目前的图像抠图算法或多或少存在着一些问题,主要表现在:针对图像中的毛发、边缘区域,人工标注正确的前景和背景信息很困难;需要大量的交互才能取得令人满意的抠图结果;计算抠图结果反馈给用户的时间很长。谱抠图算法将图像分割成若干抠图成分进行标注,较好的解决了人工标注毛发和边缘区域比较困难的问题,然而当抠图成分数目较大情况下,人工标注代价仍然很大。主动学习的目标是通过挑选最有价值的样本进行标注,从而有效减少整体标注代价。本文首次将主动学习引入图像抠图,期望仅通过挑选图像中信息量大的少量区域(抠图成分)进行标注即获得理想的抠图结果。本文主要做了以下工作:(1)为缓解抠图用户的标注工作量大和对特定区域标注困难问题,首次将主动学习方法与图像谱抠图算法结合,提出了基于主动学习的抠图算法。(2)将图像显著性检测引入图像抠图。分析比较了五种经典显著性检测算法在前景检测方面的效果,选择其中最佳的方法用于计算本文的抠图成分显著性。提出基于抠图成分显著性的抠图成分自动预标注,可以在不增加用户负担情况下迅速提升抠图效果。(3)针对主动学习图像抠图,提出并分析实验了多个挑选样本策略,分为基本挑选样本策略和改进挑选样本策略。基本挑选样本策略包括:成分显著性策略、成分中心先验策略、成分背景先验策略、成分不确定性策略和成分代表性策略。改进挑选样本策略从两个方面同时进行改进,即组合基本挑选样本策略和基于成分显著性进行自动预标注。使用抠图领域标准测试数据库(阿尔法数据库)中的图像进行了大量实验。实验结果表明,在保证图像抠图结果正确率的同时,使用主动学习抠图算法可以很大的减少用户的标注困难程度和标注样本(本文的抠图成分)数量。