图像分割是通过对不同特征的像素点进行标记,将图像分割为互不重叠的多个区域的技术。基于图割的GrabCut算法结合了图割理论和高斯混合模型,用户通过简易的交互就能得到良好的分割效果,因此在图像分割领域得到了广泛的应用。在大数据背景下,待处理图像数量的增多以及复杂度的增高,使GrabCut算法分割效率降低、分割精准度变差等问题逐渐显露出来。为了解决上述问题,本文对基于超像素和GrabCut算法的图像分割框架进行了研究,主要从以下几个方面进行改进:针对GrabCut算法在分割背景较复杂或细节丰富的图像时,存在用户手动初始化GrabCut算法困难、计算效率不理想的问题,提出了一种结合显著性和改进超像素的GrabCut图像分割算法。首先,对简单线性迭代聚类算法(Simple Linear Iterative Clustering,SLIC)进行改进,将梯度影响因子引入超像素距离公式中,并改进SLIC算法合并小区域的步骤。然后,用改进的SLIC算法和流形排序算法生成显著图,并通过对显著图阈值分割初始化GrabCut算法。最后,用改进的SLIC算法生成的超像素构建GrabCut网络流图模型,并用最大流/最小割算法分割。实验结果表明,改进的GrabCut算法实现了自动分割的功能,在保证原算法精度的同时减少了分割时间。针对GrabCut算法在分割前景与背景颜色相近或存在阴影的图像时,存在分割精度不高的问题,提出了一种融合深度信息的GrabCut自动图像分割算法,改进的算法在结合显著性和超像素的GrabCut算法的基础上进行。首先,对深度图进行处理,并利用融入深度信息的显著图初始化GrabCut算法。然后,将深度信息和显著性信息通过自适应权重结合到GrabCut的颜色模型中,从而改进GrabCut算法的能量公式。实验结果表明,融合深度信息改进的GrabCut算法可以有效分割复杂图片,具有更高的分割精准度。