图像是我们日常生活中获取信息的重要途径之一,视觉信息在人类接收的信息中占比高达百分之六十。但是视觉信息的获取需要通过一定的方式,这种图像信息提取的过程就是图像处理。当我们需要图像中的某一个形状,就将这个形状定义成目标,但是由于目标与整个网络图像背景合在一起,这不利于我们提取目标。因此,需要根据目标和背景的先后顺序将图像分为与目标对象相对应的几个区域,再利用算法识别并定位图像中的目标和背景,从而提取目标,这种图像处理的过程称为图像分割。换句话说,图像目标的提取和测量离不开图像分割。作为图像分析、识别、压缩和编码的技术和过程,图像分割的准确性直接影响到后续的工作,因此,图像分割的方法和准确性至关重要。大部分的图像都是由多个目标合成的,比如动漫人物图像、游戏界面图像等。这些目标在图像中就是一些具有特殊意义的区域。如果我们要对这些图像进行分析、应用,那么首先就要将这些区域分开,通过图像中包含的信息可以将图像划分为多个分区进行分区处理,这些区域中一般包含特定的功能,例如灰度差异、局部纹理差异、颜色差异、局部区域的光谱特征,通过分析这些的特征或差异,可以区分整个图像中的不同目标对象。但是由于我们所获取的图像极其复杂,且图像中各个区域的特征不同,因此在实际图像分割中,单一的图像分割方法不能同时适用于多个特征目标的图像处理。不同于图像分割,图像分解的主要目的是将图像的不同特征作为不同的层分量分离出来,利用正则化的方法把图像分解为卡通与纹理两部分。卡通的线条都经过针对性的简化和增强变得平滑和清晰,区域的色块也更加平滑;而纹理分割由特征值提取、特征值选择和按特征值分类三步构成。本文将卡通纹理的分割与分解优化至能够进行同步处理,设计出快速的交替优化算法求解图像。从而提出了一种同步使用卡通-纹理图像分割和分解的方法。本文的主要研究内容如下:1、本文研究了图像分割相关的理论,目前已有的图像处理的方法一般都是针对图像某种特性,将图像分解为卡通和纹理两部分,再分别进行处理不同的任务。目前在卡通纹理图像分割领域主要是基于变分方法与字典学习,本文结合这两者对算法进行优化,基于字典学习同步处理分割和分解,以此来扩大目前算法的适用图像的范围,从而提高图像分割的效率。2、图像分解方法目前只是作为一个独立的预处理步骤,特别是在图像分割中没有考虑到卡通和纹理成分的不同效果,针对这点本文提出一种新思路,建立新的图像模型,通过快速的交替优化算法来求解该模型,从而实现同步进行卡通纹理分割和分解。实验结果表明,该方法在图像分割和图像分解方面都具有优异的性能,虽然该方法需要更长的时间花在学习字典上,但可以通过离线词典学习代替在线词典学习来加速图像处理,由此可以够降低图像分割的运算时间。3、将算法在MATLAB进行仿真实验,分别在四种不同图像状态下进行图像处理,并得出均衡同步卡通纹理分割分解法、相关自适应加权回归法、卡通纹理同步分割法和乘法本征分量优化法对测试图像的分割精度和分割结果的概率随机指标曲线。在现有的同类图像分割方法中,由于相关自适应加权回归中仿射矩阵的优化耗时较长,因此相关自适应加权回归的计算时间相对较长;而在现有的图像分解方法中,形态分量分析是最慢的,因为它需要更多的迭代。与本文所提方法相比,实验结果表明本文方法对卡通图案和纹理具有灵活的选择性,可以用于处理纹理干扰（或“纹理噪声”）和光照不均匀性（或“结构噪声”）等问题。