时利用多尺度显著性、颜色对比、边缘密度、超像素跨界等多种显著特征提取出若干包含对象的窗口;然后通过线性SVM及相关聚类方法训练代表性块,具体是利用一个迭代程序在聚类和判别式训练分类器之间进行交替直至收敛,经多次迭代后会得到一系列块集群;再对目标进行空间上的定位,借助图像匹配算法计算每对代表性块的相似度,筛选出若干个权值较高的代表性块;最后根据块和对象窗口的空间位置关系,将与每个对象窗口相交或包含在窗口内的代表性块进行权值叠加,对多次剔除或合并后保留的部分窗口按权值大小进行排序,此时得到权值累加和最大的一组窗口,这对窗口便精确地包含两幅图像中相似的对象。实验结果表明本文方法有效地实现了联合对象的估计。