基于图论的图像分割算法具有完善的理论背景,并且分割效果良好,在图像分割和计算机视觉领域受到了广泛关注。传统Graph Cuts算法容易出现漏分割、误分割的现象,分割效果有待提高,且需要人工交互分割效率不高。针对传统算法的不足,本文提出基于余弦相似度的Graph Cuts序列图像分割算法。使用最大余弦相似度构造能量函数的区域项,计算超像素与种子聚类区域的最大余弦相似度。使用余弦相似度和颜色相似度来构造边界项,计算邻域超像素的颜色和相对距离的特征相似度。通过实验验证,将本文算法与传统Graph Cuts算法进行分割结果比较,评价指标表明分割结果的精确率和召回率等均有提高,漏报率和虚报率明显降低。基于Graph Cuts算法的图像分割算法需要人工交互,当对多幅序列图像进行分割时,需要大量的时间和人力。为了提高对多幅序列图像的分割效率,将本文算法应用于序列图像分割。序列图像分割算法的思想是利用序列图像相关性对序列图像循环分割,也就是把当前图像的分割结果作为下一张图像的种子点集。除了第一张图像需要标记外,可以为剩余的每张图像省下约29秒的时间,序列图像数量越大,算法节省的时间和人力越多。传统二维图像只能显示人体的某一断面,不能显示出病变部位的空间位置、形状、与周围组织器官的的空间关系。为了提高临床诊断的准确性和医学研究的科学性,也为了减少存储图像数据的压力,图像分割技术向多维图像分割发展。对分割后的二维序列图像分别使用面绘制法和体绘制法进行三维重建,得到三维图像,实现了多维图像分割。并在系统中可以实现旋转、拖拽、放大、缩小等功能,可以全方位观察三维图像。