图像分割就是以监督或者无监督的方式将图像划分为若干个互不重合的子区域。它是计算机视觉中最基本的研究课题,直接关系到图像分析和图像理解的效果。作为当前主流的图像分割方法之一,图割(Graph Cuts)的显著优势是能够有效融合多种图像特征和先验信息,用较少的交互量保证了分割结果的实时性、有效性和准确性。本文的研究是在多极图的框架下进行的,而多极图就是图割方法向多类分割方向的扩展。本文对于多极图的研究主要沿着两个大方向进行。一是对能量函数的平滑项(对应于n-links)进行非局部扩展,目的是克服图模型所固有的“收缩偏执”(shrinking bias)问题;二是对能量函数的数据项(对应于t-links)的构建进行优化。为了提高核密度估计方法对图像颜色特征的描述能力,提出了一种非对称核密度估计方法。由于存在“收缩偏执”问题,标准多极图模型难以分割出图像的细长区域和凹陷区域等细微部分。本文对标准多极图进行了非局部扩展,提出了一种基于mean shift轨迹的非局部同质点搜索策略。局部和非局部信息被同时融合到多极图模型中,从而有效地克服了“收缩偏执”问题。传统的核密度估计方法同等看待每个核函数在总体估计中的权重,导致对图像区域类别的区分能力不够,所取得的分割效果不尽如人意。本文针对这个问题提出了一种非对称核密度估计方法,具体做法是对核函数进行差异化的处理,在核密度估计函数中引进权重系数用以表达每个核函数对总体估计的贡献。