随着近些年网络图像的大量出现,数字图像数据的规模呈现爆炸式增长,传统的单图分割已经无法满足众多实际应用的需求,协同分割逐渐成为计算机视觉的研究热点。协同分割作为一种弱监督分割方法,能够合理应用图像间前景相似性分割共同目标,该方法无需人工标记的训练样本,具有更好的应用前景。目前已经有大量研究学者提出了上百种基于不同理论的协同分割方法。然而,传统协同分割方法对目标形状及颜色的变化敏感,如何消除目标多样性对协同分割的影响是亟待解决的问题;同时,在复杂场景下,底层特征不能够准确描述图像中前景目标的特征,导致分割结果不准确,如何提高协同分割在复杂场景下的分割性能也是一个有挑战性的任务。水平集方法具有灵活地处理演化曲线的拓扑变化以及可以将图像数据信息、曲线固有属性等知识整合在一个能量泛函中等优点。本文基于水平集方法(Level Set Method,LSM),研究图像协同分割方法,提出了两种改进方法,如下:(1)为了缓解目标多样性对协同分割的影响,提出了一种基于独立成分分析(Independent Component Analysis,ICA)重构水平集的多图协同分割方法。考虑到多幅图像中背景的多样性,该方法对图像中的共同目标进行统一建模,而对图像中的背景单独建模。将演化曲线在每幅图像中的内部像素合集作为共同目标,通过ICA寻找其独立特征。将演化曲线在每幅图像中的外部像素作为背景,分别通过ICA提取其独立成分。对图像的共同目标以及各背景分别进行ICA重构,并基于重构误差构建水平集方法的能量泛函,通过优化该泛函更新演化曲线,实现对图像组的协同分割。实验证明本方法对目标共同特征的提取具有鲁棒性,和几种有代表性的协同分割方法相比,本方法对有干扰的图像、纹理图像、光照变化图像、前景相似图像都具有更好的效果。(2)为了提高协同分割在复杂场景下的分割效果,提出了一种基于数据同化(Data Assimilation,DA)的水平集多图协同分割方法。该方法利用DA的数据融合能力,引入了更多的约束形式。在水平集方法的框架下,设计了基于偏微分方程(Partial Differential Equation,PDE)的背景场模型以刻画演化曲线的几何特性;设计了观测算子,将动态观测信息引入能量泛函以约束演化曲线;构建了水平集方法的能量泛函,通过优化能量泛函更新演化曲线,实现图像的协同分割。实验证明本方法能够有效提高协同分割效果,和几种有代表性的协同分割方法相比,本方法对有干扰图像、纹理图像、前景相似图像以及背景复杂图像具有更好的效果。综上所述,本文提出的两种方法着眼于水平集方法的能量泛函设计,改进了现有协同分割方法,为水平集方法引入外部数据或约束提供了解决方案,具有创新性;同时本文提出的两种方法丰富了协同分割方法的理论,促进了协同分割的实际应用。